基于DIC的HMT模型选择在故障诊断中的应用

摘 要: 隐Markov树（HMT）模型作为一种信号小波变换系数的统计模型较好地刻画了小波变换系数的统计相关性和非高斯性。应用HMT模型进行故障诊断时，一个重要的问题即是HMT模型结构的选择。判别信息准则（DIC）是一种适合于分类问题的模型选择准则，它选择最不可能产生属于其它类别的数据。实验表明与通常使用的Bayesian信息准则（BIC）相比，DIC可以选择识别率更高的HMT模型。关键词: DIC BIC HMT 模型选择 故障诊断[b][align=center]The Application of HMT Model Selection based on DIC in fault diagnosisGUI Lin, WU Xiao-yue[/align][/b]Abstract: As a statistical model of wavelet coefficients, hidden Markov tree （HMT） can consider the statistical dependencies and non-Gaussian statistics of wavelet coefficients. When HMT model is applied in fault diagnosis, an important problem is the HMT model topology selection. Discriminative information criterion （DIC） is one kind of model selection criterion fitting for classification problems. DIC selects the model that is the less likely to have generated data belonging to competing classification categories. The experiment indicates that DIC-generated models gets higher recognition rate in comparison with Bayesian information criterion （BIC）- generated models.Key words: DIC; BIC; HMT; model selection; fault diagnosis0 引言　　隐马尔可夫模型（hidden Markov model，HMM）是一种时间序列的统计模型，HMM最先在语音识别领域中取得了重大突破，随后在汉字识别、故障诊断等领域中得到应用。隐马尔可夫树模型（hidden Markov Tree，HMT）是一种小波域的HMM模型，它可以描述小波变换的内在特性，刻画小波变换系数的统计相关性和非高斯性。 HMT已被应用于图像去噪，图像分类，机械故障诊断等领域，并得到了较好的效果。　　HMT模型由其模型结构和给定结构下的参数决定，其结构包括隐状态数和小波二叉树的个数。应用HMT模型进行故障诊断时，一个重要的问题即是模型选择问题。本文主要研究HMT模型结构的最优化问题，即描述信号的最佳HMT模型结构。　　奥卡姆剃刀原则（Occam’s razor principle）是目前模型选择的主要原则，其主要思想是选择可以描述数据特征的最简单模型。奥卡姆剃刀原则的一个重要理论基础是Bayesian模式识别框架。Bayesian识别框架的主要准则是Bayesian信息准则（Bayesian Information Criterion，BIC）。BIC已广泛应用于各种模型选择中，如HMM的选择。　　文献指出运用奥卡姆剃刀原则在分类问题中不能保证获得分类效果最佳的模型。这主要是由于BIC侧重于使用类别内特征选择模型，而没有考虑类别间特征。因此对于分类任务，BIC可能不适用。针对于分类任务的模型选择问题，Alain[10]提出了判别信息准则（Discriminative Information Criterion，DIC）。DIC在BIC的基础上，侧重于使用类别间的分辨信息进行模型选择。不同于奥卡姆剃刀原则选择能有效描述数据的最简单的模型，DIC选择最不可能产生属于其它类别的数据，因此更合适于分类任务。　　详情请点击：基于DIC的HMT模型选择在故障诊断中的应用