工程數據特征提取的案例
淺析什么是數據分析的特征提取
此處的觀察不僅是“可感知的”視覺、觸覺、聽覺的感官觀察，還包括“數據”的觀察。尤其在引用數據分析技術之后，即便是對視覺、觸覺、聽覺得觀察也最終需要轉化成數據來進行所謂的“觀察”。
這種將“狀態”轉化為“數據”的過程就是特征提取的過程。這種通過數據進行的“觀察”過程就是數據分析。
在分析中，目標是某個設備的“狀態”。
因此，將設備狀態進行數據描述的過程，就是設備建模的一部分。之所以說是一個部分，是因為這個建模具有清楚的目標指向“故障診斷”和“壽命預測”。
因為對設備的建模，還有出于其他分析目的更多方式。將所有不同分析目的的設備建模進行綜合，就完成了整個“物理設備”映射到虛擬空間的“數字設備”，這就是“數字孿生”。
題外話：這只是一個通俗的解釋，方便大家理解。更加學術上的定義，還請大家查詢相關的專業文章和標準。
02
PART
那么到底應該“觀察”哪些“狀態”呢？從數據分析專業的術語來說，就是“要提取哪些特征”呢？
這就是一個設備故障診斷與壽命預測中的特征選擇的問題。
對于數據工程師而言，可以通過各種數據特征比對的工具，例如：相關性分析等，在眾多數據中尋找與診斷目標具有最大相關性的參數作為特征。
注意：“數據特征”和“設備故障特征”不是一回事兒。在工業領域中，對故障的特征參數選擇更加依賴于“機理”本身而非數據的特征。
用一個通俗的比方來說，就是工業機理可以指明與故障狀態相關或者可能相關的數據有哪些，而數據工程師可以以此找到最相關的參數，對“故障狀態”和“數據特征”的相關性進行研究。
展開 Abaqus中的特征值提取
在ABAQUS中tigong了三種提取特征值的求解器：AMS (Automatic Multi-level Substructuring) 求解器、Lanczos特征值求解器和子空間迭代求解器。Lanczos特征值求解器是默認的方法。
AMS特征值求解器是一種高效的，針對大規模問題的能提取大量特征值的方法，主要適用于1百萬自由度以上的模型及500階模態以上。
它包含3個求解步驟：
（1）生成子結構；
（2）獲得特征值；
（3）從縮減的向量中獲得全部特征向量。在Abaqus中采用AMS特征值求解器的句法（提取100階頻率）
*STEP
*FREQUENCY,ELGENSOLVER=AMS
,,100
對于傳統的結構，Lanczos是默認的特征值提取方法。然而對于大規模問題，相比AMS方法，Lanczos方法效率較低。使用Lanczos方法，可以指定最大頻率的提取或提取的頻率數量，也可以指定最小頻率的提取。Lanczos特征值求解器允許計算到特征值真正的誤差限制時才終止，可以滿足正常的終止原則。對于多數問題，相對誤差為1.E-12數量級，因此Lanczos求解器的計算結果精度一般要比子空間迭代法高。而子空間迭代法的終止條件是通過判斷從這一次迭代到下一次迭代過程中特征值的相對變化來實現的，如果相對變化小于1.E-5則認為已經收斂，結束計算。
abaqus中的特征值提取.pdf
展開 53基于matlab的Tamura紋理特征提取 ￥44.9
基于matlab的Tamura紋理特征提取，包括粗糙度、對比度、方向度、線性度、規則度、粗糙度六種，可替換自己的數據進行特征提取。程序已調通，可直接運行。
計算機視覺中的傳統特征提取方法總結
4.2 傳統特征提取方法與神經網絡特征提取的比較
觀點1：
傳統特征提取方法的研究過程和思路是非常有用的，因為這些方法具有較強的可解釋性，它們對設計機器學習方法解決此類問題提供啟發和類比。有部分人認為（也有部分人反對）現有的卷積神經網絡與這些特征提取方法有一定類似性，因為每個濾波權重實際上是一個線性的識別模式，與這些特征提取過程的邊界與梯度檢測類似。同時，池化（Pooling）的作用是統籌一個區域的信息，這與這些特征提取后進行的特征整合（如直方圖等）類似。通過實驗發現卷積網絡開始幾層實際上確實是在做邊緣和梯度檢測。不過事實上卷積網絡發明的時候，還沒有這些特征提取方法。
觀點2： 深度學習的數據需求量大對于視覺來說是個偽命題。許多研究成果已經表明深度學習訓練得到的模型具有很強的遷移能力，因此在大數據集上訓練完成的模型只要拿過來在小數據集上用就可以，不需要完全重新訓練。這種方式在小數據集上的結果往往也比傳統方法好。
觀點3：還是需要重新訓練的，只能說大數據集訓練好的模型提供了一個比較好的參數初始化。而且卷積前幾層提取特征僅僅是對分類問題是對的，但是對于一些dense prediction還是不一樣，畢竟提取特征不一定有用，還是task dependent。
觀點4：深度學習是一種自學習的特征表達方法，比SIFT/HOG這些依靠先驗知識設計的feature的表達效果高。早在13年大家都發現神經網絡的最后一層的local特征和SIFT性質差不多，但是表達能力強太多。SIFT能做的事情CNN都能做，表達效果也強，那深度學習取代SIFT是遲早的事情（或者說已經發生的事情）。深度神經網絡識別率的提高不需要建立在需求大量訓練樣本的基礎上，拿pre-train好的模型直接用就可以了。
展開 
轉子復合碰摩故障特征提取實驗研究
轉子復合碰摩故障特征提取實驗研究<BR><Font color=#FF0000><B>.PS.:</B>該帖附件于2006-10-13 07:51:02被malong評為5星級，為發貼者加分100。</Font><BR><Font color=#FF0000><B>點評:</B></Font>
轉子復合碰摩故障特征提取實驗研究.pdf
小波變換02（小波能量特征提取）
摘要：本文用一個實例演示小波能量特征提取。本文素材來自網絡，筆者作了稍微修改。
01小波包變換
小波包變換是比小波變換更加精細的變換。小波變換只對信號的低頻部分進行了分解，為高頻部分并未分解，忽略了信號的高頻部分（細節部分）。小波包變換彌補了這個不足之處。
257 基于matlab的正態云模型花卉特征提取 ￥15.9
基于matlab的正態云模型花卉特征提取，用正向正態云發生器和逆向正態云發生器來模擬花卉的部分特征提取。程序已調通，可直接運行。
基于Matlab的纖維圖像特征提取與自動分類程序實現
關鍵詞：Matlab；GUI界面；App Designer；圖像分類；特征提取；
背景
纖維圖像特征提取與分類是一個涉及圖像處理和模式識別的領域，它在材料科學、紡織工程、生物醫學成像以及任何需要對纖維結構進行分析的領域都有廣泛的應用。纖維可能重疊、交叉或糾纏在一起，使得分割和特征提取變得復雜。不同類型的纖維具有不同的特性，需要開發能夠適應這種多樣性的算法。自動化纖維圖像的分析過程，減少人工干預，提高效率和準確性。
圖像獲?。豪w維圖像通常通過顯微鏡（如光學顯微鏡、電子顯微鏡或共聚焦顯微鏡）獲取。圖像可以是二維的，也可以是三維的，取決于顯微鏡的類型和成像技術。圖像預處理：由于實際獲取的圖像可能包含噪聲、模糊、對比度不足等問題，因此需要進行預處理以提高圖像質量。預處理步驟可能包括去噪、對比度增強、二值化、濾波等。圖像分割：圖像分割是將圖像中的纖維與背景分離的過程?？梢允褂瞄撝捣指睢⑦吘墮z測、區域生長或更高級的機器學習方法來實現。特征提取：特征提取是從分割后的纖維圖像中提取有助于分類的定量屬性。常見的特征包括纖維的長度、寬度、彎曲度、紋理、方向等。圖像分類：分類是根據提取的特征將纖維圖像分配到不同的類別中?？梢允褂脗鹘y的機器學習算法（如支持向量機、決策樹、隨機森林）或深度學習方法（如卷積神經網絡）進行分類。應用領域：紡織工業，用于評估纖維的質量，如強度、柔軟度和耐久性。生物醫學，在組織工程中分析細胞外基質的纖維結構。材料科學，研究復合材料中的纖維排列和取向。法醫學，通過分析纖維來輔助犯罪現場調查。
圖1 天然纖維分類
Harris特征點檢測
Harris角點檢測算法是一種在計算機視覺中用于識別圖像角點的流行技術。角點是圖像中兩條邊緣或邊界的交點，它們在圖像分析中扮演著關鍵角色，因為它們通常標志著物體的角落或邊界的轉折點。
展開 轉子復合碰摩故障特征提取實驗研究
轉子復合碰摩故障特征提取實驗研究<BR><Font color=#FF0000><B>.PS.:</B>該帖附件于2006-10-12 22:02:04被malong評為3星級，為發貼者加分60。</Font><BR><Font color=#FF0000><B>點評:</B></Font>
轉子復合碰摩故障特征提取實驗研究.pdf
[轉帖]matlab下gabor濾波算法,可以提取圖象紋理特征
[轉帖]matlab下gabor濾波算法,可以提取圖象紋理特征
%%%%%%%VERSION 1
%The Gabor filter is basically a Gaussian (with variances sx and sy along x and y-axes respectively)
%modulated by a complex sinusoid (with centre frequencies U and V along x and y-axes respectively)
%described by the following equation
%%
% 1 -1 x ^ y ^
%%% G(x,y) = ---------- * exp ([----{(----) 2+(----) 2}+2*pi*i*(Ux+Vy)])
% 2*pi*sx*sy 2 sx sy
%% Describtion :
%% I : Input image
%% Sx & Sy : Variances along x and y-axes respectively
%% U & V : Centre frequencies along x and y-axes respectively
%% G : The output filter as described above
%% gabout : The output filtered image
%% Author : Ahmad poursaberi e-mail : a.poursaberi@ece.ut.ac.ir
%% Faulty of Engineering, Electrical&Computer Department,Tehran
%% University,Iran,June 2004
展開 基于第二代小波變換的轉子碰摩故障特征提取方法
摘要:為了能夠提取隱含在振動信號中的故障特征,利用第二代小波對稱、緊支撐和沖擊振蕩衰減的特點,有效地
提取具有沖擊響應特性的故障特征。實驗證明,即使采用較小支撐區間的此類小波,也可獲得理想的效果。另外,
為了獲得與原始信號相同的時間分辨率,采用單支重構的方法分別對逼近信號和細節信號處理,得到了轉子碰摩
故障的時域響應特征,為故障診斷和預示提供了一種分離故障時域特征的方法。
關鍵詞:第二代小波變換;碰摩;特征提取;重構
基于第二代小波變換的轉子碰摩故障特征提取方法.pdf
展開 
基于高級統計量的碰摩不對中故障特征提取
基于高級統計量的碰摩不對中故障特征提取<BR><Font color=#FF0000><B>.PS.:</B>該帖附件于2006-10-13 15:55:00被malong評為4星級，為發貼者加分80。</Font><BR><Font color=#FF0000><B>點評:</B></Font>
基于高級統計量的碰摩不對中故障特征提取.pdf
Ansys Workbench ACT插件，由窗口選中體單元，提取體積和表面積，計算幾何特征尺寸 ￥20
而是只需要所有選中體單元的外表面和，對與中心區域的體單元其表面積不參與特征尺寸的計算。這就進一步降低了由體單元直接獲得有效表面積的可能性。
解決方法：
筆者這里使用一種較為笨的方法進行選中體單元的特征尺寸提取方法：
1. 在Workbench界面，根據用戶在圖形窗口選定的網格體單元。由腳本程序依次提取，每個單元的角點數量和位置坐標；
2. 再由Workbench中python腳本調用ADPL經典界面，并自動運行特征值提取宏命令；
3. APDL宏命令會，根據Workbench選中單元體信息，依次由每個單元體的角點坐標，創建實體單元；
4. 再將實體單元合并，最后獲得幾何體積和表面積，并輸出。
5. 由Workbench腳本，讀取APDL宏輸出的幾何信息，并顯示。
展開 經驗模式分解模糊特征提取的支持向量機混合診斷模型
摘要：為解決機械故障小樣本模式識別問題，有效地提高分類的準確率，提出了一種基于經驗模式分解
模糊特征提取的支持向量機混合診斷模型。
該模型通過對信號進行經驗模式分解，提取信號的本征模式分量并轉化為模糊特征向量!對機器故
障進行診斷，然后將模糊特征向量輸入到多分類的支持向量機中，實現了對機器不同故障類型的
識別。
將該模型應用于汽輪發電機組的!種工作狀態的識別中，測試結果表明，同原有的未經過任何特征
提取以及經過小波包模糊特征提取的#種多分類支持向量機方法相比，該模型將分類準確率從原
有的53.3%和86.67%提高到100%，有效地改善了分類的準確性。
同時，該模型還為汽輪發電機組的故障確診提供了有力依據。
請享用！
展開 數據特征的優化選擇方法（feature_selection）
摘要：學習器的學習素材---數據，可能擁有過多的特征，刪除不必要的特征，保留必要的特征，既可以提高學習速度，也可以提高模型預測性能。這就需要數據特征的優化選擇。
00 方差法
import numpy as np
import sklearn.feature_selection as selection
x=np.array([[100,1,2,3],[100.5,4,5,6],[101,7,8,9]])
selectvar=selection.VarianceThreshold(threshold=1)
selectvar.fit(x)
x_var=selectvar.transform(x)
去除方差小于1的一列，這樣特征就由4個變為3個；
selectvar.variances_
Out[8]: array([0.16666667, 6. , 6.
展開 