iT邦幫忙

2023 iThome 鐵人賽

DAY 5
0
AI & Data

那些年在科技公司~PHM設備健康診斷與管理系列 第 5

DAY 5「時頻域特徵」PHM特徵工程~

  • 分享至 

  • xImage
  •  

時間序列特徵:

統計特徵:例如平均值、中位數、標準差、最大值、最小值等,可以提供關於時間序列數據的基本統計信息。
時序特徵:例如趨勢、季節性、周期性等,可以揭示時間序列數據的變化模式。
滑動窗口特徵:利用滑動窗口的方式計算過去一段時間內的統計量,可以捕獲數據的趨勢和變化。
頻域特徵:

傅立葉變換:將時間域的信號轉換為頻域,可以獲得不同頻率成分的信息。
小波變換:結合了時間和頻率的特性,可以同時提取時間和頻域的特徵。
統計特徵:

統計分佈特徵:例如偏度、峰度等描述統計分佈形狀的特徵。
相關性特徵:例如相關係數、共變異數等描述變量之間相關性的特徵。
時序模型特徵:

利用ARIMA、Prophet等時序模型的參數作為特徵。
頻譜特徵:

利用信號的頻譜密度估計或其他頻域特徵。
特徵交互和多項式特徵:

將不同特徵進行組合,生成新的特徵,或者對原始特徵進行多項式轉換。
嵌入方法:

使用嵌入方法(如PCA、LLE等)來對特徵空間進行降維,提取重要的特徵。
信息增益和特徵選擇:

使用信息增益、基於樹的方法(如隨機森林)等進行特徵選擇。
特徵工程的目的是提取出最具代表性和信息量最大的特徵,以優化模型的性能。這需要結合對領域知識的理解和對數據的分析,並通過實驗來驗證特徵的有效性。在PHM中,良好的特徵工程是實現準確可靠的健康狀態預測的關鍵一環。


上一篇
DAY 4 「PHP數據怎麼來」傳感器是重點!
下一篇
DAY 6「PHM PCA」開始進入ML時代~
系列文
那些年在科技公司~PHM設備健康診斷與管理30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言