【论文笔记】An Intelligent Fault Diagnosis Method Using Unsupervised Feature Learning Towards Mechanical Big Data

论文来源：IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS

• 2016年的文章，SCI1区，提出了两阶段的算法。第一个阶段使用Sparse filtering，无监督的方式提取出特征。第二个阶段使用softmax回归进行分类。可以实现更少的数据，但更高的准确率。对Sparse filtering的weight进行了可视化，与Gabor滤波器进行拟合，发现很相近。

Sparse filtering 和Softmax regression

论文的核心就是这两步的算法，分两个步骤讲解。

Sparse filtering

• Sparse filtering的思想来自于NIPS2011吴恩达组的文章，是一种无监督的提取特征的算法。与之相比较的无监督算法还有ICA，Sparse Coding，Sparse Autoencoder。具体见另一篇总结sparse filtering的文章。
• Sparse filtering可以实现非线性，增加一个激活函数。本文使用了下图的激活函数得到了特征。
  
  

Softmax Regression

结构图如下，这里看出原文是对输入的样本再一次进行了切分，对同一个example的输出结果进行的求和平均，而不是concatenate，它们的实验证明求和平均效果更好。

下图是目标函数，这里没有使用交叉熵。

其次，这里对随机segment的样本进行了whitening的操作。我参考了矩阵论（张贤达）里面的公式。

进行了白化之后的向量，协方差矩阵为单位矩阵，可以加速收敛的速度。实验也证明了白化的作用。

可视化

PCA降维

对学习到的特征PCA降维后的结果

对Sparse filtering的权重矩阵可视化

直观理解，W矩阵和X输入相乘，其实是W的每个行向量和X向量计算相似度（点积）。对行向量可视化。然后用面的Gabor滤波器去拟合，发现两者很接近。下面三行是傅里叶变换之后的结果。Gabor滤波器的公式引用自其它文献。具体更多的理解看傅里叶变换的那篇文章，收集了一些不错的解答。拟合的结果说明了一定的物理意义。Gabor滤波器接近于最优的特征提取滤波器。