论文部分内容阅读
为了挖掘隐藏在惯性仪器测试数据背后的信息知识,解决数据丰富而知识贫乏的问题,运用数据挖掘技术筛选出典型的故障测试数据,借鉴CRISP—DM行业标准并以Clementinel2.0为平台进行惯性仪器故障诊断模型的设计与实现。提出一种基于两阶段聚类的C5.0算法,即在两步聚类和k-means聚类的基础上使用C5.0算法,与传统C5.0算法相比,提高了预测精度和普适能力。结果表明,基于两阶段聚类的C5.0模型具有较好的分类能力和较强可解释性,为建立基于数据挖掘技术的惯性仪器故障诊断系统提供了研究基础。