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。