基于DPCA方法的传感器故障检测与诊断

针对多传感器的相关时序测量数据,在假设只存在传感器故障的前提下,提出了一种基于动态主成分分析（DPCA）的传感器故障检测方法。根据测量数据建立传感器的DPCA模型,在该模型基础上利用T2和SPE统计量进行传感器的故障检测。同时,将基于主成分分析（PCA）模型的传感器有效度指标SVI推广应用于DPCA模型中。通过对污水处理系统中重要传感器的故障诊断仿真实验表明：该方法能有效地检测和识别出故障传感器。     

基于卟啉传感器阵列系统的肺癌标志物识别算法

卟啉传感器阵列系统可以检测肺癌呼出气体中特定的标志性气体,不同标志性气体检测输出的差值图谱不一样.介绍了一种结合反向传播(BP)神经网络和主成分分析(PCA)的肺癌标志性气体种类识别算法,并将其应用在卟啉传感器阵列系统中.通过计算卟啉传感器阵列中各点的主成分得分选出敏感点,保留各气体敏感点的值,并组成识别模板作为BP神经网络的输入层,达到去除冗余数据的目的.通过实验对比聚类分析结果、未降维数据的BP神经网络识别结果及已经PCA降维后的数据作为输入的BP神经网络识别结果,证明提出的算法可以更加精确地识别不同的肺癌标志性气体.     

基于金属氧化物传感器阵列的小麦霉变程度检测

研制了一套由8个金属氧化物传感器组成、用于检测小麦霉变的电子鼻系统.使用该电子鼻对不同霉变程度和掺入不同百分比含量霉麦的小麦样品进行检测.通过方差分析和主成分分析优化传感器阵列并去掉冗余传感器,对优化后的数据进行主成分分析(PCA)和线性判别分析(LDA),其中PCA的前两个主成分对两类实验结果分析的总贡献率为98.30％和99.27％,LDA前两个判别因子对两类实验结果分析的总贡献率为99.68％和93.30％,且由得分图可知两种方法均能很好地区分不同的小麦样品.利用BP神经网络建立预测模型,对样品菌落总数和掺入样品中霉麦的百分比进行预测.两种预测模型的预测值和测量值之间的相关系数分别为0.91和0.94,表明预测模型具有较好预测性能.     

基于主成分分析和奇偶向量的动态检测方法

导航系统中冗余IMU传统故障检测方法由于数学模型过于复杂,计算量大,存在较大延时,难以实现实时故障检测,而主成分分析法仅仅应用于静态情况下的故障检测与隔离,针对主成分分析法无法在动态情况下对冗余IMU进行故障检测的缺点,提出了一种基于奇偶空间法改进主成分分析的故障检测算法,该方法利用奇偶向量隔离车辆的动态变量,以消除动态变量对故障检测的影响,再用PCA方法检测数据以实现对车辆传感器信息的实时检测,通过将原始数据集转置到特征平面来形成图案,实现了IMU传感器正常与故障模式的准确分离,提高了冗余IMU故障检测的结果精确性和可靠性。实验结果表明,该方法能够较好检测动态状态下冗余IMU的故障,提高了主成分分析的故障检测性能,可有效消除导航系统运动的负面影响。     

电子鼻传感器阵列优化与谷物霉变程度的检测

研制一套适合对谷物霉变进行检测的电子鼻系统,对6个霉变程度的稻谷进行了检测.主成份(PCA)分析结果显示6个霉变程度的稻谷是可以区分的,对前三个主成分的载荷因子进行分析去掉冗余传感器,PCA分析结果显示去掉冗余传感器并不影响分类结果.最后用BP神经网络对所得的数据进行模式识别,30组测试样本对霉变菌落总数的预测结果平均相对误差为1.010 30,最大相对误差为3.942 57.实验结果表明系统对稻谷霉变程度的检测具有很高的分析精度.     

空调系统中传感器故障检测与诊断方法的研究

提出了空调系统传感器故障检测，故障识别、故障重构的主成分分析方法。主成分分析法将测量空间分为主成分子空间和残差子空间。SPE指数和SVI指标分别用来检测和识别故障，沿着故障方向，测量数据逐步逼近主成分子空间可以实现数据的重构，通过对空调监测系统的传感器故障检测与诊断结果展示出PCA方法具有良好的故障检测，识别和重构建能力。     

新颖人脸检测的核方法

核主成分分析（kernel PCA）是PCA的非线性扩展。该研究将kernel PCA应用于新颖人脸检测。作为训练数据的人脸图像被映射到高维特征空间。在特征空间中,kernel PCA抽取数据分布的主成分,构成主子空间。在该子空间中,通过优化方法寻找包含训练数据的最小超平面,作为新颖检测的决策界面。该新方法在ORL人脸图像库的数据集中进行了实验,测试精度较线性PCA方法有所提高。     

基于声表面波传感器阵列的气体鉴别算法研究

声表面波(SAW)传感器阵列具有体积小、功耗低、反应灵敏等优点,在食品检测、环境治理、气体鉴别等领域有广泛的应用前景。结合声表面波传感器阵列的原理及特点,建立和优化了声表面波传感器阵列的数学模型,并对数据进行预处理、主成分分析（PCA）以及BP神经网络分析处理,实现了对气体的鉴别分类,取得了好的实验结果。     

乳制品电子鼻分类中传感器阵列的一种优化方法

利用13个TGS系列的金属氧化物气敏传感器组成的阵列对3种乳制品进行了测量。提取每个传感器响应值的方差为特征值,借鉴逐步判别分析的思想,依据Wilks统计量最小的原则,逐步引入对分类有用的变量,实现了对传感器阵列的优化。对阵列优化前后的数据,用主成分分析(PCA)和Fisher判别分析(FDA)的方法进行对比研究。结果表明:使用优化后的传感器阵列,不仅主成分分析能将不同种类的乳制品很好的区分开;而且用Fisher方法时,交叉确认正确率也得到提高。因此,所给出的阵列优化方法是有效的。     

基于主成分分析法的多传感器数据融合算法研究

根据数理统计中的多元统计理论,用多个传感器对某一特性指标进行检测,将检测数据作为统计对象,提出了一种基于主成分分析的数据融合方法。该方法把各传感器的检测数据作为一个整体,定义总体的各主成分。通过计算测量值与主成分的复相关系数,给出了各传感器的综合支持程度和数据融合公式。实验表明,此方法比均值融合法更准确、有效。     

基于电子鼻技术的烤烟过程气味变化研究

为了掌握烟叶烘烤过程中气味变化的规律,用金属氧化物半导体传感器阵列组成的电子鼻对烤烟烟气进行实时监测。详细阐述了自制的电子鼻系统和实验过程,在对样本数据进行预处理后,采用主成分分析法对样本进行分析。分析结果表明:利用电子鼻技术得出的气味综合曲线能够真实有效地反映烟叶烘烤过程中的气味整体变化趋势,并且分析得出的烤烟过程中气味变化规律与现有烟叶烘烤理论较好地吻合。     

Study on the odor classification in dynamical concentration robust against humidity and temperature changes

In this paper, we propose a method for enhancing the robustness of odor classification against the changes of humidity and temperature when the odor concentration is changing dynamically. We used amplitudes of frequency components of sensor responses at particular frequencies, instead of response magnitudes, to compose a pattern vector for the odor classification. The frequency analysis was done by using a short-time Fourier transform (STFT) and the selection of the frequency components by using a stepwise discriminant analysis. Besides the use of the STFT, we also improved the classification performance by including the humidity and temperature values to the pattern vector. Using a learning vector quantization (LVQ) neural network and training the network with wide-range data, we successfully achieved high robustness against various environment conditions even if the odor concentration was changing dynamically and irregularly under various humidity and temperature.     

基于荧光卟啉传感器阵列系统的肺癌标志物检测研究

针对肺癌呼出挥发性有机气体（VOCs）中的特定标志物,提出了一种新型的基于荧光卟啉传感器阵列检测系统,并对4种肺癌呼出标志物进行检测研究。通过小波分析等数学工具对测得的荧光光谱数据进行特征提取,然后采用层次聚类、主成分分析等统计学方法对特征向量进行分析。不同体积分数的各类标志物在聚类分析中能够完全正确的聚到一起。通过主成分分析得到的前3个主成分包含了标志物的88%的信息,便能对不同类别的标志物进行识别。研究表明：该荧光卟啉传感器阵列系统能够快速有效地对不同肺癌标志物进行识别,有望在临床中得到应用。     

基于可视化传感器阵列系统的肺癌标志物快速检测研究

肺癌的早期快速诊断对于肺癌患者的治疗至关重要。针对肺癌患者所呼出的特定标志物,建立可视化传感器阵列系统,对4种肺癌标志物进行了实验研究。采用分层聚类分析、主成分分析的统计学方法对检测结果进行分析。对不同肺癌标志物、不同体积分数的样本在聚类分析中可以正确分类,且结构相似体积分数相近的样本能优先聚到一簇。利用主成分分析获得的前2个主成分所代表的肺癌标志物72.0%的信息量即可以实现不同类标志物样本区分。研究表明:这种可视化传感器阵列系统是一种快速有效的检测识别肺癌标志物的方法。     

Sensor Fault Detection, Isolation and Reconstruction Using Nonlinear Principal Component Analysis

State reconstruction approach is very useful for sensor fault isolation, reconstruction of faulty measurement and the determination of the number of components retained in the principal components analysis (PCA) model. An extension of this approach based on a Nonlinear PCA (NLPCA) model is described in this paper. The NLPCA model is obtained using five layer neural network. A simulation example is given to show the performances of the proposed approach.     

A reliable method for classification of bank notes using artificial neural networks

We present a method based on principal component analysis (PCA) for increasing the reliability of bank note recognition machines. The system is intended for classifying any kind of currency, but in this paper we examine only US dollars (six different bill types). The data was acquired through an advanced line sensor, and after preprocessing, the PCA algorithm was used to extract the main features of data and to reduce the data size. A linear vector quantization (LVQ) network was applied as the main classifier of the system. By defining a new method for validating the reliability, we evaluated the reliability of the system for 1200 test samples. The results show that the reliability is increased up to 95% when the number of PCA components as well as the number of LVQ codebook vectors are taken properly. In order to compare the results of classification, we also applied hidden Markov models (HMMs) as an alternative classifier. This work was presented, in part, at the 8th International Symposium on Artificial Life and Robotics, Oita, Japan, January 24#x2013;26, 2003     

基于小波包PCA的故障传感器数据重构方法

讨论了基于小波包的多尺度主元分析方法应用于故障传感器数据重构问题。传统的基于小波包的多尺度主元分析在进行传感器故障诊断时没有建立数据重构模型,在相关传感器信号进行小波包分解的基础上,在最佳数的所有节点上建立主元分析模型,将主元分析模型的重构结果组合后再进行小波逆变换,从而实现故障传感器的数据重构。最后,利用试车台液氢供应系统的传感器数据仿真了几种典型传感器故障,并对设计模型实现数据重构的实用性和有效性进行了验证。     

多时机NOAA—AVHRR数据主成分分析的生物学意义

利用多时上NOAA－AVHRR的中国归一化植被指数NDVI数据进行主成分分析,并与从NDVI派生的4个生物不数作相关分析,结果表明：主成分变换既压缩了信息,将21个月的信息主要压缩到前4个主分量,又提取了关键的变化信息,第一主分量反映基本植被覆信息,第二、第三和第四主分量反映植被季相变化信息,正是由于一年12个月的NDVI曲线反映了植被季相变化特征,使得主成分变换得到的各主分量具有一定的生物学意义,而且17种中国典型植被在这4个主分量图像上存在一定的差异性,使其具有进行较高精度土地覆盖分类的潜力。     

基于3MAD-PCA的软测量数据过失误差侦破

经典PCA是一种对软测量建模数据进行误差侦破的方法,但当数据中存在单变量大误差时,该方法不能准确确定主元(PC),从而影响了误差侦破效果.针对这一情况,结合单变量误差侦破技术提出了3MAD-PCA方法.该方法首先用3MAD对数据分别进行单变量误差侦破,再利用经典PCA进行多变量误差侦破,提高了经典PCA方法的稳定性,有效实现了数据的过失误差侦破.用该方法对丙烯浓度的软测量数据进行过失误差侦破,取得了良好的效果.