基于互信息的变量加权型ICA故障检测方法

在现代大型工业过程中,其过程数据往往不服从高斯分布,独立成分分析(ICA)算法已广泛应用于非高斯过程监测。然而,各变量间存在着不同的相关性,为了挖掘各变量间相关性大小的差异,本文提出一种基于互信息的变量加权型ICA过程监测方法 (MI-WICA)。MI-WICA通过对计算数据矩阵中各变量间的互信息来定义相关性,并以此为依据对原数据矩阵进行加权处理,由此可得多个不同的变量加权型数据集。然后利用ICA算法对各加权矩阵分别建立故障检测模型,以用于工业过程监测。该方法突出了各变量间相关性大小的差异,对数据特征的描述更加全面。最后,通过数值仿真与TE过程仿真实验来验证该方法的优越性。     

基于局部熵双子空间的多模态过程故障检测

为了提高非高斯工业过程的检测性能, 提出局部熵双子空间(LEDS)的多模态过程故障检测方法. 运用局部 概率密度估计构建数据的局部熵矩阵, 消除数据的多模态特性. 用Kolmogorov-Smirnov (KS)检验局部熵数据中变 量的正态分布特性, 对高斯分布和非高斯分布的数据分别建立基于PCA的高斯子空间和ICA的非高斯子空间故障 检测模型. 利用Bayesian决策将检测结果转化成发生故障概率的形式, 将检测结果组合成最终的统计信息, 进行故 障检测. 将该方法应用于数值例子和田纳西–伊斯曼多模态过程, 仿真结果表明, 该方法在误报率较低的情况下, 故 障检测率最高, 优于PCA、局部熵PCA(LEPCA)和局部熵ICA(LEICA)方法.     

基于时延SDG和ICA的多工况过程故障预测方法

针对多工况生产过程,提出基于时延符号有向图(SDG)和独立成分分析(ICA)的在线故障预测方法.时延符号有向图描述了过程变量间信息传递的方向和时延大小;在有向图模型基础上,对过程数据进行信息同步校正;ICA方法应用于校正后的过程数据,使得基于ICA的性能监测方法具有良好的故障预测能力.在空分设备中的应用结果表明,该方法...     

KICA模式匹配的动态过程监控与故障诊断方法

针对复杂化工过程具有的非线性、非高斯性和动态特征,提出了基于核独立成分分析(KICA)的模式匹配方法,用于动态过程监控和诊断。首先,利用滑动窗建立基准集与测试集的KICA模型,提取各自的核独立元:其次,融合余弦函数绝对值度量和距离度量,提出新的不相似度监控指标,识别训练与测试操作期间的相似模式,进行故障检测:最后,基于两类数据的核子空间之间的差异子空间,获得每个过程变量方向与该差异子空间之间的互信息,并定义新的非线性非高斯贡献度指标,进行故障诊断。基于污水处理过程的仿真结果表明,与主成分分析不相似度因子的方法、标准的独立成分分析(ICA)统计指标方法及标准的ICA T~2/SPE指标融合的贡献度方法相比,本文提出的方法具有更好的检测能力与故障诊断效果。     

基于独立成分分析及其扩展模型的工业过程监测方法综述

独立成分分析(independent component analysis, ICA)是一种多变量统计分析方法,常用于非高斯过程监测,它能够有效利用信号的高阶统计信息(三阶以上)提取相互独立的独立成分,在工业过程监测中得到了广泛的应用,是当前国际过程监测领域的研究热点.鉴于此,介绍经典ICA模型、改进ICA模型及其在工业过程的过程监测技术.首先,对经典ICA模型进行介绍,在此基础上对经典ICA模型进行分类并指出其优缺点;其次,针对经典ICA模型存在的缺陷,从ICA自身存在的问题、噪声和离群值3方面梳理改进ICA模型的发展;然后,以工业过程为主要应用背景,介绍ICA的过程监测技术如何从简单工业过程衍变至复杂工业过程,以及面向工业过程运行数据的单一特性和混合特性,综述ICA及其扩展模型在工业过程监测中的研究现状;最后,探讨该研究领域亟需解决的问题和未来的发展方向.     

基于MFA-ICA的间歇过程在线监控

针对间歇过程独特的数据特点,提出1种将因子分析(FA)作为独立成分分析(ICA)白化预处理手段的多向因子分析白化独立成分分析(multiway factor analysis-independent component analysis,MFA-ICA)间歇过程监控方法.因子分析充分考虑了模型误差的普遍意义,拥有优秀的噪声建模能力.将其代替上成分分析用于白化,可以更好的提取数据集的本质信息.首先将间歇过程三维数据依次按批次和变量展开得到二维数据矩阵,接着把上述方法用于展开后的数据,利用ICA的,I2统计图实现在线故障检测.该方法用于标准仿真平台Pensim,结果表明上述方法对于提高间歇过程故障检测的快速性,降低漏报率有明显效果.     

基于ICA和小波变换的轴承故障特征提取

应用独立分量分析方法和小波变换分离轴承的振动信号，提取其状态特征。并对信号进行自相关预处理，突出信号的非高斯成分，较好地满足独立分量分析的前提条件，即源信号统计独立。采用基于负熵的快速独立分量分析（ICA）算法，成功地分离出了信号的一些独立成分。对ICA处理后的分量信号进行小波变换，完成信号检测，消噪，频带分析，以获取故障信号特征，确定故障的位置和强度。研究结果表明，独立分量分析方法和小波变换能提取明显的轴承故障信号特征。     

基于动态内部主元分析和隐马尔科夫模型的动态过程故障检测与分类方法

随着工业生产过程的扩大, 保证生产过程的安全平稳高效运行日益受到重视. 因此, 对工业过程进行及时有效的监测与故障诊断具有重要意义. 一般而言, 工业过程采集的数据具有较强的动态性, 有效提取数据中的动态信息并进行分析极其重要. 本文基于动态内部主元分析(DiPCA)进行动态性分析并结合隐马尔科夫模型(HMM), 提出了一种新的故障诊断框架, 实现了动态过程故障检测与故障分类. 首先, 利用DiPCA算法提取正常工况下数据的动态特征; 然后, 利用HMM能够有效处理时序数据的特点, 对所提取的动态特征进行建模, 构建了动态过程的故障检测框架; 并利用HMM强大的模式分类能力, 对故障数据进行建模, 实现故障的分类; 最后, 将提出的方法用于田纳西-伊斯曼过程, 验证了该方法的有效性与优越性.     

一种基于独立元贡献度的子空间故障检测方法

针对工业过程故障检测问题,本文定义了独立元贡献度和贡献度矩阵,提出一种改进的子空间检测算法.首先,利用独立元分析(independent component analysis,ICA)算法提取过程变量的独立元信息,通过计算各个独立元在过程变量上的贡献度,构造贡献度矩阵;然后根据贡献度的大小,挑选出对应的变量组成反映不同"源"信息的子空间,并在这些子空间上建立故障检测模型;最后综合以上的多个检测模型,根据实际的需求或者故障的传播特征,确定集成策略,对工业过程进行故障检测.通过在TE(Tennessee Eastman)过程上对21种故障工况和1种正常工况的仿真研究,说明提出的改进算法是有效的.     

面向特征的ICA和HP滤波实现视频异常事件检测

针对室外环境下光照亮度变化、阴影和树木遮挡等问题,对利用隐马尔可夫模型进行视频异常事件检测的影响,提出基于独立分量分析（ICA）和HP（Hodrick-Prescott）滤波器的隐马尔可夫模型视频异常事件检测方法。该方法首先利用ICA构造正常视频的特征子空间,将图像序列投影到特征子空间上得到投影序列,实现数据降维;然后利用HP滤波器滤除投影序列中环境变化引起的趋势分量;最终克服不利的环境因素,有效改善隐马尔可夫模型的视频异常事件检测性能。机动车辆禁行路段视频的检测实验表明,该方法能够在复杂的室外环境下较好地检测出异常事件。     

EMGdi signal enhancement based on ICA decomposition and wavelet transform

Diaphragmatic electromyogram (EMGdi) signal plays an important role in the diagnosis and analysis of respiratory diseases. However, EMGdi recordings are often contaminated by electrocardiographic (ECG) interference, which posing serious obstacle to traditional denoising approaches due to overlapped spectra of these signals. In this paper, a novel method based on wavelet transform and independent component analysis (ICA) is proposed to remove the ECG interference from noisy EMGdi signals. With the proposed method, the original independent components of contaminated EMGdi signal were first obtained with ICA. Then the ECG components contained were removed by a specially designed wavelet domain filter. After that, the purified independent components were reconstructed back to the original signal space by ICA to obtain clean EMGdi signals. Experimental results achieved on practical clinical data show that the proposed approach is better than several traditional methods include wavelet transform (WT), ICA, digital filter and adaptive filter in ECG interference removing.     

An independent component analysis-based disturbance separation scheme for statistical process monitoring

In this paper, an independent component analysis (ICA)-based disturbance separation scheme is proposed for statistical process monitoring. ICA is a novel statistical signal processing technique and has been widely applied in medical signal processing, audio signal processing, feature extraction and face recognition. However, there are still few applications of using ICA in process monitoring. In the proposed scheme, ICA is first applied to in-control training process data to determine the de-mixing matrix and the corresponding independent components (ICs). The IC representing the white noise information of the training data is then identified and the associated row vector of the IC in the de-mixing matrix is preserved. The preserved row vector is then used to generate the monitoring IC of the process data under monitoring. The disturbances in the monitoring process can be effectively enhanced in the monitoring IC. Finally, the traditional exponentially weighted moving average control chart is used to the monitoring IC for process control. For evaluating the effectiveness of the proposed scheme, simulated manufacturing process datasets with step-change disturbance are evaluated. Experiments reveal that the proposed monitoring scheme outperforms the traditional control charts in most instances and thus is effective for statistical process monitoring.     

基于主分量特征与独立分量特征的人脸识别实验

PCA是一种基于二阶统计的最小均方误差意义上的最优维数压缩技术,PCA方法所抽取特征的各分量之间是统计不相关的。ICA方法使用数据的二阶和高阶信息抽取数据的独立分量特征。在人脸图象识别的实际应用中,PCA与ICA方法各有胜负。PCA方法抽取出的主分量特征与ICA方法抽取出的独立分量特征是对原数据的两类不同描述,并设计出一个基于这两类特征的分类器组合方案;联合使用这两类特征,实验得出的人脸识别结果显示,基于分类器组合方案的识别结果优于单独使用PCA特征或ICA特征的单分类器方法。     

独立分量分析在高光谱图像舰船检测中的应用

根据海七舰船目标的特点,提出了一种基于独立分量分析的目标检测算法,应用于高光谱图像海上舰船检测.首先采用基于峰度的快速独立分量分析方法(FastICA)对高光谱图像进行处理,获得统计独立的独立分量影像,然后以偏度为特征度量指标从上述独立分量中选择特征影像,得到舰船目标的检测结果.应用于海上高光谱舰船图像,能够抑制背景中的海浪杂波及舰船尾迹对目标的影响,取得较好的检测效果.实验结果也进一步验证了基于峰度的FastICA算法在高光谱数据分析中的有效性.     

基于ICA与HMM的表情识别

独立分量分析(independent component analysis,ICA)是一种盲源分离的有效方法,为了进一步有效提取表情图像中隐藏的信息和提高表情识别率,可将它应用于人脸表情识别。由于脸部表情为人类情感、认知过程的研究提供了极为重要的测量依据,因此表情特征的提取和特征序列所代表的表情状态是表情识别过程中的重要步骤。为了更好地进行表情和情感的分类,提出了一种ICA结合隐马尔可夫模型(HMM)识别表情的情感分类系统,该系统首先利用ICA算法进行表情特征提取,为了加快特征提取的速度,这里采用了FastICA算法;然后通过7个训练好的HMM进行表情识别。实验结果显示,该系统使人脸表情识别的整体效果有了提高,取得了令人满意的效果,可以用来识别人脸表情。     

基于ICA特征的运动阴影检测算法

为防止运动阴影在视频图像序列中被错误地检测为目标,必须提高阴影检测算法的准确性和普适性。为此,从独立分量分析(ICA)的原理及其特性出发,提出一种基于空间变换技术的运动阴影检测算法。该算法通过对视频序列建立高斯混合背景模型产生自适应背景,利用ICA技术对其进行空间变换提取特征,再通过背景与当前帧图像对应像素点在特征空间的位置特征来分类运动阴影与前景目标。实验结果表明该方法能够较好地抑制噪声,减少光照变化的影响,准确地检测出阴影。     

基于改进的独立分量分析的人脸识别方法

将独立分量分析（Independent Component Analysis，ICA）作为人脸特征提取方法。ICA所提取的特征分类能力强、相互独立，对像素间高阶统计特性敏感，并且不易受光照变化的影响。实验结果表明，基于IcA的人脸特征提取方法的识别性能优于特征脸法。针对传统的ICA算法（Informax算法）存在迭代次数多，难收敛，并且需要人工设定步长来调整学习速度的不足，本文采用FastICA作为ICA的快速算法，并将其关键迭代步骤加以改进，减少了耗时的雅可比矩阵求逆的运算次数。所提出的改进的FastICA具有无需人工参与，收敛速度快，迭代次数少的优点。在特征选择方面，本文将遗传算法（Genetie Algorithm，GA）应用到独立分量的选择与优化中，从而在保证较高识别性能的前提下，获得最优的人脸特征子集。     

基于最大判别熵的有监督独立分量分析方法

独立分量分析(indepentlent component analysis,ICA)是目前非常活跃的一个研究领域,在盲源分离、信号处理等方面有着广泛的应用．特别是在特征提取方面,由于其处理非高斯分布的数据的能力,引起了广泛关注,取得了很好的效果．但是传统的独立分量分析方法的思想都是通过定义一个衡量分量独立性的目标函数来求解问题,在应用到特征提取方面时,没有考虑到提取的独立分量对于识别和分类问题的重要性．为了克服传统ICA算法的不足,从信息论角度出发,选择判别熵作为衡量类别之问差异的度量,提出了基于最大判别熵的有监督独立分量分析方法(SICA-MJE),并在人脸识别和虹膜识别应用中进行了验证,取得了很好的实验结果。     

Statistical process monitoring with independent component analysis

In this paper we propose a new statistical method for process monitoring that uses independent component analysis (ICA). ICA is a recently developed method in which the goal is to decompose observed data into linear combinations of statistically independent components [1 and 2]. Such a representation has been shown to capture the essential structure of the data in many applications, including signal separation and feature extraction. The basic idea of our approach is to use ICA to extract the essential independent components that drive a process and to combine them with process monitoring techniques. I², I_e² and SPE charts are proposed as on-line monitoring charts and contribution plots of these statistical quantities are also considered for fault identification. The proposed monitoring method was applied to fault detection and identification in both a simple multivariate process and the simulation benchmark of the biological wastewater treatment process, which is characterized by a variety of fault sources with non-Gaussian characteristics. The simulation results clearly show the power and advantages of ICA monitoring in comparison to PCA monitoring.