基于补偿距离评估-小波核PCA的滚动轴承故障诊断

提出基于补偿距离评估技术-小波核PCA的滚动轴承故障诊断方法。将补偿距离评估技术用于滚动轴承时、频域故障特征向量降维,将降维后故障特征向量作为小波核PCA的特征向量。将分类结果与未进行补偿距离评估技术降维直接进行小波核主元分析结果比较表明,前者分类效果紧致性及计算效率更高。为突出小波核主元分析方法优势,将其与常用RBF核函数主元分析方法比较表明,前者聚类效果紧致性更高。     

基于经验模式分解和主元分析的滚动轴承故障诊断方法研究

提出了一种融合经验模式分解和多元统计的轴承故障诊断新方法,主要包括基于信号Hilbert-Huang变换的特征提取和对故障特征集的主成分分析:首先运用EMD将振动信号分解成不同特征时间尺度的单分量固有模态函数,采取Hilbert-Huang变换获取分解信号的瞬时频率,计算基本模式分量与瞬时频率的统计特征集;之后对统计特征集进行主成分分析,大幅降低特征向量的维数,获取主元特征集;最后利用支持向量机,完成了对于滚动轴承常见三类故障的分类,并分析了振动信号时域频域的统计特征值与故障模式之间的联系。     

基于LTSA与K-最近邻分类器的故障诊断

针对局部切空间排列算法(LTSA)的效果受近邻数k值影响较大的缺点,提出基于聚类准则的LTSA与K-最近邻分类器的故障诊断模型。基于振动信号的时域特征构建高维特征矩阵;对高维矩阵进行标准化预处理,依据聚类准则确定局部切空间排列中的最佳近邻数k,运用LTSA提取高维矩阵的低维特征向量;将提取的低维特征向量利用K-最近邻分类器进行故障模式识别。采用轴承诊断实验系统进行验证,结果表明,基于聚类准则的优化方法可有效地克服近邻数k选择的盲目性,提高了局部切空间的降维精度和故障模式识别正确率,其在轴承时域特征维数约简方面,效果优于主成分分析(PCA)与拉普拉斯特征映射(LE),适用于轴承故障诊断。     

不变矩法分类识别带钢表面的缺陷

针对带钢表面缺陷的识别和分类技术,本文采用一种将不变矩与主成分分析法相结合的特征提取方法.首先,对每幅缺陷图像提取22 维不变矩特征向量,满足对图像平移、尺度及旋转变化都不敏感;然后,为了提高分类器的效率,应用主成分分析法对特征向量进行空间降维处理,得到4 维特征向量;最后,将特征向量作为BP神经网络的输入,对网络进行权值和阈值训练,达到缺陷分类的目的.实验结果表明,该方法对带钢表面缺陷的平均正确识别率可达到85%以上.     

基于特征的时间序列信号表示方法

为实现时间序列信号特征的预处理,提出一种基于特征协方差矩阵的时间序列信号表示方法。以一维时间序列数据为输入,计算每一采样时刻的点值、邻域差值、累加值、均差值、秩以及时间索引值等特征,组成点特征向量,将不同时刻的点特征向量依次带入黎曼流形空间,从而实现从一维采样数组到二维特征矩阵的转换;利用矩阵内含的时间序列局部和全局特征信息,计算二维特征矩阵的协方差矩阵,从而建立基于协方差矩阵的时间序列信号表示方法。为验证方法在特征表示方面的有效性,文中将其用于时间序列信号的相似度度量计算,实验结果表明,相比动态时间规整(DTW)、形状变换(ST)及其尺度不变特征变换(SIFT),文中算法总体分类性能为最佳,表明具有高效的特征表示性能。     

主成分分析法在发电设备故障检测与诊断中的研究

运用主成分分析方法,经过矩阵变换,降低维数以提取故障信息的主要特征,实现对发电设备故障数据二维可视化,之后使用支持向量机来获取最优分类面进行诊断分析。仿真数据表明,在有用信息量损失较小的前提下,该方法可以提炼故障信息而不影响分析结果,是解决多变量高维复杂系统简便有效的一种识别方法。     

基于矩阵体积度量的二维PCA人脸识别

本文提出一种符合高维几何空间理论的矩阵体积度量分类准则用于人脸识别.基于二维PCA的人脸识别方法主要研究的是特征提取部分,对后继的分类识别研究不多.基于二维PCA的人脸识别方法中典型的分类准则是比较特征向量的欧氏距离,而新方法比较的是矩阵的体积.在ORL和AR人脸库上的实验表明,所提出的矩阵体积度量较传统距离度量分类准则更有效.     

粗糙核主元分析方法及其在故障特征提取中的应用

将粗糙集理论的属性约简与核主元分析方法结合起来,提出一种基于粗糙核主元分析的故障特征提取方法.该方法首先采用粗糙集理论的属性约简删除与分类无关或关系不大的特征,降低输入特征维数,排除干扰特征的影响,减小了特征提取计算量;然后再采用核主元分析方法进一步提取非线性特征;最后将该方法应用于轴承故障特征提取及故障识别中.应用结果表明,所提出的粗糙核主元分析方法(RKPCA)与传统的KPCA、PCA方法相比,使整个样本集的可分性变大,提高了分类正确率;同时还有效地降低了输入特征维数,提高了分类效率;并且对分类器具有较强的适应性和鲁棒性.     

AHP-模糊算法在卷烟制丝过程质量评价中的应用

目的 实现曲轴轴承盖在包装生产线上的自动分选,提高生产效率,降低企业生产成本。方法 提出一种基于机器视觉的曲轴轴承盖外形轮廓分类方法,首先等间隔提取预处理曲轴轴承盖图像的行和列,计算每行和每列所含目标像素数量,将关于图像中心对称的2列目标像素数量求和,将提取的特征依序组成对轴承盖正反摆放具有不变性的特征向量;然后采用主成分分析法,对归一化处理的特征向量进行降维;最后采用支持向量机分类。结果 实验结果表明,对样本集的特征向量提取前5个主成分,零件外形轮廓分类准确率达到99.8%。结论 文中所述方法可实现轴承盖零件的准确分类。     

PCA与SVD信号处理效果相似性与机理分析

将主成分分析(Principal Component Analysis,PCA)用于信号处理,并与奇异值分解(Singular Value Decomposition,SVD)方法比较。分析总结PCA及SVD信号处理原理,提出基于PCA的特征值差分谱理论用于信号消噪。结果表明,PCA与SVD的处理效果较相似,相似性原因为原始矩阵右奇异向量即为协方差矩阵特征向量。SVD较PCA的重构误差小,因SVD无需计算协方差矩阵,可避免舍入误差产生。     

高光谱图像技术检测柑橘果锈

高光谱图像技术作为农产品无损检测的新技术,探讨了其在柑橘外部品质检测的可行性.以检测柑橘果锈为目的,首先对经预处理的高光谱图像数据进行主成分分析,优选出571 nm、652 nm和741 nm三个特征波长组成新的图像块;再进行第二步主成分分析,得到的第三主成分图像为最适宜检测柑橘果锈的图像;最后对该图像进行中值滤波、平方根变换,阈值分割和数字形态学运算完成特征提取.试验结果表明,此算法对柑橘果锈检测的正确率可达到90%.研究表明,利用高光谱图像技术结合两步主成分分析算法检测柑橘果锈是可行的.     

Fault diagnosis in chemical processes using Fisher discriminant analysis, discriminant partial least squares, and principal component analysis

Principal component analysis (PCA) is the most commonly used dimensionality reduction technique for detecting and diagnosing faults in chemical processes. Although PCA contains certain optimality properties in terms of fault detection, and has been widely applied for fault diagnosis, it is not best suited for fault diagnosis. Discriminant partial least squares (DPLS) has been shown to improve fault diagnosis for small-scale classification problems as compared with PCA. Fisher's discriminant analysis (FDA) has advantages from a theoretical point of view. In this paper, we develop an information criterion that automatically determines the order of the dimensionality reduction for FDA and DPLS, and show that FDA and DPLS are more proficient than PCA for diagnosing faults, both theoretically and by applying these techniques to simulated data collected from the Tennessee Eastman chemical plant simulator.     

A least squares approach to principal component analysis for interval valued data

Principal Component Analysis (PCA) is a well-known technique, the aim of which is to synthesize huge amounts of numerical data by means of a low number of unobserved variables, called components. In this paper, an extension of PCA to deal with interval valued data is proposed. The method, called Midpoint Radius Principal Component Analysis (MR-PCA), recovers the underlying structure of interval valued data by using both the midpoints (or centers) and the radii (a measure of the interval width) information. In order to analyze how MR-PCA works, the results of a simulation study and two applications on chemical data are proposed.     

基于非线性 PCA的微气体传感器阵列信号处理

在线性叠加模型基础上提出了气体传感器对混合气体的非线性叠加模型,并引入了非线性主成分分析(Nonlinear Principal Component Analysis,NLPCA)法对微传感器阵列的信号进行处理。使用该模型对由4个微热板式气体传感器组成的阵列的信号进行了分析,对照基于线性叠加模型的主成分分析法(Principal Component Analysis,PCA)的识别结果,说明该方法能够提高对混合气体识别和量化的准确度。     

基于主成分分析的消光法波长选择算法

在消光法颗粒粒径测量中,被测颗粒系的消光光谱包含有颗粒粒径、折射率等信息.在可见及可见-红外波段内,对单峰R-R分布的消光光谱,一阶微分以及二阶微分消光光谱进行主成分变换.通过分析比较,提出一种基于主成分分析的特征波长的选择算法.该算法首先对一阶微分消光光谱进行主成分变换,然后将每个波长下的一阶微分消光谱对主成分贡献率的大小作为特征波长选择的主要依据,同时将光谱范围的边界波长也作为特征波长,这样的波长选择方法保证了选出的光谱消光值具有较高的信息量.文中分别对单峰及双峰R-R分布的颗粒系采用独立模式反演算法进行仿真实验验证,仿真实验证实了所提方法的有效性和实用性.     

基于贪心EM算法的HMRF遥感影像变化检测

提出一种基于贪心EM算法的HMRF遥感影像变化检测算法.该算法采取PCA与差值法相结合的方式来构造差分影像.首先,采用隐马尔可夫随机场( Hidden Markov Random Field,HMRF)模型描述空间上下文信息,并构造系统能量函数;然后,利用贪心EM算法克服EM算法假定混合成分数为已知、迭代结果过分依赖初...     

直接无监督正交局部保持特征提取算法

基于局部保持投影发展出的一系列特征提取算法,在应用于人脸识别等高维小样本问题时,均需先采用PCA算法对高维样本降维后才能应用,故此以无监督鉴别分析算法为理论基础,提出了一种直接无监督正交局部保持算法。该算法利用拉普拉斯矩阵的性质进行相应的矩阵分解,可直接从高维样本的原始空间中提取投影矩阵,因而无需先采用PCA降维处理,且解决了无监督鉴别分析算法的小样本问题。为了进一步提高算法的识别性能,给出了基于QR分解的正交投影矩阵的求解方法。人脸库和掌纹库上的实验结果表明了所提算法的有效性。     

Adaptive Fuzzy C-Means clustering in process monitoring

Quite often, quality control models fail because, e.g., the mean values are changing continuously. These kinds of changes, e.g., process drifts due to seasonal fluctuations, are common in an activated sludge waste-water treatment plant in Finland. Different Fuzzy C-Means (FCM) clustering algorithms were tested in order to cope with these kinds of seasonal effects. Firstly, a Principal Component Analysis (PCA) model was constructed in order to visualize the data set and reduce the dimensionality of the problem. Then, score values of the PCA were used in the FCM. The cluster centers represented the different process conditions (winter and summer seasons). Different algorithms were used to update the cluster centers or to give them some flexibility. The testing of different FCM algorithms was carried out by using a separate test set. The adaptive and the flexible FCM algorithms were compared to the basic non-adaptive FCM. For both cases, modifications are proposed and a simple strategy for updating the cluster centers is given.     

基于独立成分分析的掌纹识别

本文研究了独立成分分析(ICA)两种不同的结构ICA I和ICAII在掌纹识别中的应用.为了提高识别准确性和可靠性,该方法首先对掌纹图像进行预处理,提取掌纹感兴趣(ROI)区域进行特征提取和匹配.为了减少计算量,运用ICA算法之前,先采用主成分分析(PCA)算法去除掌纹图像的二阶统计特征相关性,其余的高阶统计特征由ICA分离.对于PolyU掌纹图像库,基于ICA模型的预测误差平方和(SPE)小于PCA,而且重构的原始图像优于PCA.为了比较两种算法识别性能,本丈分别用PCA、ICA I、ICAII提取特征掌纹子空间,然后将待识别图像投影到低维子空间上,最后用余弦距离进行掌纹匹配.实验结果表明,ICA算法两种结构的识别率均高于PCA,ICAII在性能上优于ICA I.