基于核学习的入侵检测改进方法

针对入侵检测中部分攻击类型检测率低的问题,提出一种基于核学习的入侵检测改进方法。采用核主成分分析(KPCA)对入侵检测中的高维非线性结构数据集进行数据预处理,通过支持向量数据描述(SVDD)构造分类器,对预处理后的数据进行分类。实验结果表明,与已有方法相比,改进方法的检测精度较高、漏检率较低。     

基于双决策子空间和神经网络的人脸表情识别

提出了一种新的基于双决策子空间和径向基函数（RBF）神经网络的人脸表情识别方法。该方法首先采用KPCA+ FLD算法在双决策子空间（核空间和值域空间）中进行决策分析,提取两类判决特征信息：非常规信息和常规信息,并按一定的规则融合这两类判决信息;再运用RBF神经网络分类器和融合特征信息进行人脸表情的分类识别。基于日本女性表情数据库JAFFE的实验结果表明,它是一种有效的人脸表情识别方法。     

Study on planetary gear fault diagnosis based on entropy feature fusion of ensemble empirical mode decomposition

Because planetary gear is characterized by its small size, light weight and large transmission ratio, it is widely used in large-scale, low-speed and heavy-duty mechanical systems. Therefore, the fault diagnosis of planetary gear is a key to ensure the safe and reliable operation of such mechanical equipment. A fault diagnosis method of planetary gear based on the entropy feature fusion of ensemble empirical mode decomposition (EEMD) is proposed. The intrinsic mode functions (IMFs) with small modal aliasing are obtained by EEMD, and the original feature set is composed of various entropy features of each IMF. To address the insensitive features in the original feature set and the excessive feature dimension, kernel principal component analysis (KPCA) is used to process the original feature set. Kernel principal component extraction and feature dimension reduction are performed. The fault diagnosis of planetary gear is eventually realized by applying the extracted kernel principal components and learning vector quantization (LVQ) neural network. The experiments under different operation conditions are carried out, and the experimental results indicate that the proposed method is capable of extracting the sensitive features and recognizing the fault statuses. The overall recognition rate reaches to 96% when the motor output frequency is 45 Hz and the load is 13.5 N m, and the fault recognition rates of the normal gear, the gear with one missing tooth and the broken gear can reach to 100%. The recognition rates of different fault gears under other operation conditions also can achieve better results. Thus, the proposed method is effective for the diagnosis of planetary gear faults.     

基于KPCA-SVC的复杂过程故障诊断

本文提出了一种将核主元分析方法与支持向量机分类相结合进行故障诊断的方法,运用该方法对连续搅拌釜式反应器（CSTR）进行实时的故障诊断,实验结果表明KPCA-SVC故障诊断方法既充分利用了KPCA的特征提取能力和SVC的良好的分类能力,又避免了复杂的计算,有利于提高故障诊断模型的实时性。     

一种融合KPCA和BP神经网络的用水总量预测方法

针对影响用水总量的相关用水因子的不确定性和非线性多维特点,论文研究并提出了一种融合KPCA和思维优化BP神经网络的用水总量预测方法。首先运用相关系数法确定预测因子,然后利用核主成分分析（KPCA）对所述预测因子进行降维处理,解决数据之间的非线性特征,最后采用BP神经网络建立用水总量预测模型,同时采用思维进化学习算法优化BP神经网络的权值和阈值。该方法在国家统计局的2007-2016年度开放统计用水数据中实验,通过实验比较,该模型的相对预测误差小于5%,结果表明,融合 KPCA和思维优化BP神经网络的用水总量预测模型能很好的预测未来用水总量。     

基于KPCA-FSVM的液压泵可靠性寿命分布识别

为了准确快速识别出液压泵的可靠性寿命分布模型,提出了一种基于核主元分析和模糊支持向量机的可靠性寿命分布模型识别方法。该方法充分利用核主元分析非线性特征提取的优势和模糊支持向量机良好的分类能力,建立了适合可靠性寿命分布识别的模糊支持向量机模型,并将其应用于液压泵可靠性寿命分布模型识别。仿真实验结果表明,该模型能够降低计算的复杂度,具有良好的泛化能力,能够准确地识别出液压泵无故障工作时间数据所属的寿命分布类型。     

基于图像处理技术与支持向量机的鱼龄识别

采用图像处理技术,提出了一种基于核主成分分析(KPCA)与支持向量机(SVM)的鱼年龄自动识别新方法。首先通过KPCA提取鱼的耳石图像的主元,然后用SVM对鱼的年龄进行学习、识别和预测。实验表明,该方法取得了较好的效果。     

基于KPCA和T-S模糊神经网络的煤与瓦斯突出的预测

应用核主成分分析（KPCA）和T-S模糊神经网络方法对煤与瓦斯突出进行快速、精准预测。利用KPCA对实验样本数据中的多种煤与瓦斯致突因素进行降维,简化问题的复杂度,将选取的累计贡献率大于 90%的4个主成分作为T-S模糊神经网络的输入参数,煤与瓦斯突出强度作为输出参数。利用实测数据进行验证,并与BP神经网络预测模型、T-S模糊神经网络预测模型的预测结果进行比较。结果表明,该方法建立的预测模型准确性、有效性更高,收敛时间短,适用于煤与瓦斯突出预测。     

基于KPCA和FMSD的人脸识别

针对核最大散度差(KMSD)方法在人脸识别中存在边缘类和次优性问题,提出一种基于核主成分分析(KPCA)与模糊最大散度差(FMSD)的人脸识别方法(KFMSD)。利用KPCA方法提取人脸的非线性结构特征,选取投影后类间散度大于类内散度的特征向量作为最优投影轴,采用FMSD方法,根据隶属度函数将样本的原始分布信息完全融入人脸的特征提取中,采用最近邻分类器进行分类识别。在ORL和YALE人脸库上的实验证明了KFMSD方法的有效性。     

基于核主元分析与神经网络的传感器故障诊断新方法

提出综合利用核函数主元分析(KPCA)和神经网络的方法实现非线性系统内传感器故障的检测和识别,克服了以往核函数主元分析法只能给出故障检测结果,却无法对故障进行识别的缺陷,并给出了在特征空间中计算残差的简单方法.最后,对一个简单的多变量过程进行了故障检测和识别,验证了这一诊断策略的有效性.