基于KPCA-HSMM设备退化状态识别与故障预测方法研究

为消除多通道观测信息冗余,压缩高维故障特征,提出基于KPCA多通道特征信息融合的HSMM设备退化状态识别与故障预测新方法.首先,对采集的单通道振动信号进行小波相关滤波处理,构造单通道振动信号的小波相关特征尺度熵向量,然后,利用KPCA方法对多通道的小波相关特征尺度熵向量进行冗余消除和特征融合,得到多通道的融合小波相关特征尺度熵向量,并以此向量作为HSMM的输入进行训练,建立基于HSMM的设备运行状态分类器与故障预测模型,从而实现设备退化状态识别与故障预测.将其应用到滚动轴承的退化状态识别与故障预测中,验证了该方法的有效性.     

建立储煤中心的KPCA-SVRM选址模型研究

通过分析目前的电煤供应现状,提出建立储煤中心来解决电煤供应瓶颈问题.运用KPCA-SVRM(基于核函数的主成分分析与支持向量回归机结合)模型进行储煤中心选址决策,综合考虑各种因素,把社会专业化分工的优越性充分发挥出来,使之在实现电力行业可持续发展的同时尽量节约能源和成本、注重效益,保持电力行业的长期、健康、协调发展.在KPCA-SVRM模型中,首先是用KPCA对影响储煤中心选址决策的各种因素进行主成分提取,然后将提取后的主成分作为SVRM的输入,通过学习和训练最终输出决策结果,最后用相关实例来说明此过程.     

Research on indoor localization algorithm based on kernel principal component analysis

An indoor localization algorithm based on kernel principal component analysis (KPCA) was proposed.It applied KPCA to train the original location fingerprint (OLF) and extract the nonlinear feature of the OLF data at the offline stage,such that the information of all AP was more efficiently utilized.At the online stage,an improved weight k-nearest neighbor algorithm for positioning which could automatically choose neighbors was proposed.The experiments were carried out in a realistic WLAN environment.The results show that the algorithm outperforms the existing methods in terms of the mean error and localization accuracy.Moreover,it requires less times of RSS acquisition and AP number.     

基于规范化KDDA的人脸识别算法

传统的PCA和LDA算法受限于“小样本问题”,且对像素的高阶相关性不敏感。论文将核函数方法与规范化LDA相结合,将原图像空间通过非线性映射变换到高维特征空间,并借助于“核技巧”在新的空间中应用鉴别分析方法。通过对ORL人脸库的大量实验表明,该方法在特征提取方面优于PCA,KPCA,LDA等其他方法,在简化分类器的同时,也可以获得高识别率。     

核主元分析及其在人脸识别中的应用

传统的基于数据二阶统计矩的特征脸法(Eigenface)或主元分析法(PCA)是一种有效的数据特征提取方法，是基于原始特征的一种线性变换。但是，当原始数据中存在非线性属性时，用主元分析法后留下的显著成分就可能不再反映这种非线性属性。而核主元分析则是基于原始数据的高阶统计量，是一种非线性变换，在图像识别中它可以描述多个像素之间的相关性。该文采用KPCA法提取人脸特征，利用线性支持向量机设计分类器，实验结果表明，基于核主元分析方法的识别正确率明显优于基于主元分析法。     

基于支持向量机和核主成分分析的车牌字符识别

给出了一种结合核主成分分析(KPCA)和支持向量机(SVM)进行车牌字符识别的新方法.该算法通过KPCA进行字符的特征提取,并利用SVM分类器完成字符的识别.实验证明,KPCA在高维空间具有较强的特征选择能力,SVM的识别率也明显高于BP神经网络.     

应用小指数多项式的KPCA+零空间人脸识别

利用小指数多项式核主分量分析(KPCA)提取人脸样本的非线性特征，提高对光照、姿态及面部表情变化的鲁棒性，构造训练样本的类内散布矩阵零空间，在此零空间内找到令类间离散度最大的投影方向，往此方向投影得到人脸样本的最优分类特征矢量。实验结果表明；该方法的识别率和对光照、姿态及面部表情变化的鲁棒性比Fisher脸方法有显著提高。     

基于统计学习理论的人脸识别方法研究

人脸识别过程中,待识别人脸图像的预处理、特征选择与提取以及分类器的选择是非常重要的。利用核主成分分析方法提取的人脸图像特征信息能较好地反映人脸特征的非线性结构信息,然后将此特征数据作为支持向量机的输入数据、结合二叉树判别策略,能够实现对多类人脸图像的分类识别。实验结果表明该方法能够取得较好的识别效果。     

基于KPCA的决策树方法及其应用

主成分分析(PCA)作为一种数据减少技术常用于构造决策树,有利于降低树的复杂度和提高分类精度,但在处理非线性问题时往往不能取得好的效果.针对上述情况,提出了一种基于核主成分分析(KPCA)的决策树方法.实验结果表明,该方法是可行的和有效的,且在分类精度、方差贡献率等方面优于基于PCA的决策树.     

基于KPCA和灰色模型的凝汽器故障预测

汽轮机凝汽器的故障预测为其故障自愈的研究提供了理论依据.提出一种基于核主元分析和灰色预测模型的汽轮机凝汽器故障预测方法,首次将灰色预测理论应用于凝汽器的故障预测.采用核主元分析法对故障特征数据进行分析和处理,提取反映故障的主要特征量,以降低特征变量之间的非线性相关性,同时减少灰色预测模型的预测参数的数目.然后应用灰色预测理论建立故障特征的预测模型,对每一个主要特征量的趋势值进行预测,重构故障特征向量,用于汽轮机凝汽器故障的预测分析.