融合FDA-PCMC样本分类的KPCA故障检测新算法

针对处理实际工业过程中提取的建模样本不纯而导致故障检测失效的问题,提出一种新的融合Fisher判别分析-可能性C-均值聚类(FDA-PCMC)的核主元分析(KPCA)故障检测算法.通过FDA特征提取、初分类和PCMC聚类相结合的方代来实现建模样本的有效分类和提纯,然后使用KPCA进行实时故障检测.对Tennessee Eastman(TE)过程的仿真研宄结果表明了该算法的可行性和有效性.     

基于特征样本的KPCA在故障诊断中的应用

核函数主元分析（KPCA）可用于非线性过程监控.建立KPCA模型首先要计算核矩阵K,K的维数等于训练样本的数量,对于大样本集,计算K很困难.对此提出一种基于特征样本的KPCA（SKPCA）,其基本思想是,首先利用非线性映射函数将输入空间映射到特征子空间,然后在特征子空间中计算主元.将SKPCA应用于监控Tennessee Eastman过程,并与基于全体样本的KPCA作比较,仿真结果显示,二者诊断结果基本相同,然而特征样本只是训练样本中的一小部分,因此减少了K的维数,解决了K的计算问题.     

近邻标准化样本核特征量驱动的间歇过程故障检测

针对间歇过程的多工况和非线性特征,提出一种基于近邻特征标准化(Nearst Neighborhood Feature Standardization,NNFS)样本的核特征量(Kernel Feature Statistics,KFS)故障检测方法。首先,将间歇过程数据按批次方向展开构成二维建模样本,计算每个样本的局部近邻,采用近邻特征实现标准化,提取多工况批次之间的正常偏差,克服Z-score标准化将多工况过程数据看作一个整体而造成的不准确问题。其次,通过核方法将经过标准化后的样本映射到高维空间,在核空间建立监视模型,计算特征量,并提出采用方差分析(variance,VAR)方法确定核参数,通过核密度估计法确定统计控制限。最后,在青霉素发酵过程进行仿真研究,通过比较表明了所提方法的有效性。     

基于KPCA和CPSO的故障检测方法

提出一种基于核主元分析(KPCA)和混沌粒子优化群(CPSO)算法的非线性故障检测方法。通过核函数完成非线性变换,将变量由非线性的输入空间转换到线性的特征空间来计算主元,构造平方预测误差统计量检测故障是否发生。为避免粒子群算法的早熟现象,利用混沌优化的搜索特性,将CPSO算法应用到KPCA核参数的优化中。变压器故障检测结果表明,与基于PCA、KPCA和 PSO-KPCA的故障检测方法相比,该方法的检测正确率较高。     

基于KPCA的监控系统传感器异常诊断方法

针对监控系统数据异常时,故障检测准确性不高的问题,提出一种基于监控系统传感器异常的核主元分析(KPCA)检测方法.利用平方预报误差(SPE)统计量和均方贡献值法进行故障检测和故障源的定位,改善了主元分析(PCA)应用于非线性系统故障检测准确性低的问题.分别利用基于KPCA和PCA的故障检测模型进行仿真比较.实验结果表明:KPCA提高了非线性监控系统传感器异常诊断的准确性.     

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.     

一种基于数据重构的KPCA故障识别方法

针对核主元分析(KPCA)方法只能实现故障检测,但无法实现故障变量识别的问题,提出一种基于数据重构的KPCA故障变量识别方法。采用改进的数据重构方法对各参数进行重构,然后利用故障识别指数对监控参数进行故障变量识别。通过对某型涡扇发动机进行实验的结果表明,该方法能够准确识别故障变量,从而有助于维护人员分析故障原因,初步确定可能的故障源,大大缩短故障定位及排故的时间,可预防重大事故的发生。     

基于故障检测率的主元个数确定方法

主元个数是PCA模型的关键参数,其选取直接决定PCA的故障诊断性能;针对传统主元个数选取方法主观性较大,且不考虑故障诊断要求的缺点,提出一种改进的主元个数确定方法;该方法将传统的累积方差贡献率与故障检测率相结合,首先利用累积方差贡献率初步确定主元个数,然后确定满足故障检测率要求的主元个数,将两个主元个数进行比较,从而获得最佳主元个数;与单纯累积方差贡献率方法相比,提高了主元模型的精度,减少了以往方法中人为因素的影响;通过对卫星控制系统的故障检测,证实了该方法可大大提高故障检测准确率。     

基于稀疏动态主元分析的故障检测方法

本文将动态主元分析(Dynamic Principal Component Analysis, DPCA)和稀疏主元分析(Sparse Principal Component Analysis, SPCA)两种方法结合起来,提出一种新的稀疏动态主元分析方法,并将其用于工业过程的故障检测。所提出的稀疏动态主元分析方法通过对过程数据的动态增广矩阵进行稀疏主元的求解,获取稀疏的负荷向量,该方法既考虑到了过程数据的动态特性,又降低了过程数据的冗余度,同时降低了计算负荷,非常适合工业过程的实时故障检测。此外,本文还提出了一种前向选择算法,用于确定稀疏主元中的非零负荷数目。最后,将所提出方法应用于数值例子和田纳西-伊斯曼过程,并将与主元分析、动态主元分析和稀疏主元分析等三种方法相比较,表明所提方法可以获得更好的故障检测效果。     

基于PCA的滚动轴承故障检测方法

针对滚动轴承故障检测数据处理的问题,由于机械轴承损坏引起机器的故障,为保障安全,要进行检测.现提出了一种主元分析PCA与统计相结合的方法.首先介绍了基于PCA的滚动轴承故障检测方法的相关理论知识,利用PCA算法将滚动轴承振动信号数据建立模型,并将降维后获得的数据用统计方法即T2和SPE进行处理,从而检测出轴承故障.为了研究上述方法对不同情况下滚动轴承的故障检测效果,选取不同直径、不同采样频率、不同转速、不同负载四种情况下的故障进行实验.实验结果表明,方法能较好地分辨出轴承的正常和故障状态,可以较好地解决滚动轴承故障检测数据处理的问题.     

对称核主成分分析及其在人脸识别中的应用

核主成分分析(KPCA)没有充分利用人脸的对称性特征,在人脸识别中缺少训练样本,致使其识别率较低。为此,提出一种对称KPCA算法。利用人脸的镜像对称性,通过对训练样本进行镜像变换,得到奇对称样本和偶对称样本,分别提取各奇/偶对称样本的特征分量,使用最近邻距离分类器完成分类。实验结果表明,该算法能扩大样本容量,当多项式阶数为2时,该算法的识别率高于KPCA算法,识别时间短于KPCA算法。     

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。     

基于相似度的核主元分析方法及其应用研究

常规核主元分析(KPCA)方法在对大样本数据分析建模时,存在运算复杂度高、建模时间长以及所需存储空间大等缺点.为此,提出一种基于相似度函数的快速核主元分析(SF-KPCA)方法.建立大样本数据间的相似度函数矩阵,分析数据样本间的相似程度,剔除冗余数据,再利用优化数据样本建立核主元分析模型,对数据样本进行分析.将SF-K...     

单向阀的小波包核主元分析故障检测

高压活塞隔膜泵是管道输送的最重要动力源,为了解决其内部单向阀故障的在线监测问题,提出一种基于声发射信号的小波包时频及核主元分析(KPCA)的检测方法。首先采用小波包对声发射数据进行处理,求出信号各频率段的能量值;然后采用KPCA方法对能量值在高维空间进行分解建立特征模型,利用特征模型中的SPE和T2统计量对故障信号进行检测;最后对GEHO型隔膜泵单向阀的声发射数据进行实验验证。通过与主元分析方法的比对,表明所提方法能够快速、准确地对单向阀故障进行在线检测,在高压活塞隔膜泵无损故障检测领域具有良好的应用前景。     

基于混合PCA和KFD的多级说话人确认

提出一种基于混合主成分分析(PCA)分类器和核Fisher判别(KFD)的多级说话人确认方法。利用PCA对注册说话人的特征向量进行降维,根据转换矩阵得到说话人特征向量的主成分空间和截断误差空间,结合这2个空间构造混合PCA分类器,用于快速判断最有可能的R个目标说话人,并采用KFD寻找最终目标说话人。仿真实验结果验证了该方法的有效性。     

一种快速核特征提取方法及其应用

针对核主成分分析方法（KPCA）存在大样本集的核矩阵K计算困难问题,提出一种基于分块特征向量选择的快速核主成分分析方法。采用分块特征向量选择方法提取样本子集,用样本子集建立KPCA模型。将该方法应用于某化工过程的特征信息提取,并与全体样本的KPCA相比较。实验结果表明,两者特征提取的有效性相当,但新方法在建模和特征提取过程所耗费的时间较少。     

基于LMP和KPCA的人脸识别

提出一种基于拉普拉斯矩阵投影变换和核主成分分析的人脸图像识别方法。对人脸图像做拉普拉斯矩阵变换,通过核主成分分析提取特征,再利用最近邻分类器进行分类。拉普拉斯矩阵变换在保持人脸图像的局部特性的前提下,有效地降低了图像维数。在ORL数据库上的实验表明,进行拉普拉斯矩阵变换后人脸识别精度相差不大,但计算量得到减少。     

基于核熵成分分析的数据降维?

针对高维数据的维灾问题,采用核熵成分分析方法降维数据,并与主成分分析及核主成分分析方法进行对比。降维后的数据利用支持向量机算法进行分类,以验证算法有效性。实验结果表明,KECA在较低的维数时仍然能获得较好的分类精度,可以减少后续的处理复杂度和运行时间,适用于机器学习、模式识别等领域。     

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。     

基于特征选择和TrAdaBoost的跨项目缺陷预测方法

跨项目软件缺陷预测可以解决预测项目中训练数据较少的问题,然而源项目和目标项目通常会有较大的数据分布差异,这降低了预测性能。针对该问题,提出了一种基于特征选择和TrAdaBoost的跨项目缺陷预测方法（CPDP-FSTr）。首先,在特征选择阶段,采用核主成分分析法（KPCA）删除源项目中的冗余数据;然后,根据源项目和目标项目的属性特征分布,按距离选出与目标项目分布最接近的候选源项目数据;最后,在实例迁移阶段,通过采用评估因子改进的TrAdaBoost方法,在源项目中找出与目标项目中少量有标签实例分布相近的实例,并建立缺陷预测模型。以F1作为评价指标,与基于特征聚类和TrAdaBoost的跨项目软件缺陷预测（FeCTrA）方法以及基于多核集成学习的跨项目软件缺陷预测（CMKEL）方法相比,CPDP-FSTr的预测性能在AEEEM数据集上分别提高了5.84%、105.42%,在NASA数据集上分别提高了5.25%、85.97%,且其两过程特征选择优于单一特征选择过程。实验结果表明,当源项目特征选择比例和目标项目有类标实例比例分别为60%、20%时,所提CPDP-FSTr能取得较好的预测性能。