PCA-SVM在模拟电路故障诊断中的应用

主元分析法(PCA)通过提取故障样本集的主元得到降维的特征空间,利于故障特征提取;支持向量机(SVM)应用于故障诊断时具有良好分类性能;结合两者优点,提出了基于PCA特征提取和SVM相结合的模拟电路故障诊断识别新方法:对电路输出响应信号进行PCA处理,提取故障特征的主成分,然后利用多类SVM对故障模式进行分类决策,实现故障诊断;仿真实验结果表明,该方法能够实现模拟电路故障的快速检测与故障定位,具有速度快、精度高、鲁棒性好的特点。     

基于主成分分析和模糊综合的入侵检测

基于当前多分类器融合的入侵检测系统检测性能、训练时间和检测时间等问题,本文提出了利用主成分分析和模糊综合的入侵检测方法。该方法利用主成分分析在特征提取上的优势,首先利用基于总体协方差的PCA和基于总类内散布矩阵的PCA的两种主成分分析方法提取入侵特征;然后通过KNN分类器给出初步的识别结果,依据两个分类器存在的互补性,将此识别结果采用模糊综合方法进行融合,得出最终识别结果。利用KDDCUP’99的标准入侵检测数据集进行实验,实验结果验证了该方法的有效性。该方法提高了入侵检测的整体性能,降低了训练时间和检测时间。     

联合循环平稳特征PCA与XGBoost的频谱感知

针对低信噪比条件下主用户信号检测概率低的问题,提出一种基于循环平稳特征主成分分析与极限梯度提升算法(eXtreme Gradient Boosting,XGBoost)的主用户信号频谱感知算法。在信号各循环频率不为零值的情况下,提取能量最大的信号循环谱,通过PCA对循环谱特征进行降维处理,生成训练样本和测试样本。利用训练完成的XGBoost算法对待检测的信号进行分类,实现主用户信号是否存在检测。实验结果表明:与支持向量机算法、随机森林算法和传统循环谱算法相比较,该算法在低信噪比和低虚警率情况下具有更优的检测性能。     

基于SOM 特性和PCA 索引的三维运动检索

提出了一种基于自组织特征映射(SOM)和PCA 索引的三维运动数据检索方法.首先利用每一个运动序列来进行拓扑特性加强的SOM 的学习,其运动特性被映射到一个主曲面,然后利用主成分分析方法(PCA)提取主曲面的主成分来建立一个基于主成分的索引机制,加快检索速率.SOM 的引入避免了与原始数据的直接接触,后续的工作只是在主曲面的基础上展开,消除了不同骨架长度的位置信息对运动特性的影响.实验结果表明了算法的有效性.     

基于声音的纸张柔软度检测方法研究

针对当前纸张柔软度检测仪器,存在量程小、适用对象少的问题;提出一种根据纸张声音能量特征的差异,采用击点能量法和主成分分析法(PCA),实现对纸张柔软度进行分级的方法;击点能量法给出待测对象柔软度的参考值;对不同柔软度纸张声音信号分帧,求取每帧的能量,利用PCA获取特征互不相关的训练集,在此基础上建立特征矩阵,然后根据方差最小原则判断待测纸张样本的柔软度级别;实验表明,该方法能将同型号打印纸的柔软度分为5级,正确率达到100%。     

基于多重特征提取的战场车辆声目标识别

战场上车辆声音信号的构成非常复杂,采用单一的特征很难全面反映其特点,提取多种特征来构成特征向量就显得非常重要.应用改进的横虚警率检测(CFAR)算法对车辆声信号进行了分离,得到了数据的有效部分;提取了谐波集,Mel倒谱系数(MFCC)和小波能量3种特征,并应用主成分分析(PCA)方法对特征集进行了降维融合处理.实验结果表明:3种特征融合后的分类性能要好于单一特征,目标的识别率能够达到90%以上.     

基于局部模式的癫痫脑电信号自动分类方法

为有效地检测脑电图(EEG)中的癫痫信号,设计一维局部三值模式(1D-LTP)算子提取信号特征,并结合主成分分析(PCA)和极限学习机(ELM)对特征进行分类。通过1D-LTP算子计算信号点的顶层模式和底层模式下的特征变换码以准确滤除干扰信号,并对变换码直方图PCA降维后采用ELM进行分类,以10折交叉验证评估分类性能。实验结果表明,该方法能有效识别在癫痫发作期的EEG信号,其准确率可达99.79%。     

基于步态能量图像和2维主成分分析的步态识别方法

为了快速有效地进行步态识别,针对步态能量图像能够表征步态信息和2维主成分分析能快速降维的特点,提出了一种基于步态能量图像和2维主成分分析的步态识别方法.该方法首先应用背景减除法分割出人体轮廓;然后通过人体宽高比的相关信号确定运动周期,再对二值周期序列进行步态能量图像(GEI)合成;最后运用行列相结合的2维主成分分析((2D)~2PCA)方法与加权的2维主成分分析(W(2D)~2PCA)方法提取特征主向量,并采用最近邻分类器进行分类.实验结果表明,该步态识别方法可以有效降低前期处理对分类识别的影响,而且对于3种不同行走状态的CASIA数据库巾多个视角下拍摄的步态图像可取得很好的识别效果.     

基于PCA和SVM的管道腐蚀超声内检测

为了有效地对不同深度的局部腐蚀缺陷超声波信号进行分类识别,根据腐蚀缺陷信号样本数量较少的特点,提出了一种基于主成分分析(PCA)和支持向量机(SVM)的超声波腐蚀缺陷信号识别方法.该方法采用经验模态分解法对腐蚀缺陷信号进行分解,提取各本征模式分量的时域无量纲参数,利用主成分分析消除原始特征集中的冗余信息,降低每一个特征之间的相关性,实现腐蚀缺陷信号特征参数的降维.在PCA进行特征优化后,将支持向量机的多类分类应用于缺陷分类过程中.将腐蚀缺陷原始特征集和经主成分分析优化后的特征集,分别用于支持向量机的训练和测试,且选择不同的核函数构造支持向量机分类器.实验结果表明,基于主成分分析和支持向量机的方法可以有效地对超声波腐蚀缺陷深度信号分类.     

基于主成分分析的超声人脸识别算法研究

针对超声波探测人脸识别系统中多通道探测模式,从数据融合的角度对特征进行了优化,研究了基于主成分分析(principal components analysis,PCA)的数据降维和人脸特征提取算法.利用该算法对100人的自由表情样本进行特征提取,在保证识别率超过80％前提下,可显著降低特征向量的维数达80％以上,提高系统速度85％以上.实验结果表明,PCA算法能有效降低特征数据的维数,提高运算速度.     

基于超声检测的构件层间粘接缺陷识别方法

超声无损检测广泛用于检测界面粘接缺陷,然而粘接缺陷类型的识别一直是检测的难点.因此提出了一种基于多特征融合和主成分分析提取界面粘接状况回波信号特征的方法.首先通过对缺陷信号回波进行消噪处理,提取了缺陷信号时域和时频域的特征参数,并构成联合特征向量.随后,经过主成分分析消除联合特征向量的冗余信息并降低特征向量之间的相关性,实现降维,选取累计贡献率超过95％的主成分作为粘接类型的融合特征向量.最后用BP神经网络实现缺陷类型识别分类.实验结果表明,这种方法可以有效地识别出粘接缺陷类型,识别率优于单独时频域特征提取方法,为粘接缺陷的分类识别和无损评价提供了技术参考.     

基于多尺度核主元分析的非线性过程监控方法研究

针对化工过程数据的多尺度性和非线性特性,提出了一种多尺度核主元分析方法(MSKPCA)监控过程的运行状态。使用小波变换在不同尺度下分解测量信号．然后借助于核函数对分解后的数据进行非线性变换,在变换后的线性空间中用主元分析(PCA)提取过程数据的主要特征,构造监控统计量T2和Q来检测故障。在此基础上,提出了一种贡献图方法．计算过程变量对故障的贡献量,用于故障变量的分离。在TE过程上的监控结果表明,MSKPCA可以比PCA和动态PCA更迅速地检测到过程故障,贡献图方法能够正确地分离故障变量。     

基于主元分析得分重构差分的故障检测策略

基于主元分析(PCA)的统计过程控制方法通常假设数据的生成过程是独立同分布的.当数据存在多模态结构或过程变量非线性相关时, PCA方法的故障检测性能将受到影响.针对上述问题,本文提出一种基于PCA得分重构差分的故障检测策略.首先,应用PCA将输入空间分解为主元子空间和残差子空间;接下来,应用k近邻(k NN)规则重构当前样本得分向量并计算样本的得分重构差分向量;最后,计算得分重构差分向量的统计值并进行故障检测.本文方法不仅可以降低数据多模态和变量非线性相关等特征对过程故障检测的影响,同时可以降低统计量的自相关性、提高过程故障检测率.将本文方法在两个模拟例子和田纳西–伊斯曼(TE)过程中进行测试,并与PCA、核主元分析(KPCA)、动态主元分析(DPCA)和k最近邻故障检测(FD–k NN)方法进行对比分析,测试结果证明了本文方法的有效性.     

小波包能量谱-稀疏核主元在故障检测中的应用

针对滚动轴承故障检测的问题,提出一种基于小波包能量谱-稀疏核主元的滚动轴承故障检测方法。对振动信号进行小波包分解,提取信号的能量频谱,用增量式样本基构造方法,提取能量频谱的样本基,以此样本基建立核主元模型,来分析轴承振动信号能量频谱的变化。通过实验仿真来说明此算法的有效性。     

Online signature verification based on null component analysis and principal component analysis

This paper describes a method for stroke-based online signature verification using null component analysis (NCA) and principal component analysis (PCA). After the segmentation and flexible matching of the signature, we extract stable segments from each reference signature in order that the segment sequences have the same length. The reference set of feature vectors are transformed and separated into null components (NCs) and principal components (PCs) by K-L transform. Online signature verification is a special two-category classification problem and there is not a single available forgery set in an actual system. Therefore, it is different from the typical application of PCA in pattern recognition that both NCA and PCA are used to respectively analyze stable and unstable components of genuine reference set. Experiments on a data set containing a total 1,410 signatures of 94 signers show that the NCA/PCA-based online signature verification method can achieve better results. The best result yields an equal error rate of 1.9%.     

串脉冲超声导波断轨检测技术研究

针对传统的钢轨断轨检测效率低、无法进行实时检测的不足,对串脉冲超声导波断轨检测方法进行了研究.首先为了增强发射能量,同时达到脉冲叠加的目的,研发了脉冲个数、脉宽、间隔均可调的高压串脉冲超声导波发射系统;为了保证接收信号的信噪比和空间精度,用匹配滤波的方法对接收信号进行脉冲压缩.采用研制的串脉冲超声导波断轨检测系统,选用SH导波换能器在钢轨上进行了检测实验.结果表明,检测系统性能稳定,经过串脉冲叠加,使接收信号的幅值约为单脉冲接收信号的3倍,经过匹配滤波后,信噪比得到明显提升.该方法的换能器置于轨腰,能够对钢轨实现在线监测.     

Adaptive PCA transforms with geometric morphological grouping for image noise removal

This paper presents a novel approach of image noise removal via integrating geometric morphological patch grouping and adaptive principal component analysis (PCA) transform domain choosing. Image noise removal based on PCA has acquired much attention and success because of the essential difference: the energy of signal concentrates on the small subset of PCA transformed dataset, while the energy of noise evenly spreads over the whole data set. In this paper, the noisy image will be firstly decomposed into overlap patches that contain different content and structure information. However, some of them potentially have similar geometric morphology. So, their gradient map is utilized to compute the dominant orientation of gradient field to group these geometric morphology patches. Such a grouping procedure guarantees that only similar patches are used to perform hard thresholding on the coefficients to remove the noise. Furthermore, as the result and effect of feature extraction are different in different transform domain, a proper one could be adaptively chosen for different types. Finally, a comprehensive empirical evaluation of the proposed method is carried out in terms of accuracy and visuality, and the results reveal that our method appears to be competitive with the state-of-the-art noise removal methods.     

基于稀疏导波的裂纹定位和尺寸评估

材料在使用过程中,受各种因素的影响,会不可避免地产生诸多损伤,破坏材料结构完整性的同时,也具有一定的安全隐患;在无损检测中,尤其是导波检测领域,由于缺乏高效方法对材料结构中存在的损伤进行尺寸检测,因此使用导波方法对材料进行微裂缝等损伤的检测的过程中仍然存在很多困难;对一种基于稀疏导波的损伤检测方法进行了研究,可以在进行结构损伤定位的同时对损伤尺寸进行测量;研究表明,使用导波进行损伤检测时,由损伤而产生的复杂反射波中包括很多与损伤形状和尺寸相关的信息,但是这些信息并不明显,且信号重叠无法区分;因此,提出一种稀疏lamb波方法来分解由材料损伤产生的反射信号的各个分量;在此基础上,通过确定各个反射信号分量相应的传播时间来计算材料损伤尺寸;最后,在具有人工损伤的铝板上进行实验验证,结果表明,基于稀疏导波损伤检测的方法是可行的。     

基于\begin{document}$ \pmb k $\end{document}近邻主元得分差分的故障检测策略

针对具有非线性和多模态特征过程的故障检测问题, 本文提出一种基于k近邻主元得分差分的故障检测策略.首先, 通过主元分析(Principal component analysis, PCA)方法计算样本的真实得分.然后, 应用样本的k近邻均值计算样本估计得分.接下来, 通过上述两种得分计算样本的得分差分矩阵和残差矩阵, 其中残差矩阵由样本的估计得分计算得到,这区别于传统方法.最后, 在差分子空间和残差子空间中分别建立新的统计指标进行故障检测.值得注意的是本文的得分差分方法能够消除数据结构对过程故障检测的影响, 同时, 新的统计量能够提高过程的故障检测率.将本文方法在两个模拟例子和Tennessee Eastman (TE)过程中进行测试, 并与传统方法如PCA、KPCA、DPCA和~FD-kNN等进行对比分析, 测试结果证明了本文方法的有效性.