基于核独立成分分析的人脸识别研究

在人脸识别中提出一种基于非线性子空间的核独立成分分析(KICA)方法。在简单介绍了ICA方法的基础上,对KICA方法的基本原理和算法作了较为详细的描述。为了验证基于KICA和ICA的人脸识别方法的识别效果,进行了对比实验和分析。实验和分析结果表明,在人脸识别中,基于KICA的方法优于基于ICA的方法。     

基于核独立成分分析和BP网络的人脸识别

用基于非线性子空间的核独立成分分析方法（KICA）对人脸图像进行特征提取,用三层的BP网络作为分类器,对人脸进行识别。在简单介绍基本的独立成分分析（ICA）的基本原理的基础上,对KICA的原理和算法作了详细的描述,并详细介绍了三层BP网络的设计。最后为了验证KICA+BP网络的效果,进行对比实验和分析。实验和分析的结果表明,在人脸识别中,该方法的效果明显好于其它方法。     

KICA模式匹配的动态过程监控与故障诊断方法

针对复杂化工过程具有的非线性、非高斯性和动态特征,提出了基于核独立成分分析(KICA)的模式匹配方法,用于动态过程监控和诊断。首先,利用滑动窗建立基准集与测试集的KICA模型,提取各自的核独立元:其次,融合余弦函数绝对值度量和距离度量,提出新的不相似度监控指标,识别训练与测试操作期间的相似模式,进行故障检测:最后,基于两类数据的核子空间之间的差异子空间,获得每个过程变量方向与该差异子空间之间的互信息,并定义新的非线性非高斯贡献度指标,进行故障诊断。基于污水处理过程的仿真结果表明,与主成分分析不相似度因子的方法、标准的独立成分分析(ICA)统计指标方法及标准的ICA T~2/SPE指标融合的贡献度方法相比,本文提出的方法具有更好的检测能力与故障诊断效果。     

核独立成分分析在图像处理中的应用*

简要介绍了盲源分离技术和独立成分分析的基本思想.阐述和讨论了核函数和核独立成分分析(KICA)的基本原理,详细介绍了基于核典型相关性分析的核独立成分分析的基本算法.用KICA对一维混合信号的分离进行了模拟实验,目的是验证KICA的优越性能.之后通过实验分别讲述了KICA在自然图像和遥感影像处理的应用.最后指出了ICA所固有的分离结果的序号和幅度不确定性的问题.实验表明,KICA能够很好地分离混合图像,而且经处理的遥感影像能够更清晰地反映地表情况.     

基数比较法—高效的信息表求核方法

目前的求核方法大多基于决策表,基于信息表的报道不多。为此,先寻找理论依据,说明了U/C与U/（C-{a}）的内在关系,证明了U/（C-{a}）≠U/C与真细分的等价性,证明了可以通过比较等价类和它子类的基数来判断是否真细分。然后基于最高位优先基数排序思想,应用正整数有序分拆特性定义了一个用于记录和比较等价类基数的数组,接着设计了一个信息表求核算法,时间复杂度为O（|C|2|U|）,空间复杂度为O（|U|）。算法的主要贡献是将求核问题转化为等价类生成过程中的集合基数比较问题。通过实例验证了算法的正确性。     

KICR在转炉炼钢终点温度预测中的应用

转炉终点温度是决定钢质量的关键因素,在炼钢的恶劣环境中难以检测.建立了基于核独立元回归(KICR)方法的终点温度的预测模型.将核独立元分析(KICA)与回归分析相结合,利用KICA方法提取输入数据矩阵的独立元(KIC)矩阵;分别以KIC、实值矩阵为自变量和因变量进行训练,求取最小二乘回归(LSR)系数建立预测模型.工业现场生产数据仿真结果表明:与PCR,PLSR和ICR等预测模型相比,基于KICR的转炉终点温度预测模型,预测精度高、跟踪性能较好,可为实际生产中的终点控制提供参考,提高生产效益.     

基于核独立成分分析的声信号去噪方法

野外环境无线传感侦查网络中的声识别技术面临着复杂的自然环境噪声的挑战,尤其是由强风噪声造成的影响.独立成分分析(ICA)方法是一种能够较好地解决这种复杂环境去噪的方法.引入一种基于核方法的非线性ICA方法一核独立成分分析(KICA).基于该算法,针对强风噪声的特性,设计一种应用于单声传感器降噪的方案.通过降噪仿真实验,...     

基于KECA和FWA-SVM的间歇过程分时段故障诊断方法

针对间歇过程的高度复杂性、强非线性、强时段性等特点,提出一种基于核熵成分分析（KECA）特征变量降维,利用烟花算法（FWA）优化支持向量机（SVM）参数的间歇过程分时段故障诊断方法。首先,通过多向核主元分析（MKPCA）进行在线故障监测,输出故障数据;其次,利用K-means分类方法将间歇过程划分为若干个子时段,对故障数据进行KECA特征变量处理,按熵值贡献率来确定选取主元的个数,深层提取特征信息;最后,在各子时段内分别构建FWA优化SVM参数故障诊断模型,将降维处理后的故障数据代入各自所属子时段FWA-SVM诊断模型内进行故障诊断。通过对青霉素仿真实验数据进行各种对比实验研究,验证了该方法的可行性与有效性。     

核独立成分分析在fMRI数据中的应用

介绍了一种全新的功能核磁共振数据（fMRI）分析方法即核独立成分分析方法,它是核方法与典型相关分析方法的综合运用。将Bach和Jordan提出的核独立成分分析方法应用于功能核磁共振成像数据分析,并基于实验所得的时间序列与参考函数的相关系数的大小,比较了该方法与经典的成分分析方法-主成分分析（PCA）方法与快速不动点算法（FastICA）的实验结果。结果表明,对fMRI数据而言,核独立成分分析方法和FastICA算法要优于PCA算法。     

基于改进FOA算法优化WKELM的医疗滚动轴承故障诊断技术研究

针对传统小波核极限学习机（Extreme Learning Machine-ELM）应用于医疗滚动轴承故障诊断中识别精度不高且训练速度慢的一系列问题的出现,并针对性的想出一种更好的对滚动转轴发生的故障进行识别的办法,通过对小波核极限学习机算法进行改进的方法。该方法运用改进果蝇算法（LGMS-Fruit-flying Optimization Algorithm, LGMS-FOA）优化小波核极限学习机中的正则化系数和小波核函数中的参数。采用的方法是变分模态分解（Variational Mode Decomposition-VMD）,通过这种方法能够对滚动轴承的故障信号分解为含有故障信息的各模态分量从而提取到故障特征。通过与其他三种算法的实验结果对比证明,基于LGMS-FOA-WKELM的滚动轴承故障诊断方法的识别精度更高且训练时间更短。     

A method for condition monitoring and fault diagnosis in electromechanical system

Condition monitoring of electrical machines has received considerable attention in recent years. Many monitoring techniques have been proposed for electrical machine fault detection and localization. In this paper, the feasibility of using a nonlinear feature extraction method noted as Kernel independent component analysis (KICA) is studied and it is applied in self-organizing map to classify the faults of induction motor. In nonlinear feature extraction, we employed independent component analysis (ICA) procedure and adopted the kernel trick to nonlinearly map the Gaussian chirplet distributions into a feature space. First, the adaptive Gaussian chirplet distributions are mapped into an implicit feature space by the kernel trick, and then ICA is performed to extract nonlinear independent components of the Gaussian chirplet distributions. A thorough laboratory study shows that the diagnostic methods provide accurate diagnosis, high sensitivity with respect to faults, and good diagnostic resolution.     

基于增量式最大方差展开的水下控制系统故障诊断

对于复杂工业系统的故障诊断,由于非线性的存在,使得利用核函数的多元统计方法存在因核函数选择不同导致诊断结果不同的问题.本文采用最大方差展开的方法,作为一种流形学习方法,该方法在处理非线性数据时通过学习确定核矩阵,因而无需人为选择核函数.针对该方法难以对新增数据进行处理,本文提出了最大方差展开的增量式改进方法,利用正常样本进行学习建模,对检测样本通过增量的方式降维构造出低维空间,在该空间中构造监控统计量来完成故障的检测.最后,本文将该方法应用在水下控制系统的故障诊断中,通过仿真分析验证了该方法应用的有效性.     

基于核独立成分分析的盲源信号分离

独立成分分析(ICA)已经广泛用于盲源信号的分离(BSS)。论文介绍了基于核空间的ICA的原理和基本算法,然后介绍了该算法与典型ICA和主成分分析(PCA)在盲源信号分离中的比较。实验表明在盲源信号分离中,基于核空间的ICA与其他典型ICA和PCA算法相比更具有准确性和鲁棒性。     

基于BO-DKELM的滚动轴承故障诊断

滚动轴承作为旋转机械中的必需元件,其任何故障都可能导致机器乃至整个系统发生故障,从而导致巨大的经济损失和时间的浪费,因此必须要及时准确地诊断滚动轴承故障。针对传统极限学习机中模型参数对滚动轴承故障诊断精度影响较大的问题,提出了一种基于贝叶斯优化的深度核极限学习机的滚动轴承故障诊断方法。首先,将自动编码器与核极限学习机相结合,构建了深度核极限学习机(Deep kernel extreme learning machine, DKELM)模型。其次,利用贝叶斯优化(Bayesian optimization, BO)算法对DKELM中的超参数进行寻优,使得训练数据集和验证数据集在DKELM模型中的分类错误率之和最低。然后,将测试数据集输入到训练好的BO-DKELM中进行故障诊断。最后,采用凯斯西储大学轴承故障数据集对所提方法进行验证,最终故障诊断精度为99.6%,与深度置信网络和卷积神经网络等传统智能算法进行对比,所提方法具有更高的故障诊断精度。     

基于再生核神经网络的断层面模型重构

为了提高勘探精度及采油效率,需要更深入地了解地质构造,因此断层面模型的重构有着重要的意义,为此提出了基于再生核神经网络的断层面重构方法。再生核源于不同学科分支,目前已成为函数逼近的重要工具。将再生核与神经网络有机地结合起来,提出一种新型的神经网络———再生核神经网络,且将网络的训练归结为求解线性方程组问题,为了建立既具有足够精度又能表现系统行为的简单模型,考虑线性方程组的稀疏解是必要的,稀疏解就是具有大量零元素的近似解。虽然稀疏解整体误差较小,但可能在一些点上的误差较大,为此提出对稀疏解的误差修正方法。将再生核神经网络应用于大庆地区的断层面模型重构,实验结果表明,本文重构的断层面与传统方法重构的断层面相比,更符合大庆地区的地质情况。     

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.     

Nonlinear feature selection using Gaussian kernel SVM-RFE for fault diagnosis

Feature selection can directly ascertain causes of faults by selecting useful features for fault diagnosis, which can simplify the procedures of fault diagnosis. As an efficient feature selection method, the linear kernel support vector machine recursive feature elimination (SVM-RFE) has been successfully applied to fault diagnosis. However, fault diagnosis is not a linear issue. Thus, this paper introduces the Gaussian kernel SVM-RFE to extract nonlinear features for fault diagnosis. The key issue is the selection of the kernel parameter for the Gaussian kernel SVM-RFE. We introduce three classical and simple kernel parameter selection methods and compare them in experiments. The proposed fault diagnosis framework combines the Gaussian kernel SVM-RFE and the SVM classifier, which can improve the performance of fault diagnosis. Experimental results on the Tennessee Eastman process indicate that the proposed framework for fault diagnosis is an advanced technique.     

基于MMD的故障可诊断性定量评价方法

提出一种基于最大均值差异(maximum mean discrepancy,MMD)的故障可诊断性定量评价方法.该方法无需构建任何系统模型,通过度量不同故障模式下测量数据之间的距离定量评价故障可诊断性,适用于结构复杂、不易于建模且能够获取测量数据的复杂系统.首先,将测量数据通过特征核映射到可再生核希尔伯特空间(reproducing kernel Hilbert space,RKHS)中,以MMD作为多元分布距离度量指标,将故障可诊断性定量评价问题转换为多元分布在RKHS中的距离度量问题;然后,利用数学推导分析测量噪声强度对故障可诊断性评价结果的影响;最后,通过仿真实例验证所提出方法的有效性.