基于KPCA的HVAC系统传感器故障诊断

传感器状态的好坏很大程度上影响暖通空调(HVAC)系统的运行,对其展开故障诊断十分必要。核主成分分析(KPCA)方法通过集成算子与非线性核函数计算高维特性空间的主元成分,有效捕捉过程变量中的非线性关系,将其用于传感器常见4种故障的诊断,先用Q统计量进行故障监测,再用T2贡献量百分比变化来识别故障。实验结果表明:KPCA方法具有很好的故障监测与诊断能力。     

基于多块KPCA和SDG 的故障诊断方法

针对大规模复杂工业过程,提出一种基于多块核主元分析(MBKPCA)和符号有向图(SDG)的故障诊断方法。首先,提出基于SDG和优先级的分块策略,以强连接元SCC为最高优先级、多入/出度节点群为次高优先级、节点链为最低优先级对过程进行分块;在此基础上,采用MBKPCA进行过程监控,对于检测到的故障,先确定故障发生在哪一个数据块,再触发SDG在故障块内完成故障定位。所提出方法克服了多块KPCA故障隔离不完全和SDG推理过程中组合爆炸的缺点,可以提高复杂工业过程故障诊断的准确度和速度。基于Tennessee Eastman过程的仿真研究表明了所提出故障诊断方法的有效性。     

基于霍金斯指标的传感器故障重构研究

在基于主元分析的传感器故障检测方法中,Hawk insT2H指标对部分传感器故障的检测优于常用的SPE指标。但目前对T2H指标的研究并不充分,尚需要对T2H指标进行故障重构能力的分析。利用几何投影的概念,研究了T2H指标的传感器故障重构问题,并得出了该指标的故障可重构条件。应用数据仿真实验验证了T2H指标的传感器故障重构计算方法的有效性。     

改进特征样本方法的KPCA变压器故障检测模型

针对核主元分析（KPCA）监控模型由于建模样本不纯而导致故障检测失效问题,提出基于改进特征样本方法的KPCA故障检测模型并应用于变压器故障检测中。利用特征值变化信息,设计出异常样本剔除算法以避免异常样本被选入特征样本集;采用特征样本方法提取建模样本集,建立KPCA监控模型,采用复合统计量对变压器运行状态进行检测,实验结果验证了改进特征样本算法的有效性,表明提出的方法具有较高的故障敏感性和检测效率。     

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.     

基于SKPCA的卫星整流罩空调系统传感器故障检测研究

针对卫星整流罩空调系统对传感器故障检测的高可靠性的要求,在分析常见故障模式的基础上,采用了基于统计量核主元分析（ SKPCA）的故障检测方法,建立整流罩空调系统传感器故障检测模型,对整流罩空调系统传感器容易出现的偏置故障进行了验证实验。实验结果验证了SKPCA方法在整流罩空调系统传感器故障检测中的正确性和有效性。     

基于复合核函数KPCA的红外人脸识别

研究人脸优化识别问题,提出一种复合核函数KPCA的红外人脸特征提取法.利用最优或者接近最优的复合核函数主元分析KPCA方法对训练样本核映射到高维空间进行特征提取预处理,并结合最近邻法分类器分类进行红外人脸识别.该方法不仅有效的提取了训练样本的非线性信息,而且有效的改进了识别效果.多次实验结果表明了,基于复合核函数KPCA的红外人脸识别率优于传统的核主元分析法(KPCA)和主元分析法(PCA).结果表明,改进方法可减少识别时间,并保证了识别率一直稳定在比较高的水平.     

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。     

基于步态能量图的KPCA和SVM的步态识别方法

采用了一种基于步态能量图（GEI）的步态特征提取方法,主要是通过得到的步态侧影图像进行规格化并进行周期分析,然后提取其步态能量图。同时针对传统主成分分析（PCA）方法只能处理线性和服从指数型分布的情况,提出了采用基于核方法的主成分分析（KPCA）来对数据进行特征降维,然后采用泛化能力较强的分类器SVM来对特征进行识别。应用上述方法在CASIA数据库上进行了实验,结果表明采用上述方法取得了较理想的效果。     

基于核主成分分析的图像模糊篡改检测算法

现有的图像模糊篡改检测算法通常提取模糊操作引入的某单一特征进行判断,为更好地提高算法检测效率,提出基于核主成分分析的模糊篡改检测算法.通过奇异值分解提取第一组特征,计算图像二次模糊相关性作为第二组特征,计算图像质量因子作为第三组特征.运用核主成分分析方法实现多特征融合.采用支持向量机进行判断,从而实现模糊篡改检测.实验表明:该算法能够有效地检测数字篡改图像的模糊操作痕迹,并能对模糊篡改区域进行准确定位.     

基于主元分析和集成神经网络的瓦斯传感器故障诊断

针对瓦斯传感器常见突发型故障,提出一种基于主元分析(PCA)和权重提升(WB)算法训练人工神经网络集成的瓦斯传感器故障诊断方法.利用PCA方法提取故障特征,得到的特征向量作为神经网络的训练样本;利用WB算法依次训练多个神经网络分类器;由集成神经网络得到待测样本的故障诊断结果.仿真实验表明:该方法对测试样本的识别正确率在98.5％以上,能够显著提高瓦斯传感器故障诊断的诊断精度和泛化能力.     

基于文化粒子群算法的KPCA特征提取*

如何选择最优或接近最优的核函数使分类错误率降低,是KPCA应用于特征提取的关键。为了优化核 函数,提高特征提取的能力并降低分类错误率,在研究了文化算法（cultural algorithm, CA）、粒子群优化（particle swarm optimization, PSO）相关文献的基础上,提出了一种文化粒子群算法（cultural based PSO, CBPSO）流程,并 将此算法用于训练核函数参数,实现了KPCA和CBPSO的集成,有效地提高了核函数的优化选择。通过比较 CBPSO-KP     

基于可视化传感器阵列系统的肺癌标志物快速检测研究

肺癌的早期快速诊断对于肺癌患者的治疗至关重要。针对肺癌患者所呼出的特定标志物,建立可视化传感器阵列系统,对4种肺癌标志物进行了实验研究。采用分层聚类分析、主成分分析的统计学方法对检测结果进行分析。对不同肺癌标志物、不同体积分数的样本在聚类分析中可以正确分类,且结构相似体积分数相近的样本能优先聚到一簇。利用主成分分析获得的前2个主成分所代表的肺癌标志物72.0%的信息量即可以实现不同类标志物样本区分。研究表明:这种可视化传感器阵列系统是一种快速有效的检测识别肺癌标志物的方法。     

基于气体传感器阵列的白酒特征分析

利用气体传感器阵列进行食品质量检测是电子鼻应用中的一个重要方面。采用7只TGS传感器构成的阵列对8种市售白酒进行了动态测量,并对其进行分类。结合主元分析法(PCA)对传感器阵列信号与白酒的品牌、香型、原料、产地、酒精度等特征之间的关系进行了分析。结果表明,传感器信号在上述白酒特征上表现出很强的聚类特性,按原料划分可以得到最佳的分类效果。