一种基于信噪比确定主元个数的方法

多段主元分析(MPCA)是针对间歇进行故障诊断一种行之有效的方法.在MPCA中主元个数的确定是模型的关键,关系到主元模型的可靠性、准确性、完备性.传统的累积方差贡献率(CPV)方法确定主元个数主观性较大并且没有考虑故障因素.为了提高检测性能,有效的提取主元,文中提出一种信噪比(SNR)与MPCA相结合选取间歇过程主元个数的方法,SNR表明的是故障诊断的灵敏度和主元个数的影响关系,在确保主元信息充分描述数据的基础上,该方法考虑了故障的信息对主元个数的影响来选取主元.将此方法应用于青霉素间歇发酵过程故障诊断中,仿真结果表明T2统计量和SPE统计量的响应曲线对故障更加敏感,有效地提高了故障诊断的准确率.     

基于分段主元分析的变负荷过程监控方法

针对变负荷的多工况过程,提出了一种基于分段主元分析的监控方法。对于稳态工况,直接利用历史数据建立不同负荷下的主元监控模型。对于工况之间的过渡过程,根据先验知识可将其划分为跟踪时段和调节时段。在两大时段内分别将训练数据细分为多个子时段,进而在每一子时段内设定参考轨迹,利用训练数据与参考轨迹的残差建立主元监控模型,并采用改进的层次聚类算法合并特性相近的时段。在线监控时,根据负荷设定信息判断过程所处的工况,再选择相应的主元模型进行监控。在Alstom气化炉中的应用结果表明,该算法不仅能够避免传统多模型监控方法在工况过渡时出现的大量误警,也能在过渡过程中实现准确的故障检测。     

多尺度多向主元分析方法的研究及应用

为保证间歇过程安全运行和生产出高质量产品,需要对间歇过程进行监视.本文基于多向主元分析方法(MPCA)和小波变换理论,提出了一种新的监视方法,即多尺度多向主元分析方法(MSMPCA).与MP-CA相比,MSMPCA降低了随机误差对测量数据的影响,提高了过程性能监视和故障诊断的准确性.仿真实例验证了该方法的有效性.     

一种新的非线性多向主元分析在线故障监测方法

针对多向主元分析(MPCA)不能提取复杂的非线性系统变量间的非线性特性以及T~2统计量置信限的确定是以主元得分呈正态分布为假设前提的情况,提出了一种基于自组织神经网络与核密度估计的非线性MPCA在线故障监测方法。该方法用自组织神经网络去提取变量间的非线性特征信息;用核概率密度函数去估计非线性主元的置信限。将该方法应用到β-甘露聚糖酶补料分批发酵过程的在线故障监测中,应用效果表明用非线性主元比用同样数目的线性主元能够获取更多的变量信息,并且用核密度估计置信限的方法比用参数估计的方法能更准确地对故障进行监测。     

基于主元分析和小波变换的开工过程故障识别

针对蒸汽裂解实验装置的开工过程具有间歇操作,变量间相关性高的特点,传统的故障识别方法无法有效处理这种具有较强动态特性的实际工业生产过程.本文提出利用主元分析,用少量主元反映多个动态变量的综合信息,并利用正交小波变换的多尺度时频分析提取主元中表征工况变化的频带特征,对频带特征进行模式归纳分类,进而识别工况.实验结果证实了所提出方法的可行性和有效性.     

基于二维主元分析的间歇过程故障诊断

传统的多向主元分析(MPCA)已广泛应用于监视多变量间歇过程。在MPCA算法中,三维的间歇过程数据需要转换为高维的二维向量,导致计算量和存储空间大,同时不可避免地丢失一些重要信息。因此,提出一种新的基于二维主元分析(2DPCA)的故障诊断方法。由于每个批次的间歇过程数据是一个二维向量(矩阵),应用以各个批次矩阵为分析对象的2DPCA算法,避免矢量化,存储空间和存储需求小;另外,2DPCA采用各个批次的协方差的平均值来进行建模,能够更加准确地反映出不同类型的故障,在一定程度上增强了故障诊断的准确性。半导体工业实例的监视结果说明,2DPCA方法优于MPCA。     

基于多块核主元分析的复杂过程的分散故障诊断

提出多块核主元分析算法, 基于此算法针对复杂过程提出了新的故障检测和诊断方法. 通过对整体过程分块统计残差实现非线性过程的分散故障诊断目的, 相应的控制限用来分离引起故障的位置或发现引起故障的变量. 提出的方法应用到田纳西过程得出的结论为: 该方法能够有效地提取块内和块间的非线性信息并显示出优越的故障诊断能力.     

时段划分的多向主元分析间歇过程监测及故障变量追溯

针对间歇过程的多时段特性,提出一种生产过程操作时段划分方法.该方法利用反映过程特性变化的负载矩阵以及主成份矩阵的变化实现了间歇过程子时段的两步划分.提出了基于加权负载向量夹角余弦的负载矩阵相似性度量以及基于加权奇异值变化的奇异值矩阵相似性度量方法,以更客观的反映负载矩阵以及奇异值矩阵的相似性,进而更准确的判断过程特性的变化.根据同一操作子时段的过程特性,其负载矩阵和奇异值矩阵相似性较大的特点,实现了生产过程的子时段划分.将基于子时段划分的多向主元分析(MPCA)建模应用于三水箱系统的在线监测和故障变量追溯,实验结果验证了该方法的有效性.     

基于多时段MPCA的半导体蚀刻过程监测方法

针对MPCA方法在具有多时段的间歇过程中的故障监测效果不佳的问题,提出一种新的多时段建模方法,首先根据各时间片上的主元个数不同,对过程进行模糊划分,然后利用K均值算法对样本数据聚类得到精确划分,最后按照划分结果在各阶段建立代表性统计分析模型对整个过程进行监控。将该方法用于半导体蚀刻过程的故障监测,并与MPCA方法进行了比较证明该方法具有良好的监控性能,能够及时准确及时的监测出引起产品质量发生变化的故障。     

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。     

Phase and transition based batch process modeling and online monitoring

Multiple phases/stages with transitions from phase to phase are important characteristics of many batch processes. In order to model and monitor batch processes more accurately and efficiently, such process features are needed to be considered carefully. In this work, an index based on the angles between different principal component analysis (PCA) score spaces is developed to quantify the similarities between PCA models. Phase division algorithm is designed based on this new PCA similarity index, following by a statistical transition identification step. The steady phase ranges and transition ranges are then modeled separately. The transition models can be calculated by solving the optimization problems. Application examples show the advantages of the proposed method on both batch process modeling and online monitoring.     

基于分块核主元分析的人脸识别方法研究

传统的基于数据二阶统计矩的主元分析法（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。而KPCA方法只考虑了人脸图像的整体信息,没有考虑到局部特征信息。文章提出了分块核主元分析（MKPCA）的方法进行人脸识别,取得了很好的效果。     

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。     

基于改进核主元分析的TE故障诊断

PCA、KPCA作为常用的多变量统计监控算法,一般适用于定常过程。针对实际工业过程的时变、非线性特性,提出一种基于分块的改进KPCA算法。该方法通过采用随时间更新的核矩阵代替固定核矩阵用于主元模型的建立,使非线性监控模型能够在线更新,从而提高KPCA的检测正确率。与KPCA方法相比,该方法的运算复杂度明显降低。将该方法应用于TE(Tennessee Eastman)过程,仿真结果显示,该方法具有较好的监测性能,且所需时间大大减小,说明了本算法的有效性。     

An iterative algorithm for robust kernel principal component analysis

We introduce a technique to improve iterative kernel principal component analysis (KPCA) robust to outliers due to undesirable artifacts such as noises, alignment errors, or occlusion. The proposed iterative robust KPCA (rKPCA) links the iterative updating and robust estimation of principal directions. It inherits good properties from these two ideas for reducing the time complexity, space complexity, and the influence of these outliers on estimating the principal directions. In the asymptotic stability analysis, we also show that our iterative rKPCA converges to the weighted kernel principal kernel components from the batch rKPCA. Experimental results are presented to confirm that our iterative rKPCA achieves the robustness as well as time saving better than batch KPCA.     

基于自迭代主元抽取的工作模态参数识别

针对传统批处理主成分分析工作模态参数识别中存在的矩阵奇异值或特征值分解病态问题,本文提出了一种基于自迭代主元抽取的工作模态参数识别方法。与传统批处理主成分分析通过矩阵分解一次获得所有主成分不同,该方法通过自迭代逐一抽取主成分从而实现主要贡献工作模态的逐一识别。理论分析表明,该方法的时间复杂度和空间复杂度比传统批处理主成分分析工作模态参数识别方法更低。在简支梁仿真数据集上的识别结果表明,自迭代主元抽取算法可以从平稳随机响应信号中有效地识别出线性时不变结构的主要贡献模态振型和固有频率,在响应测点和采样时间较多时其时间开销较传统方法也更小。     

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.     

Weighted principal component extraction with genetic algorithms

Pattern recognition techniques have been widely used in a variety of scientific disciplines including computer vision, artificial intelligence, biology, and so forth. Although many methods present satisfactory performances, they still have several weak points, thus leaving a lot of space for further improvements. In this paper, we propose two performance-driven subspace learning methods by extending the principal component analysis (PCA) and the kernel PCA (KPCA). Both methods adopt a common structure where genetic algorithms are employed to pursue optimal subspaces. Because the proposed feature extractors aim at achieving high classification accuracy, enhanced generalization ability can be expected. Extensive experiments are designed to evaluate the effectiveness of the proposed algorithms in real-world problems including object recognition and a number of machine learning tasks. Comparative studies with other state-of-the-art techniques show that the methods in this paper are capable of enhancing generalization ability for pattern recognition systems.     

An Improved Algorithm for Kernel Principal Component Analysis

Kernel principal component analysis (KPCA), introduced by Schölkopf et al., is a nonlinear generalization of the popular principal component analysis (PCA) via the kernel trick. KPCA has shown to be a very powerful approach of extracting nonlinear features for classification and regression applications. However, the standard KPCA algorithm (Schölkopf et al., 1998, Neural Computation 10, 1299–1319) may suffer from computational problem for large scale data set. To overcome these drawbacks, we propose an efficient training algorithm in this paper, and show that this approach is of much more computational efficiency compared to the previous ones for KPCA.     

基于核主成分分析特征提取的客户流失预测

将核主成分分析(KPCA)引入到客户流失预测中,提出了相应的特征提取算法。将KPCA与Logistic回归结合,设计了预测模型。通过对某电信公司客户流失预测的试验结果表明：该方法获得的命中率、覆盖率、准确率和提升系数高于原始属性集和主成分分析(PCA)特征提取法。这表明KPCA能提取客户数据的非线性特征,是研究客户流失预测问题的有效方法。