基于可变遗忘因子的改进RPCA方法及其在自适应故障监测中的应用

针对现有监测方法对时变过程易产生误警且对微弱故障的检测能力不足等问题,提出一种基于可变遗忘因子的改进递归主元分析(recursive principal component analysis,RPCA)方法用于自适应故障监测。在主元模型的在线更新中引入一种可变遗忘因子,并为不同的模型参数设置不同的遗忘因子;在相关矩阵的递归分解中引入部分奇异值分解的思想,递归计算负荷矩阵和特征值对角矩阵;提出一种控制限递归更新方法,实现控制限的自适应更新。对某型雷达发射机工作过程的监测结果表明,改进的RPCA方法能自适应地跟踪过程的时变,有效地减少了对正常工况调整的误警和对微弱故障的漏报。     

动态批次主元分析在化工过程中的应用研究

本文研究了批次动态主元分析(BDPCA)及其在化工过程中的应用.批次动态主元分析是主元分析的一种延伸,通过把三维矩阵转化成二维矩阵,结合时滞变量算法捕捉批次过程中的动态特性完成过程的监视并给出了确定时滞变量的算法.以TE过程为例,与多向主元分析法相比,仿真结果表明,BDPCA算法实现了考虑过程中的批次动态特性并提高了对过程变化的故障检测能力.     

基于多向核主元分析的青霉素生产过程在线监测

基于传统主元分析（PCA）方法的过程监测算法假定过程是线性的，对于具有强非线性的生产过程，应用其进行在线监测出现误报率过高的现象.为此提出了一种多向核主元分析（MKPCA）算法用于间歇过程的建模与在线监测.利用PenSim2.0软件将青霉素间歇生产过程的三向数据按批次方向展开为二向数据并进行标准化，采用MKPCA算法建立过程模型并用于过程的在线监测，计算T2、SPE统计量及相应的控制限.仿真结果表明，与传统PCA算法相比，MKPCA算法具有更好的监测性能，不仅大大降低了正常运行过程的误报率，而且能够较早地检测出过程中存在的底物流加速率与搅拌功率故障.MKPCA可以有效处理间歇过程批次间存在的非线性属性，获取过程变量间的非线性关系.     

基于分步动态核主元分析的故障诊断方法

目的研究复杂工业系统动态、非线性特点,提出分步动态核主元分析（KernelPrincipalComponentAnalysis,KPCA）的故障诊断方法．方法该方法首先构造增广矩阵,然后将增广矩阵分成一系列子矩阵,将各子矩阵的构建一个新的数据增广矩阵,并对每个子矩阵使用KPCA提取变量数据的非线性空间相关特征,最后通过监测统计量监测出系统故障,用贡献度的方法识别发生故障变量．结果该方法改进了传统的动态方法,引入分步动态的定义,并且能充分考虑工业过程中的非线性和动态性,更精确的描述Y--,Ak过程特性,更精确的监测复杂工业系统的故障,并准确的识别出故障变量．结论对热连轧过程中活套故障诊断的仿真结果表明：基于分步动态KPCA的故障诊断方法能准确有效地诊断出故障,并识别出产生故障的原因．     

SPH离散误差的线性形式及稳定性分析

采用小量摄动法得到矩阵化后SPH算法的空间离散误差传播的线性形式及系统矩阵,并将其应用于SPH算法稳定性分析.分析该线性形式,得到与Swegle相同的张力不稳定性充分条件.忽略连续性方程的影响,分析系统矩阵的特征方程,可得到与系统矩阵的特征值存在等价特征值的2个矩阵,这2个矩阵可分别代表SPH的张力不稳定性和高频不稳定性.分析代表张力不稳定性的矩阵的性质,可知张力不稳定性是敏感于粒子间误差相位差异的;而分析代表高频不稳定性的矩阵,刚度矩阵秩缺陷导致高频不稳定性的进一步原因是粒子体积分布不均使得刚度矩阵对称性缺失.提出一个新的光滑长度更新模型,并使用于两个低雷诺数算例.     

基于低秩矩阵分解和协作表示的人脸图像分类

为了降低干扰因素对人脸识别准确率的影响,提出一种基于低秩矩阵分解和协作表示的人脸图像分类算法。针对噪声阴影影响,使用鲁棒主分量分析(RPCA)对人脸数据进行低秩矩阵分解,去除干扰,得到较为干净的人脸图像。通过协作表示分类方法对经RPCA处理后的低秩分量图像进行分类,通过归一化的最小重构误差来判定测试样本的具体类标。在3个人脸数据集上对算法性能进行仿真测试,结果表明,该算法在10%到50%的标记率下较其他算法均能提升分类识别率。     

基于块的二维核四元数主成分分析

核四元数主成分分析（KQPCA）被成功应用于处理非线性四元数信号,然而,核矩阵维数太高使其对角化非常耗时,目前二维形式的KQPCA（2DKQPCA）并没有成功实现.对此,采用基于块处理和并行计算的思想,提出基于块的2DKQPCA（B2DKQPCA）,实现真正意义上的2DKQPCA.基于时间复杂度、应用性能和分块矩阵应为四元数Hermitian矩阵的综合考虑,B2DKQPCA重点处理主对角线、反对角线和主对角线旁3个方向的小块.然后,结合B2DKQPCA与RGB-D图像四元数表示方法,将B2DKQPCA应用于RGB-D目标识别领域.在2个公开库上的实验结果表明,提出的基于列向B2DKQPCA的RGB-D识别算法优于现有基于主成分分析算法和基于卷积神经网络的一些算法.     

T-PLS下相关系数矩阵对质量影响的研究

相对主元分析算法解决了主元分析中没有考虑数据量纲,进行量纲标准化之后由于特征值近似相等无法进行有效的主元提取的问题,而全潜结构投影算法与主元分析存在相似问题,故该文将相对主元分析思想融入全潜结构投影算法中,在对原始数据进行量纲标准化的基础上,依据系统各过程变量与质量变量的相关程度,在能量守恒的准则下,赋予过程变量各分量相应的权值,然后再进行故障诊断。仿真研究了相关系数矩阵对故障检测行为能力的影响。     

数据驱动PCA、ICA和KICA故障检测仿真比较

针对同一非线性过程数据,分别应用多元统计过程监控技术中的主元分析（Principal Component Analysis,PCA）、独立元分析（Independent Component Analysis,ICA）和核独立元分析（Kernel Independent Component Analysis,KICA）三种方法进行了故障检测建模,并进行了仿真比较研究。通过田纳西-伊斯曼过程（Tennessee Eastman Process,TE）仿真结果表明：在处理实际工业生产中非线性、非高斯的数据方面,KICA方法具有更强的故障监测能力。     

求实对称三对角矩阵特征值的递归算法

许多对称矩阵特征值问题最后归结为解实对称三对角矩阵特征值问题。在文章中为区间分半法（二分法）求实对称三对角矩阵特征值设计了一个递归算法。用一个递归函数可以求出所有特征值,且能求重特征值。     

基于随机旋转局部保持哈希的图像检索技术

针对基于局部保持投影（locality preserving projection,LPP）的哈希用于图像检索造成图像表征力不强、检索效率低下的问题,融合LPP及主成分分析（principal component analysis,PCA）技术,提出一种随机旋转局部保持哈希的图像检索算法。首先对样本进行PCA降维,对PCA变换矩阵进行随机旋转形成PCA降维矩阵,将原始样本在降维矩阵上进行投影,得到PCA降维样本。为充分利用样本间的相似性结构,对PCA降维样本进行LPP映射,并引入随机矩阵对特征向量进行偏移构造最终编码投影矩阵。再将原始样本投影到编码投影矩阵,得到最终的降维样本;最后对其进行哈希编码,得到有效的二进制编码用于图像检索。算法充分考虑样本间的全局和局部相似性结构,体现了样本间所蕴含的局部和全局信息,把随机旋转应用于PCA降维矩阵,减少了编码之间的量化误差,提高了图像特征的识别能力。分别在3个人脸数据集上进行性能测试实验,并与相关方法进行比较,得到了较好的效果。实验结果表明该方法是有效的。     

一种指数加权主元分析算法的研究

在深入研究PCA理论的基础上,进一步研究指数加权主元分析(EWPCA)算法.这种算法通过不断更新相关矩阵来实时监视动态生产过程中的超时趋势和设定点改变等情况.仿真研究结果表明:该方法可以较好地反映生产过程中的实时信息,并能有效检测出系统的异常状况,具有广阔的实际应用前景.     

工矿区陆面演变动态监测中的遥感信息处理

以工矿区陆面演变遥感动态监测为研究目标，建立了包括图像运算、图像变换、分类统计、模型分析4个层次的遥感动态监测应用体系，在分析现有算法的基础上，提出了综合动态监测方法和基于灰度回归的变化检测算法，最后通过多时相主成分分析方法进行了实例分析．     

基于多阶段动态PCA的发酵过程故障监测

针对间隙发酵过程具有多阶段、批次不等长,且过程动态非线性往往与发酵阶段密切相关等特点,提出一种基于多阶段动态主元分析(principal component analysis,PCA)的故障监测策略.该方法采用高斯混合模型(Gaussian mixture model,GMM)对过程数据进行聚类,能客观反映不同阶段操作模态的数据分布特点,可实现子阶段划分.针对各批次阶段划分后存在的不同步问题,采用动态时间错位(dynamic time warping,DTW)方法对各阶段进行轨迹同步,对同步后的子阶段建立动态PCA模型.最后以工业青霉素发酵过程和重组大肠杆菌制备白介素-2发酵过程为背景,采用多阶段动态PCA策略对其进行故障监测,发现算法能有效降低运行过程的漏报和误报率,验证了算法的有效性。     

基于主成分分析的图像哈希算法

提出了一种基于主成分分析的图像哈希算法.采用主成分分析对样本进行降维,取位于变换矩阵顶端最具有识别信息的少量特征向量构造投影矩阵,再对降维后样本进行局部保持映射,同时,对主成分分析投影矩阵进行随机旋转,形成多个小投影矩阵,采用矩阵拼接方法将小投影矩阵合并构造编码投影矩阵;最后,将训练样本投影到编码投影矩阵,得到降维样本,并对其进行哈希编码,得到最终的二进制编码.实验结果证明,同其他经典算法相比,该算法具有较好的稳定性,可降低内存消耗,并提高效率.     

动态主元分析方法的研究及应用

主元分析(PCA)已广泛应用于监视多变量过程，但PCA不能有效地监视动态多变量过程．动态主元分析(DPCA)是一种将静态PCA推广应用到监视动态多变量过程的方法．本文通过实例验证了DPCA监视动态多变量过程的有效性．     

基于核主元分析和模式匹配的非线性性能监控和故障诊断

利用核主元分析非线性性能监控的优势,并将相似度分析引入故障诊断领域,提出了基于核主元分析和模式匹配技术相结合的性能监控和故障诊断方法。针对PCA相似度分析存在的问题,对该方法进行了改进。由于KPCA方法具有较好的非线性特性提取能力,因此首先利用KPCA法计算数据的非线性主元,然后计算不同数据集之间的非线性主元相似度;并将主元相似度、非线性主元相似度和基于距离的相似度赋予不同的权值构成综合相似度指标来进行模式匹配。TE过程仿真试验验证了该方法在非线性性能监控与故障诊断中的有效性。     

矩阵填充与主元分析在受损图像配准中的应用

本文提出了一种有效的针对受损图像(元素丢失)的图像配准方法。利用矩阵填充技术将受损图像的丢失元素恢复,然后将主元分析法(PCA)应用于尺度不变特征变换(SIFT)中进行图像的配准。针对SIFT算法采用128维特征向量表示特征点,存储空间、匹配时间与特征点数量成正比,文本采用主元分析法对多维特征向量进行降维处理,以提高运算效率;并采用高斯加权欧氏距离代替欧氏距离进行特征点的匹配。实验结果表明,该算法具有较好的稳定性、准确率和匹配速度,针对受损图像配准具有较好的鲁棒性,可应用在基于内容的图像与视频检索等机器视觉领域。     

基于WPD和(2D)~2PCA的步态识别方法

为了提高步态识别率,在步态能量图(gait energy image,GEI)基础上,提出了基于小波包分解(waveletpacket decomposition,WPD)和完全主成分分析(two-directional two-dimensional principal component analysis,(2D)2PCA)的步态识别方法.该方法采用基于人体轮廓的GEI来解决步态数据量过大的问题,并采用WPD和(2D)2PCA进行步态特征提取,解决了已有基于小波变换的步态识别方法中高频分量丢失或维数过高问题.在NLPR步态数据库上对该方法进行了评测,并与经典方法进行了比较.实验结果表明:该方法具有更高的识别率和视角变化的鲁棒性.