一种改进的多模态过程故障检测方法

针对传统单模态故障检测方法对多模态工业过程故障检测准确率和效率低的问题,提出将变分模态分解(VMD),独立主元分析(ICA)和核主成分分析KPCA相结合的联合故障检测方法 VMD-IKPCA应用于多模态故障检测。首先,在对样本数据进行模态聚类之后,应用VMD对多模态过程数据进行滤波、降噪处理,通过ICA对处理过后的数据进行主元提取并应用KPCA对提取的主元变量进行故障检测。该方法的有效性通过多模态TE过程的故障检测进行验证,并与传统KPCA方法进行比较。实验结果表明,VMD-IKPCA对多模态过程故障检测有效性好,准确率高。     

基于差分动态主元分析的多模态过程故障检测

针对现代工业生产过程中的动态和多模态特性问题,提出基于差分动态主元分析(differential dynamic principal component analysis,Dif-DPCA)的故障检测方法.首先,在原始数据中找到每个样本的最近邻样本,将原始样本与最近邻样本进行差分处理,得到新样本.然后,根据时滞h对新样本数据进行增广,并对增广矩阵通过主元分析(principal component analysis,PCA)算法,建立PCA模型,得到平方预测误差(squared prediction error,SPE)和Hoteling T2控制限,进而对工业过程故障进行在线检测.最后,通过多模态AR过程和实际半导体生产过程验证方法的有效性.     

IGSA-KPCA邻域建模的多模过程故障检测方法

为提高多模过程故障检测的准确率,提出改进引力搜索算法-核主元分析邻域建模的故障检测方法。首先应用及时学习算法在参考数据集中找到待检数据的相关数据,再将相关数据和待检数据作为核主元分析检测模型的输入进行故障检测。核主元分析模型中的参数对故障检测性能有较大影响,提出改进引力搜索算法对模型中参数进行优化,提高检测性能。将所提方法应用于青霉素多模过程进行实验验证,仿真结果表明所提方法在多模过程故障检测中用时短、准确率高。     

基于多模态的音乐推荐系统

使用传统协同过滤的方式进行推荐往往会忽视音乐底层特征.通过将音乐的音频特征与歌词信息进行多模态融合,并将融合后的特征信息作为协同过滤推荐的补充,提出了一种基于多模态的音乐推荐系统.主要探讨了音频特征与歌词信息的提取,并在提取歌词信息时利用LDA主题模型进行特征降维.针对多模态融合问题,使用一种特征级联早融合法(EFFC)融合方式,并将多模态融合后的结果与单模态结果进行了比较.对于结果的推荐,以多模态特征信息为依据建立用户兴趣模型,并将该模型通过LSTM神经网络,以过滤与优化协同推荐的用户组.结果表明,基于多模态的音乐推荐系统将推荐结果的误差项平方和(SSE)由传统的2. 009降至0. 388 6,验证了该方法的有效性.     

基于主元分析的火电厂生产过程故障检测研究

由于工况变化频繁,使用单一主元模型难以准确描述火电厂生产过程的统计特性,因此应用传统主元分析(PCA)故障检测方法会带来大量的误检。提出了一种适用于火电厂生产过程的改进PCA故障检测方法:首先用K均值聚类分析方法对过程数据进行分类得到各稳态工况下的数据;然后根据分类数据建立主元模型组来描述整个过程;最后在故障检测中对检测样本进行模糊划分,动态计算出与当前工况相适应的主元模型并进行检测。使用现场数据对比研究了传统方法和改进方法在锅炉过程故障检测中的应用情况。结果表明改进方法能适应工况变化,减少误检并提高检测灵敏度。     

间歇过程的KPCA恒值判定故障诊断模型

为了研究主元分析故障诊断模型在非线性时变过程中应用的局限性和降低基于非线性主元分析的过程监控方法的计算复杂度,将核变换理论引入非线性空间的数据特征提取中,提出了一种基于核主元分析(KPCA)恒定值检测的故障监测模型.该模型通过恰当的选取核函数的参数值,达到对过程故障的恒定值检测,而且与其它非线性算法相比计算复杂度低.通过啤酒发酵过程的故障检测实验验证了该方法能够及时地检测出过程故障,对缓慢时变的间歇过程具有实时性和准确性.     

多模态多维信息融合的鼻咽癌MR图像肿瘤深度分割方法

收集421名鼻咽癌患者头颈部水平位T1加权（T1W）、T2加权（T2W）以及T1增强（T1C）三种模态MR图像,并由2名经验丰富的临床医生对图像中的肿瘤区域进行勾画,将其中346位患者的多模态图像及其标签作为训练集,将剩余75位患者的多模态图像及其标签作为独立测试集;分别构建单模态多维信息融合、两模态多维信息融合以及多模态多维信息融合（MMMDF）的卷积神经网络（CNN）,并对模型进行训练和测试;使用Dice、豪斯多夫距离（HD）与面积差占比（PAD）评估3种模型的性能,结果表明,多模态多维融合模型的性能最优,两模态多维信息融合模型性能次之,单模态多维信息融合模型性能最差. 结果证明,多模态二维与三维特征融合的深度卷积网络能够准确有效地分割鼻咽癌MR图像中的肿瘤.     

基于多核学习算法的钢铁生产轧钢过程故障检测

针对轧钢生产过程中在线故障检测和故障诊断的问题,提出一种基于多核学习算法的钢铁生产轧钢过程在线故障检测模型.首先针对学习样本建立核主成分分析与支持向量数据域描述模型,然后基于T2、Q统计量,以及数据域描述包络情况对轧钢过程进行初步识别,最后构建基于多分类多核最小二乘支持向量机预测模型,对初识结果进行细分类,识别故障级别.利用上述模型对轧钢加热炉故障和机组故障进行了试验.结果表明,该方法能有效检测钢铁生产轧钢过程的故障.     

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.     

加权局部近邻标准化PCA的工业过程故障检测

针对工业生产过程的多模态、方差差异明显和非高斯特性,提出一种加权局部近邻标准化PCA(WLNSPCA)的故障检测方法.通过计算每个样本的k近邻样本的加权均值和标准差对原始数据集进行标准化,消除数据的多模态、方差差异和非高斯特性.对加权局部近邻标准化后的数据建立PCA模型,利用SPE和T²统计量进行过程监视.对新来测试样本进行加权局部近邻标准化,再向PCA模型上投影,计算相应统计量.将该方法应用于数值例子和半导体过程,仿真实验结果表明：与PCA、核主成分分析（KPCA）和加权近邻标准化PCA（WNSPCA）相比,加权局部近邻标准化PCA(WLNSPCA)具有一定的优越性.     

基于异构低秩多模态融合网络的后囊膜混浊预测

针对后囊膜混浊并发症发病周期长、筛查范围广的问题,提出利用多模态机器学习预测后囊膜混浊并发症的计算机辅助诊断方法. 对后照影像进行感兴趣区域(ROI)提取和白色反光区域填充,所构建的异构低秩多模态融合网络(HLMF)能同时输入后照影像和视觉质量参数进行特征提取与融合,HLMF模型基于通道积融合多模态信息;采用卷积核参数低秩分解解决过拟合问题;选用Focal Loss损失函数解决类别不均衡的问题;在训练过程中还采用预训练和模态腐蚀的训练方法,使模型更好地提取单一模态的特征并进行融合. 该算法在后囊膜混浊数据集上的十折交叉验证准确率为95.63%,F1分数为96.72%. 实验结果表明,所提算法能较好地提取单模态特征并进行特征融合,相比于其他多模态融合模型有更好的性能.     

类依赖增强线性判别分析算法

在增强线性判别分析和类依赖线性判别分析的基础上,提出了类依赖增强线性判别分析算法,对多模态数据进行分类.算法利用增强线性判别分析的局部信息保持能力,在不破坏多模态局部结构的前提下,对数据进行降维;然后采用最大散度差线性鉴别分析准则对每一类样本获取一个投影矩阵,从而获取不同类的样本分布的特征差异.在人脸数据库上进行实验验证,结果表明,该算法的分类效果好。     

PCA-CHMM在化工过程故障诊断中的应用

为了解决主元分析(principal component analysis，PCA)在故障分类方面的不足，提出一种结合PCA和连续隐马 尔可夫模型(continuous hidden Markov model，CHMM)的故障诊断方法.PCA对测量数据进行优化降维，用少数几个主元 表征过程主要变化信息，实现过程特征提取.但是PCA不能对这些过程变化信息进行有效的分类和识别，运用CHMM成熟的 时序模式分类能力能够较好地解决这个问题.通过Tennessee Eastman过程仿真验证了基于PCA和CHMM的故障诊断方法的性 能.     

基于重构的多工况过程无监督故障幅值估计

针对先验知识不足的多工况工业过程的故障幅值估计问题,提出了一种基于重构算法的故障幅值估计方法。通过保局投影(Locality Preserving Projection,LPP)对历史数据进行降维,然后利用模糊c均值(Fuzzy C-means,FCM)实现对各个工况的划分,并确定检测指标和控制限、建立故障检测模型,最后利用重构算法来提取故障方向矩阵,并估计出故障的幅值。以田纳西-伊斯曼(Tennessee Eastman,TE)过程为研究对象进行仿真,结果表明提出的算法可以准确地估计出多工况工业过程的故障幅值、描述出故障幅值曲线。     

基于PCA-SVDD的故障检测和自学习辨识

为了利用多变量统计过程控制在故障检测上的优势以及克服其在故障辨识诊断上的缺陷,提出一套新的用于化工过程的故障检测和自学习辨识算法.应用主元分析(PCA)实施故障检测并对故障数据运用PCA特征提取,提出3种基于主元分析-支持向量数据描述(PCA-SVDD)的模式判别方法来实现故障的自学习辨识:考虑故障辨识时可能出现的类分布重合问题,分析和比较了基于欧氏距离和归一化半径判别这2种方法,提出针对新型未知故障辨识的加权归一化半径判别法.通过对Tennessee Eastman(TE)过程的仿真研究,说明了提出的故障检测和自学习辨识算法的可行性和有效性.     

基于SPA-SVDD方法对间歇过程的故障检测

针对间歇过程采集的数据具有三维矩阵数据形式采样时间不等长,不能直接适用于传统故障检测方法的问题,提出一种基于统计模量分析的支持向量数据描述(SPA-SVDD)方法.利用统计模量分析(SPA)将三维矩阵形式转换为二维矩阵,剔除各批次采样时间不等长对检测的影响.统计模量分析可以提取过程数据的非线性、动态性、多模态等特性.用支持向量数据描述(SVDD)方法在由统计模量组成的训练集数据上进行建模,得到支持向量到球心的距离.对新的样本进行检测,对半导体工艺过程进行仿真实验,并对比M-SVDD、SPA-KNN方法验证方法的有效性和优越性.     

基于LPP-kNN方法的间歇过程故障监视

针对批次过程数据具有高维、非线性及多模态等特性,提出一种自适应LPP-k NN的过程监视方法.利用局部保持映射算法(LPP)提取高维多模态批次数据的自适应变换矩阵构成新的建模数据.采用局部近邻标准化方法(LNS)进行标准化,并利用k NN算法构造统计监测指标.最后,通过在半导体工业实例中的应用验证了所提算法的有效性.     

多模态函数优化的拥挤差分进化算法

针对目前多模态优化存在无法找到全部局部极值解的问题,提出了一种基于拥挤模型的差分进化算法,利用差分进化算法的全局搜索策略和内在的并行方式,通过拥挤模型的高群集因子(crowding factor,CF)搜索,避免了取代错误,保持了物种的多样性,可准确定位多模态函数的最优解和全部极值解.同时,该算法具有参数少、操作算子简...     

二阶差商PCA算法研究及应用

针对工业生产过程各模态方差差异显著的特性,提出二阶差商PCA(SODQPCA)算法,并研究其应用.先找到训练样本的第k个近邻样本,进行一次差分运算.运用同样的方法,找到近邻样本的第k个近邻样本,进行一次差分运算.将两次运算的结果运用二阶差商的方法剔除多模态和方差差异特性,然后利用PCA建立模型,计算SPE和T2检测指标...