一种新的GPCA方法

Generalized PCA(简写GPCA)是主成分分析(PCA)的一个非线性推广方法,主要用于数据压缩和特征提取.在经典的GPCA方法中,每个训练数据在构建主成分时的作用是相同的.然而,在许多实际问题中,训练数据的意义和作用是不同的,通常有些数据比其它数据更为重要,对于重要的数据我们应给予充分的重视,而对于不可信数据(可能是异常数据),应限制其作用.文中给每个训练数据赋予一个置信权重,将训练数据视为样本空间的模糊点,研究了基于模糊点数据的GPCA方法.数值实验表明,该方法能够有效控制异常点对主成分的影响,同时,该方法也为数据先验信息的利用提供了一个可行的途径.     

基于模糊点数据的核主成分分析

在核主成分分析中,给每个训练数据赋予一个置信权重,将训练数据视为样本空间的模糊点,研究了基于模糊点数据的核主成分分析.数值模拟表明,该方法能够有效控制异常点对主成分的影响.同时,该方法也为数据先验信息的利用提供了一个可行的途径.     

基于模糊点数据的线性回归模型在判别分析中的应用

在经典回归分析理论中,训练数据在回归方程的构建中是被同等对待的.然而,在许多实际问题中,训练数据的作用是不同的,通常有些训练数据比其他数据更重要.为此,给每个训练数据赋予一个置信权重(这里的样本称为模糊点样本数据),并且给出了确定该置信权重的几种常用方法,讨论了基于模糊点数据的线性回归模型用于判别分析的情况.最后给出了数值例子.     

用于FSVM抑噪的统计型模糊权重函数

提出了用于设计模糊支持向量机(FSVM)的统计型模糊权重函数,该函数基于模式分类思想为每个训练数据建立一个分类面,数据的模糊权重根据分类面对2类数据的识别率来计算.靠近分类间隔的疑似噪声/离群点将获得相对较小的模糊权值,其作用受到抑制;而远离间隔区域的数据不容易受到盲目抑制.该方法能够有效识别噪声/离群点,降低它们对分类器的影响.实验验证了所提方法的合理性和有效性.统计型模糊权重函数对于含噪情况未知的训练数据尤其显得重要,因为数据含噪情况可以籍由函数分类功能得到恰当的估计.     

基于PCA-FNN的油井注水效果预测研究

针对油田上注水有效周期不确定的问题,提出一种用于预测注水有效周期的混合主成分分析与模糊神经网络相结合的数值方法。该方法使用主成分分析对油井注水统计数据进行降维处理,应用模糊神经网络对降维后的数据进行训练和测试。使用某油田116口油井的注水数据检验提出模型的正确性,结果表明,用其预测的注水有效周期平均绝对误差与相对误差分别为1.97个月和10.75%,预测精度高于未经过主成分分析处理的模糊神经网络方法和多元线性回归方法。可以用于油井注水效果分析与工程人员的决策优化。     

基于小波变换和中值滤波器的主元分析方法

传统主元分析用于故障检测时,由于测量数据中含有噪声和异常点,从而导致系统的误报警.针对传统主元分析在处理含噪数据时的不足,给出了一种把小波变换、滑动中值滤波器和主元分析相结合的方法,利用小波变换和滑动中值滤波器的优点,对主元分析前的数据进行预处理,以去除噪声和异常点,减少和消除了虚警点,并将此方法运用于实际的故障检测中,取得了较好的检测效果,证实了该方法的有效性和可行性.     

干涉仪解模糊异常值检测及纠错方法

针对多基线相位干涉仪测角雷达在通道相位误差较大时解模糊结果存在异常的问题,提出了一种基于有限记忆算法的干涉仪解模糊异常值检测与纠错方法.该方法利用逐次测角算法的初次解模糊结果估计角度和整周模糊值的初始值,在此基础上进行角度和整周模糊值的有限记忆递推,识别原始测角数据中存在的数据异常值,对其进行异常值剔除或重新解模糊纠错处理.仿真结果表明,该方法原理正确,对于干涉仪解模糊数据中出现的孤立型及连续型异常值都能够进行有效的检测并予以纠正,显著降低了解模糊的出错概率.     

基于分阶段离群点检测的电力市场异常辨识

为了监管电力市场中存在的各类违规行为,保证市场的公平竞争,提出了一种基于分阶段离群点检测算法的电力市场异常行为辨识方法.梳理不同交易阶段异常行为的特征,提取相应的特征指标,采用主成分分析法对其进行降维,分阶段地进行异常行为的检测.同时利用平均距离改进局部离群因子算法,显著地提升了算法的检测效果.通过某地区电力市场提供的交易数据进行实验分析,实验结果表明,该方法能有效识别市场中的异常行为,为市场监管人员利用海量数据进行有效监管提供了新思路.     

基于分类的模糊支撑向量机

基于分类的支撑向量机可以通过训练，找到2类训练点的分界面．一般2类点都是确定的，但是，在实际情况中，训练点不可能很确定的属于某一集合(具有模糊性)，使得每个训练点包含的信息量也不同，传统的支撑向量机算法无法处理这类问题．给每个训练点定义了点模糊度概念，利用点模糊度来度量它包含的分类信息，由此确定点在训练中所占的权重，使包含不同信息量的训练点，在训练中起不同作用，从而得到了一种有效处理包含模糊训练点的算法．     

一种基于动态类中心模型选择的模糊支持向量机

模糊支持向量机的核心思想是赋予样本模糊隶属度,给每个样本以不同的权重,从而克服标准支持向量机对噪声和异常点敏感的问题.现有的模糊支持向量机算法通常以样本与类中心距离为基础,给每个样本赋予一个固定的隶属度,没有根据样本分布对隶属度做进一步修正.提出了一种新的动态方式赋予样本隶属度,利用萤火虫算法不断地更新样本中心的位置和隶属度函数,同时利用粒子群算法优化模糊支持向量机参数.在UCI数据集上的实验结果表明,该算法可以有效减少噪声和野点对超平面的影响,分类性能要优于几类常用的模糊支持向量机算法.     

kPCA特征提取算法的自动目标识别

分析了主成分分析（PCA）与核主成分分析（kPCA）的基本原理,比较了两者在处理数据方面的性能,得出了kPCA比PCA在处理非线性可分数据方面具有优势的结论．依据几何绕射理论（GTD）,通过Matlab仿真方法得到HRRP（高分辨距离像）数据,并以这些数据作为训练和测试样本,结合SVM分类方法,分别测试比较了基于4种不同核函数的分类识别性能,得出基于高斯核函数主成分分析的自动目标识别系统性能明显好于其他3种核函数的结论．     

基于PCA与Elman网络的地下矿山岩层移动

 由于地下金属矿床地质与开采条件的复杂性,影响岩层移动的因素错综复杂且相互影响,使得对岩层移动的预测具有很大的不确定性。大量的样本数据减慢了神经网络的训练速度,并且使得神经网络不稳定。将主成分分析(PCA)与Elman网络相结合构建模型,对地下矿山岩层移动角进行预测研究。利用主成分分析对原始数据进行预处理,提取原信息的主成分,将输入变量减少且互不相关,提高神经网络训练速度;用Elman网络对训练样本进行训练,进而利用训练好的网络对预测样本进行预测,与不采用PCA时的预测结果相比,采用PCA的预测结果更为准确,通过期望输出与实际输出的对比,相对误差都在5%以内,其预测的结果精度高,表明了PCA与Elman网络相结合对地下矿山岩层移动进行研究是可行的。     

一种改进的ASM人脸特征点定位方法

传统主动形状模型(active shape model, ASM)利用主成分分析(principal component analysis, PCA)获得形状,根据主成分并结合形状参数建立起统计模型,该方法不能有效更新图像特征空间,会导致模型匹配失败。为了克服上述缺点,提出一种改进的特征提取方法。首先采用增量主成分分析(incremental principal component analysis,IPCA)更新图像集合的特征空间,并采用一种新的模型匹配算法定位目标特征点。改进的新方法不断更新图像特征空间且有效地描述训练样本间的相似性或差异性,新的匹配算法能避免计算协方差矩阵的逆矩阵,能有效降低计算误差。实验结果表明,改进的方法有效提高了定位精度,并降低了匹配的像素偏移值。     

改进主元法在故障检测中的应用

提出一种改进的主元分析法，在线检测当前时间窗口内过程数据的主元子空间，与稳态无故障数据的主元子空间相比较，以判断是否发生了故障．仿真中，将改进主元法与常规主元法同时应用于Tennessee EaStman过程，结果表明：两者都能检测出对过程影响较大的故障，改进主元法可以更好地检测出对过程影响较小的故障。     

基于主分量分析的形状特征提取及识别研究

主分量分析(PCA)是统计学中分析数据的一种有效的方法,可以将数据从高维数据空间变换到低维特征空间,因而可以用于数据的特征提取及压缩等方面。在该文的形状识别系统中,用PCA法提取图像的形状特征,能够较好地满足识别层的输入要求。在识别层研究了3种识别方法:最近邻法则、BP网络及协同神经网络方法,均取得了满意的实验效果。     

基于邻域保持嵌入-主成分分析的高压电缆状态数据异常检测及分析

为发现高压电缆异常状态并及时地发出异常告警,提出了一种基于邻域保持嵌入(neighborhood preserving embedding,NPE)和主成分分析(principal component analysis,PCA)的高压电缆异常状态检测方法。针对PCA只能保留数据全局结构信息的缺陷,提出将流形学习算法NPE与PCA结合,从而实现数据全局和局部特征信息的全方面提取;然后利用T2和SPE统计量作为电缆状态特征量,其控制限作为状态异常阈值判据,并推导出不同异常状态特征指标的贡献度,确定高压电缆主要异常指标;接着通过计算高压电缆各分段统计量的值,确定电缆异常区域;最后利用广东珠海供电局辖区内220 k V高压电缆统计资料验证所提策略的正确性。     

基于核偏最小二乘回归的人脸识别

在采用主成分分析进行人脸重构和识别时,仅从样本自身提取特征向量会导致识别误差。因此,在参考主成分分析的基础上,采用偏最小二乘回归进行人脸图像的训练和识别,并对偏最小二乘回归引入核函数。在ORL人脸数据库上的实验结果表明,偏最小二乘回归明显优于主成分分析,同时核偏最小二乘回归也显著提高了识别正确率。     

基于故障重构的PCA模型主元数的确定

基于故障重构理论研究了PCA模型主元数的确定方法,应用累积方差贡献率以及复相关系数对主元模型性能进行分析·在基于PCA理论进行故障诊断中,故障变量可根据故障的方向向量进行重构,未重构方差(VRE)可分别投影于主元子空间(PCS)和残差子空间(RS)·确定最优重构是使两空间的VRE之和达到最小,与此相对应的主元数即为最优主元数(PCs)·应用累积方差贡献率以及复相关系数对主元模型性能进行评价,结果表明确定的PCA模型PCs保证了PCS中的信息存量·对于工业PVC聚合反应过程的故障诊断说明了上述方法的合理性与有效性·     

基于主成份分析的Bagging集成学习方法

机器学习中数据集的冗余特征会影响学习器的泛化能力，一些流行方法如支持向量机和集成学习也难免于此．研究了利用主成份分析进行特征变换对Bagging集成学习算法的影响，提出一种称为PCA—Bagging的算法，并与其它算法比如单个支持向量机、支持向量机Bagging集成、带有特征变换的单个支持向量机等进行了性能比较．在多个UCI标准数据集上的实验表明PCA—Bagging算法具有更好的性能，这说明即使是泛化能力很强的集成学习方法其学习的数据也需要进行适当的特征变换。     

基于PCA_RVM的焊缝偏差识别

为提高基于旋转电弧传感器的焊缝跟踪系统的精度,提出了主成分分析(PCA)线性降维方法与关联向量机(RVM)相结合的焊缝偏差识别方法.首先,对采集到的焊接电流信号进行小波滤波,进行周期划分和数据标准化处理.然后,对采集到的焊缝偏差数据集进行主成分分析,映射到低维的PCA空间,作为关联向量机的训练样本集;最后,利用实验数据进行测试.实验结果表明:基于PCA_RVM的焊缝偏差识别方法的最大误差为0.54mm,平均误差为0.43mm;PCA_RVM的精度与普通的关联向量机法相差不大,比区间积分法、神经网络法和支持向量机法更高,其运行速度比区间积分法慢,但比神经网络法、支持向量机法和普通的关联向量机法快,所以PCA_RVM更适用于基于旋转电弧传感器的焊缝跟踪系统.