非线性多尺度多向主元分析方法

NLMPCA是一种适合间歇生产过程的非线性建模方法,但是从现场采集的数据往往存在误差,难免影响过程监视和故障诊断的结果.基于MPCA,NLPCA和小波变换,提出了一种新的间歇过程监视和诊断方法,即非线性多尺度多向主元分析方法(NLMSMPCA).与NLMPCA相比,NLMSMPCA降低了随机误差对测量数据的影响,提高了过程监视和故障诊断的可靠性.     

主元分析及数据重构在过程监控中的应用

利用主元分析方法，通过矩阵运算、降低维数以提取过程变量的主要特征，实现对工艺数据的压缩，既可解决过程变量间的相关问题，同时还有清除测量噪声的效果．化工吸附分离过程监控的应用实例表明，主要过程变量可由15个缩减为6个，累积解释程度为98%．     

在线压缩核主元分析的自适应过程监控

对于动态系统,传统的核主元分析(KPCA)方法处理的效果不理想.滑动窗口核主元分析方法能适应动态系统的正常参数漂移,但是该方法处理大量的样本时需要较长的运算时间.因此,提出一种在线压缩核主元分析的自适应过程监控方法.该方法在大量的样本中选定较小的训练集作为初始压缩集进行建模,对在线实时采集的数据进行分析,判断新的样本是否正常.若为正常样本,判断该样本是否加入压缩集中,在加入压缩集的同时自动更新在线KPCA模型.将该方法应用到数值例子和田纳西-伊斯曼(TE)过程,仿真结果验证了该方法的有效性.     

在线多尺度滤波多变量统计过程的适时监测

在详细分析现有MSPCA模型不足的基础上,借助在线多尺度滤波(OLMS),提出了一种多变量统计过程的在线监测方法,并将其应用于传感器故障诊断。该方法中,首先在固定窗长的数据窗口内用边缘校正滤波器对信号进行小波分解,然后用小波阈值滤波对分解的小波系数进行消噪,并借助该固定窗长的移动窗口将小波变换和自适应PCA结合起来对数据进行在线多尺度建模,从而避免了直接对信号进行消噪所造成的时间浪费,提高了故障诊断率。最后以6135D型柴油机在严重漏气下的8个振动信号的故障诊断为例进行故障分析,结果表明了所提方法的可行性和实用性。     

多采样率主元分析的过程故障检测

针对多采样率过程监测问题,提出了一种基于多采样率主元分析的故障检测方法.该方法构建了一种重新采样机制,直接利用多采样率数据计算模型中的协方差矩阵,充分利用了样本中的大量不完整数据信息,减小了多采样率数据带来的偏差,给出了离线建模和在线故障检测算法.分别在数值平台和Tennessee Eastman(TE)工业平台进行了仿真分析.仿真结果表明,所提出的方法更适合多采样率过程的故障检测,效果良好.     

基于小波变换的主元分析人脸图象识别

基于小波变换的主元分析人脸图象识别高西奇，周洪祥，何振亚（东南大学无线电工程系，南京２１００１８）人脸图象识别是模式识别领域的一个重要研究课题［１，２］，但是由于人脸虽有固定结构而无固定形状的特殊性，人脸的自动识别非常困难，特别是要求机器在学习之后能...     

多尺度小波变换在自适应滤波中的应用

分析了小波变换的基本理论和小波变换的多尺度分析，并根据多尺度小波变换的多分辨率特性，提出基于多尺度小波变换的自适应滤波，构造了其仿真模拟图，并对其进行了仿真，通过LMS自适应滤波和多尺度小波变换自适应滤波的信真图对比，表明该方法可行的。     

基于多尺度小波算子的图象边缘检测

分析了传统的图像边缘检测算法及其存在的问题，论述了基于多尺度的小波分析进行边缘检测的算法，并以实例说明基于小波分析得图像边缘检测算子效果更优。     

MSPCA在流向变换催化燃烧过程监测中的应用

针对PCA单尺度建模的局限性,综合应用小波分析和主元分析PCA,将小波分析提取变量局部特征的能力及主元分析分解变量线性关系的优势结合起来,引进新的多元统计过程监测工具MSPCA,并将其应用于温度周期化的流向变换催化燃烧过程。研究表明,与PCA相比利用MSPCA可以更有效地监测到过程的异常状况。     

基于核主元分析与支持向量机的监控诊断方法及其应用

为了及时反映密闭鼓风炉冶炼过程状态,实现对密闭鼓风炉炉况的监控与诊断,提出核主元分析和多支持向量机分类的相结合的过程监控与故障诊断方法.其原理是:首先,用核主元分析方法提取过程数据特征,建立核主元分析的监控模型;然后,将代表过程特征的核主元送入多支持向量机分类器中,利用"一对其余"算法对故障进行诊断与分类.实验结果表明,所提出的方法与传统的主元分析方法相比,整个样本集的可分性变大,分类正确率提高,能更准确地诊断炉子的各种故障,可有效地用于密闭鼓风炉冶炼过程的故障诊断.     

基于Matlab的主成分分析方法(PCA)的实现

由于入侵检测数据集中的信息均为高维特征向量,因此需要在大规模的分类识别过程中解决特征提取问 题．本文基于Matlab工具,采用主成分分析(PCA)方法较好地解决了这一问题．     

基于主成分分析的河流洪水系统聚类法

进行河流洪水聚类的目的是根据洪水特征的相似程度划分洪水类别,研究同类洪水的规律性以及应对措施.但是,洪水特征选择过多往往会增加计算的复杂程度,同时特征之间的相关性也使得信息大量重叠,导致计算结果失真.为此,提出基于主成分分析的河流洪水系统聚类法.该法首先将所选的洪水特征综合成少数几个不相关的主成分,然后计算出每场洪水在各主成分上的得分值并将该值作为新的洪水特征值,最后根据这些新特征值进行洪水聚类.三门峡水库入库洪水聚类实例证明了该方法的可行性.     

利用小波变换提高基于KPCA方法的人脸识别性能

基于核主成分分析（KPCA）的人脸识别算法能够提取非线性图像特征,在小样本训练条件下有较好性能. 然而并非所有非线性特征对识别都有利,过多的不相关特征可能会降低识别性能. 针对图像信息冗余的特点,预先对图像进行小波变换,通过消除对识别无关的细节信息,不仅提高了KPCA方法的识别精度,而且降低了该算法对计算机硬件的要求. 同时,为了抑制KPCA对光照等变化的较高敏感性,还提出一种对图像灰度进行衰减的预处理策略. 基于ORL数据库的实验表明,综合上述措施的系统比传统方法具有更快的训练速度和更高的识别精度.     

基于主元分析的故障可检测性的统计指标比较

基于主元分析的传感器故障检测方法中,SPE和H aw k in T2H是两个重要指标,针对目前应用中SPE指标有不足,而H aw k ins T2H指标一直没有得到重视的问题,该文通过分析对比SPE和T2H指标的控制限和基于主元分析的传感器故障可检测性的充分条件,得出了SPE和T2H指标的可检测故障幅值计算公式。定性分析了SPE和T2H指标对不同传感器故障具有不同的检测能力,并通过数值仿真进行了验证。指出由于T2H和SPE指标各有优劣,因此在实际传感器故障检测中应该联合使用。     

改进的主元分析法在连铸结晶器过程监测中的应用

将改进的主元分析(PCA)方法应用于连铸结晶器的过程监测.基于板坯连铸结晶器摩擦力实测数据进行仿真分析,结果表明,改进的PCA避免了Q统计量的保守性,从而能够更有效地识别过程故障与工况改变引起的T2统计量的变化.与传统的PCA方法相比,改进PCA具有更强的故障检测能力.     

基于核主成分分析的虹膜识别方法

阐述虹膜作为生物测定学特征用于身份识别具有得天独厚的优势,虹膜识别在场所或资源的安全控制等方面具有重要的应用价值.提出一种新的虹膜识别方法,该方法利用核主成分分析(KPCA)提取虹膜的纹理特征,通过竞争学习寻找其中最优的KPCA特征,形成虹膜编码,最后通过计算编码之间的方差倒数加权欧氏距离对虹膜进行识别.实验结果表明,该方法计算速度快,提取特征的效果好,对环境的适应性强,可用于实际的身份鉴别系统.     

地区电信业务发展水平的主成分及聚类分析 

运用数理统计的方法对重庆市1997-2003年的电信业务发展情况进行综合评价,建立了评价指标体系，用主成份分析法对原始数据进行数学处理，得出表示电信业务发展水平的综合指标，再用聚类分析方法进行指标聚类分析，找出了影响重庆市电信业务量的主要因素，并对如何提高重庆市电信业务提出一点建议。     

地区电信业务发展水平的主成分及聚类分析

运用数理统计的方法对重庆市1997-2003年的电信业务发展情况进行综合评价,建立了评价指标体系,用主成份分析法对原始数据进行数学处理,得出表示电信业务发展水平的综合指标,再用聚类分析方法进行指标聚类分析,找出了影响重庆市电信业务量的主要因素,并对如何提高重庆市电信业务提出一点建议.     

基于主成分分析的巢湖水质影响因子研究

利用1987～2003年的水质监测资料,运用主成分分析法和Matlab软件,分析了巢湖水质的主要影响因子及其相互关系。相关分析表明,TP与TN、CODCr与TP和TN、浮游植物生物量与Chl-a和TN之间均有较好的正相关,而SD与TP、TN和CODCr之间有较好的负相关。主成分分析表明,TP、TN、CODCr、SD、Chl-a及浮游植物生物量是影响巢湖水质的主要因子,磷是巢湖富营养化的重要影响因子,TP、TN、CODCr及浮游植物生物量共同决定了水质的SD。结果表明,城镇生活污水和农业面源污染输入的氮、磷以及有机物,对巢湖富营养化起着重要的作用。     

Nonlinear fault diagnosis method based on kernel principal component analysis

To ensure the system run under working order, detection and diagnosis of faults play an important role in industrial process. This paper proposed a nonlinear fault diagnosis method based on kernel principal component analysis (KPCA). In proposed method, using essential information of nonlinear system extracted by KPCA, we constructed KPCA model of nonlinear system under normal working condition. Then new data were projected onto the KPCA model. When new data are incompatible with the KPCA model,it can be concluded that the nonlinear system is out of normal working condition. Proposed method was applied to fault diagnosis on rolling bearings. Simulation results show proposed method provides an effective method for fault detection and diagnosis of nonlinear system.