一种基于核独立元分析的非线性过程监控方法

独立元分析(ICA)在线性过程监控中得到了成功的应用,但是实际工业过程大部分是非线性的.在利用核ICA(KICA)建立过程非线性模型的基础上,根据核技巧,给出了一种高维空间分离矩阵的排序和独立元个数的选择方法,并将监控指标扩展到高雏空间,从而提出-种基于KICA的非线性过程监控方法,解决了ICA对非线性过程监控效果不理想的缺点.以田纳西一伊斯曼过程(TE过程)为例,对比了KICA与ICA的监控效果,结果证明了该方法的优越性.     

基于主元分析的RBF神经网络多模型切换控制

针对传统多模型自适应控制中子模型数量过多、学习和自适应能力的局限性等问题,将神经网络的学习能力和非线性逼近能力与多模型切换的思想相结合,提出基于主元分析的径向基(RBF)神经网络多模型切换控制算法。首先,基于主元分析法进行工况区域识别。其次,在不同的工况区域内采用RBF神经网络建立多个子模型并设计相应的控制器。最后,根据性能指标函数选择相应的控制器以得到最佳的控制效果。仿真结果表明,该算法大大减少了子模型数量,并改善了系统的动态性能。     

一种非正交复小波核函数及其非线性参数辨识应用

指出了非线性动态信号参数辨识的重要性;分析了目前采用的方法的不足;对非正交复Morlet小波满足Mercy条件和再生性的命题作了证明;用复Morlet小波构建出一种核函数,与主分量分析方法相结合,对非线性动态信号进行参数辨识和预测;仿真结果验证了该方法的正确性和有效性,表明该方法具有较好的理论价值和实用价值。     

基于核主元分析和贝叶斯推理的建设工程项目质量状态在线诊断模型及其仿真北大核心CSSCI

针对建设工程项目质量控制过程的随机变化性,运用核主元分析和贝叶斯推理的方法,建立了工程质量状态在线诊断的数学模型;借鉴现代工业控制技术与手段,通过实时连续采集质量信息、提取信息特征、识别特征异常以及估计异常模式,实现了对质量异常状态的在线监测与模式识别。利用Matlab对某工程实例进行了常态下的仿真试验。分析结果表明,该模型不仅可以快速响应突发性质量异常,而且能够提前预警累积性质量异常,还能以概率形式诊断出异常状态所属的模式类型。     

基于核主元分析和最小二乘支持向量机的软测量建模

软测量技术是工业过程控制和分析的有力工具，它的核心问题是如何建立学习速度快且泛化性能优良的软测量模型。提出了一种基于棱主元分析（KPCA）和最小二乘支持向量机（LSSVM）的软测量建模方法，利用核主元分析提取软测量输入数据空间中的非线性主元，然后用最小二乘支持向量机进行建模，不但降低模型复杂性，而且提高了模型泛化能力。最后将上述方法用于PTA结晶过程的软测量建模，仿真结果表明：与SVM、PCA-SVM建模方法相比，该KPCA-LSSVM方法具有学习速度快、跟踪性能好、泛化能力强等优点，是一种有效的软测量建模方法。     

基于核主元分析与多支持向量机的监控诊断方法及其应用

为保证密闭鼓风炉冶炼过程的正常运行,构造了一种基于核主元分析(KPCA)和多支持向量机(MSVM)的监控模型.该监控模型首先用核主元分析方法对过程数据进行特征提取,然后将代表过程特征的核主元送入到多支持向量机分类器中进行故障诊断与分类.仿真研究显示, 该监控模型具有较好的泛化能力,能有效地应用于鼓风炉的监控诊断,可用于鼓风炉熔炼过程的现场操作指导.     

一种基于贡献率图的KPCA故障识别方法

提出一种新的针对KPCA模型的故障识别方法——贡献率图法。该方法是在微分贡献率图和核函数导数的基础上提出来的,它采用统计量T2和SPE对每个变量的偏导数来度量每个变量对统计量T2和SPE的贡献率。和基于数据重构法的KPCA故障识别方法相比,该方法不需要任何迭代近似计算和数据的重构,计算量小且可避免重构产生的误差对识别结果的影响。通过在某型涡扇发动机故障检测与诊断中的应用表明,该方法比基于数据重构法的故障变量识别准确率更高,再结合发动机故障机理分析,便可准确地确诊故障,从而大为缩短故障定位及排故的时间,预防重大事故的发生。     

Support vector classifier based on principal component analysis

Support vector classifier （SVC） has the superior advantages for small sample learning problems with high dimensions, with especially better generalization ability. However there is some redundancy among the high dimensions of the original samples and the main features of the samples may be picked up first to improve the performance of SVC. A principal component analysis （PCA） is employed to reduce the feature dimensions of the original samples and the pre-selected main features efficiently, and an SVC is constructed in the selected feature space to improve the learning speed and identification rate of SVC. Furthermore, a heuristic genetic algorithm-based automatic model selection is proposed to determine the hyperparameters of SVC to evaluate the performance of the learning machines. Experiments performed on the Heart and Adult benchmark data sets demonstrate that the proposed PCA-based SVC not only reduces the test time drastically, but also improves the identify rates effectively.     

一种基于PCA分析的DoA估计算法

阵列信号处理中,MUSIC、ESPRIT等高分辨率DoA估计算法都要通过特征值分解来获得波达方向估计,然而矩阵特征值分解的计算量较大,不利于实时处理。提出使用PCA(principal component analysis)高效迭代算法,来逼近信号子空间矢量。该算法的计算过程相对简单,并具有自组织特性,适合于神经网络实现。仿真结果表明,所提算法的DoA估计性能与MUSIC算法相当。     

基于动态灰色主成分分析的多时刻威胁评估

针对目标威胁评估问题的高维数、时变性等特点,提出基于动态灰色主成分分析(dynamic grey prin-cipal component analysis,DG-PCA)的多时刻威胁评估方法.首先,以潜艇为分析对象,构建协同作战模式下的威胁评估指标体系.其次,提出扩展灰色相似关联度用于表征指标间动态非线性相关度,构建...     

Comprehensive multivariate grey incidence degree based on principal component analysis

To overcome the too fine-grained granularity problem of multivariate grey incidence analysis and to explore the comprehensive incidence analysis model, three multivariate grey incidences degree models based on principal component analysis （PCA） are proposed. Firstly, the PCA method is introduced to extract the feature sequences of a behavioral matrix. Then, the grey incidence analysis between two behavioral matrices is transformed into the similarity and nearness measure between their feature sequences. Based on the classic grey incidence analysis theory, absolute and relative incidence degree models for feature sequences are constructed, and a comprehensive grey incidence model is proposed. Furthermore, the properties of models are researched. It proves that the proposed models satisfy the properties of translation invariance, multiple transformation invariance, and axioms of the grey incidence analysis, respectively. Finally, a case is studied. The results illustrate that the model is effective than other multivariate grey incidence analysis models.     

基于核主成分与加权支持向量机的福建省城镇登记失业率预测

选取了影响失业率的19个指标,构建了基于核主成分分析与加权支持向量机的预测方法,给出了具体的预测步骤,并用此方法对福建省城镇登记失业率进行了预测研究.研究结果表明,由于所用预测方法考虑了指标的相关性及不同时期样本的不同重要性并进行了简化降维,拟合及预测都达到了很高的精度,其相对误差都小于1{\%},说明用核主成分分析与加权支持向量机来预测失业率是可行且有效的,并可将其推广到其它领域的预测问题.     

基于混合概率主成分分析的HRRP特征提取

针对主成分分析(principal component analysis, PCA)等数据压缩方法用于雷达高分辨距离像(high resolution range profile, HRRP)的特征提取,只能反映固定方位帧内HRRP线性结构,而无法准确描述目标,导致识别性能下降的问题,提出了一种基于混合概率PCA的HRRP特征提取方法。该方法利用期望最大值(Expectation maximization, EM)算法求解HRRP的一、二阶统计参数,能够真实反映数据分布,以分布趋同的原则实现不同方位帧的聚类,减少模板数量。最后通过自适应高斯分类器和Kullback-Leibler距离分类器识别获取的统计特征,可进一步改善识别性能。仿真实验验证了该方法能够在降低数据维数的同时,实现HRRP统计特征的提取,能一定程度上削弱方位敏感性的影响。     

神经网络主元分析的传感器故障诊断方法

针对多传感器故障诊断问题,将神经网络引入主元分析(principal component analysis, PCA)模型之中,提出一基于主元分析的多传感器故障诊断模型。首先,应用传感器正常工作时测量的历史数据,由PCA模型得到所有传感器的预测值。其次,计算传感器系统的平方预期误差值(squared prediction error, SPE),根据系统的SPE值是否跳变,判定有无故障发生。通过分别重构单个传感器信号的SPE值来确定发生故障的传感器。最后,应用一个多传感器故障诊断仿真实例证明了该方案的可行性。     

基于主成分分析和支持向量机的效能评定

简述了武器系统效能评定的各种方法,并分析了其特点。建立武器系统参数效能模型,首先要挑选特征参数,提出了采有主成分分析方法选择武器的特征参数。利用支持向量机建立了武器系统参数效能模型,通过实例与神经网络法的结果进行了比较,结果表明支持向量机方法比较精确和简单。