基于自适应独立成分分析的化工过程监测

针对独立成分分析（independent component analysis,ICA）方法应用于过程监测时如何选择独立成分（independent component,IC）的问题,提出了自适应独立成分分析（adaptation independent component analysis,AICA）方法。AICA方法首先利用分离矩阵建立关联矩阵,该关联矩阵表示IC的相似性,同时通过核密度估计选择概率密度最小的IC作为特殊独立成分（particular independent component,PIC）,再通过关联矩阵选择与PIC具有相似变异特征的几个普通独立成分（common independent components,CICs）,最后将PIC与CICs用于构造监测统计量。将AICA方法应用于田纳西-伊士曼（Tennessee Eastman,TE）仿真过程,测试结果表明所提方法对于过程监测是有效的。     

基于核主成分空间支持向量机的过程监视方法

为了有效改进支持向量机(SVM)在工业过程中的故障检测性能,提出一种基于核主成分空间支持向量机的过程监视方法。首先,运用核主成分分析方法(KPCA)处理数据,获取数据的核主成分,在核主成分空间计算Hotelling′s T²统计量;然后,在T²统计量基础上加入时滞特性和时差特性,并将三者组合成增广矩阵,运用正常数据和故障数据的增广矩阵训练SVM模型;最后,运用SVM模型对测试数据进行分类,实现对故障的有效检测。将本研究方法应用于非线性数值例子和田纳西-伊斯曼工业过程中,与PCA、KPCA、传统的SVM和KPCA-LSSVM方法作比较,进一步验证了该方法的有效性。     

基于移动主成分分析与集成学习的结构损伤识别方法

为了提高结构损伤定量和定位的准确率,提出基于移动主成分分析与集成学习的结构损伤识别方法;利用移动主成分分析对原始应变响应数据进行特征分析,得到包含损伤信息的第一、第二特征向量,将两者相结合所得的组合特征向量作为损伤指标输入集成学习模型,进行结构损伤程度和损伤位置预测;采用双跨平面梁的仿真应变监测数据,对所提出的结构损伤识别方法的有效性进行验证,对比分别以第一、第二、组合特征向量作为输入的分类模型的损伤定量和定位的准确率。结果表明：在一定强度的噪声条件下,组合特征向量能同时具备第一、第二特征向量的优点,并且能克服单个特征向量的局限,获得优异的损伤识别性能和抗噪性;在信噪比为40 dB的弱噪声情况下,将组合特征向量输入集成学习模型进行损伤定量和定位,准确率分别可达98.9%、 99.0%,在信噪比为10 dB的强噪声情况下准确率仍分别可达82.3%、 73.2%。     

基于核主成分分析的人脸识别

核主成分分析方法是主成分分析的改进算法,其采用非线性方法提取主成分.把核主成分分析应用到人脸识别中,利用核主成分分析方法选择合适的核函数在高维空间提取人脸图像的主成分.核主成分分析与传统主成分分析相比,可以得到更好的适合分类的特征.基于ORL人脸库,识别核主成分分析提取出的主成分的相关性系数.实验结果表明,核主成分分析不仅实现了降维,而且能取得比传统主成分分析更好的识别性能,正确识别率为92.5%.     

基于非线性主成分分析的综合国力评价模型研究

如何构建一种定量的综合国力评价模型具有重要意义。当前评价综合国力的方法不多,一般方法易受主观因素影响。本文给出非线性主成分分析综合评价方法,有较好的稳定性和可靠性。利用该方法,本文对世界主要国家的综合实力进行了评价。     

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.     

基于核主成分分析的虹膜识别方法

提出了一种新的虹膜识别方法,利用核主成分分析(KPCA)提取虹膜的纹理特征,采用竞争学习机制进行识别。实验结果证明采用该方法的虹膜识别系统识别率高、环境适应性强、运行时间短,在虹膜识别中具有良好的应用价值。     

基于非线性主成分方法的科技期刊综合评价

非线性主成分是传统线性主成分的推广,能够提取非线性特征.在科技期刊的综合评价问题中,由于指标间存在非线性关系,非线性主成分分析能够很好的解决这个问题,并且提取的信息程度较高.     

基于核独立成分分析的发酵过程在线监测方法

提出了一种基于核独立成分分析（KICA）的发酵过程在线监测方法,该方法结合了发酵过程数据的特点,采用了一种新的过程监测指标U_s²,对发酵过程数据各时刻独立分量与该时刻所有批次独立分量均值的偏差信息进行特征提取,具有较强的抗干扰能力。青霉素发酵检测的实验结果表明,采用新监测指标的发酵过程监测方法能更好的识别较小的故障,降低漏报率,提高发酵过程在线监测的准确性。     

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.     

一种基于核主成分分析的人脸识别方法

针对主成分分析（PCA）算法中存在不能提取非线性特征的问题,提出了利用KPCA提取图像特征,最近邻法分类的人脸识别改进方法。基于ORL数据库的相关实验表明,这样的系统能够取得比传统PCA更好的识别性能。     

基于主成分分析的自适应天线研究

在投影渡束形成的基础上,提出了一种基于主成分分析神经网络的波束形成算法.该方法利用自适应迭代形式获得了波束形成的权向量,避开了投影算法对相关阵特征值分解的计算过程,因而减少了计算量,获得了相对快速的波束形成图,提高了自适应能力.经数值模拟仿真,验证了该方法的正确性.     

基于集成核熵成分分析算法的工业过程故障检测

针对核熵成分分析算法(kernel entropy component analysis, KECA)为不同的故障选择相同的核参数影响检测效果的问题,提出了一种基于集成核熵成分分析(ensemble kernel entropy component analysis, EKECA)算法的工业过程故障检测方法。首先,选取一系列具有不同宽度参数的核函数将非线性数据投影到核特征空间,选取Rényi熵值贡献较大的特征值和特征向量,得到转换后的得分矩阵,建立多个KECA子模型;然后,将测试数据投影到各KECA子模型上,计算各KECA子模型的统计量,得到检测结果;最后,将各KECA子模型的检测结果利用Bayesian决策进行概率换算,利用集成学习法计算检测结果统一的统计量,判断其是否超出控制限,并将该算法应用于数值例子和TE过程。仿真结果表明,与传统的EKPCA,KECA等算法相比,所提方法有效提高了故障检测率,降低了误报率。新方法解决了传统KECA算法中不同故障核参数的选择问题,为提高KECA算法在非线性工业过程故障检测中的性能提供了参考。     

基于核主成分分析的图像去噪

本文简介了核主成分分析的原理及利用核主成分分析的图像去噪问题。通过使用核函数，在特征空间中对噪声图像使用主成分分析进行降噪处理，基于MDS的思想，使用核方法计算出在特征空间中降噪后的图像与其邻域点之间的内积约束关系，通过核函数重构出在原空间中降噪图像与其邻域点的内积约束关系，基于此内积约束关系在原空间中重构出降噪图像，从而达到通过核主成分分析对图像降噪的目的。对比原有的MDS方法，本文的算法更稳定，对图像的噪声部分有更好的去除效果。     

基于核主成分分析的图像去噪

简介了核主成分分析的原理及利用核主成分分析的图像去噪方法.通过使用核函数,在特征空间中对噪声图像使用主成分分析进行降噪处理.基于MDS的思想,使用核方法计算出在特征空间中降噪后的图像与其邻域点之间的内积约束关系,通过核函数重构出在原空间中降噪图像与其邻域点的内积约束关系,基于此内积约束关系在原空间中重构出降噪图像,从而达到通过核主成分分析对图像降噪的目的.比原有的MDS算法更稳定,对图像的噪声部分有更好的去除效果.     

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.     

基于核主成分分析的教练评价模型

美国大学生体育联盟中有许多知名教练,选取恰当的标准去全面的评价一个教练是很重要的。文章基于主成分分析法和核主成分分析法建立了一个可以评价多种因素的教练评分方式,利用该评分方式能够对教练评价得出更精确的结论。     

基于核函数PCA的非线性过程实时监控方法

为了克服基于主元分析的过程监控方法非线性处理能力弱的缺点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,提出了将核函数PCA监控方法用于复杂工业过程实时监控系统的开发研究,并讨论了核函数参数选择对系统性能的影响。核函数PCA能有效地提取过程变量的非线性关系,而且计算复杂度低,便于在线实施。仿真结果表明该方法是一种有前途的复杂过程非线性实时监控技术。     

基于核主成分分析的大学生综合素质测评

运用核主成分分析建立大学生综合素质测评模型,并与主成分分析的结果进行了比较。最后对大学生综合素质给出一个客观综合的评价。     

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。