基于动态结构保持主元分析的故障检测方法

为充分利用表征过程运行工况的数据特征信息,提高化工过程的故障检测性能,提出一种基于动态结构保持主元分析(DSPPCA)的过程故障检测方法。首先对原始数据采用变量相关性分析建立自回归模型,构建包含动态特征的数据集,进一步综合考虑主元分析法(PCA)和局部线性嵌入(LLE)流形学习算法中数据点之间的近邻关系,融合得出新的目标函数,同时,运用局部线性回归的方法获得高维样本的嵌入映射,特征提取后在特征空间和残差空间分别构造监控统计量进行故障检测。Swiss-roll数据集的降维结果及TE过程的仿真研究结果表明,DSPPCA算法可以取得较好的特征提取效果,具有较高的故障检测性能。     

基于T-TSNPR的动态过程质量监控

针对动态过程的质量监控,提出了一种全时间序列邻域保持回归(Total Time Series Neighborhood Preserving Regression,T-TSNPR)算法。首先,考虑到无关变量对构造特征空间的影响,对过程变量进行相关性分析,利用贡献度方法进行变量优化。在数据降维过程中考虑到数据间的时序相关性,T-TSNPR在一定长度的移动时间窗内进行邻域点挑选并构造目标函数,通过全投影回归提取出质量相关特征空间,并建立相应的T2统计量进行质量监控。最后,通过数值仿真和TE过程(Tennessee-Eastman process)仿真实验验证了T-TSNPR算法的有效性。     

基于改进典型相关分析的混沌时间序列预测

典型相关分析是目前常用的研究两个变量集间相关性的统计方法.针对线性典型相关分析法不能揭示变量间非线性关系,因而不适用于混沌系统等问题,将核典型相关分析与径向基函数神经网络相结合,提出了一种改进的核典型相关分析方法以解决映射空间样本未知及逆矩阵求解困难等问题.首先利用两个径向基函数神经网络,通过训练使两个网络输出之间的相关系数达到最大,可同时得到两组典型相关变量.然后建立预测模型,对Lorenz混沌方程及大连月气温与降雨二变量混沌时间序列进行仿真,并与传统的线性回归预测方法进行比较,多组仿真结果证明了所述方法的有效性.     

外圆磨削表面粗糙度的在线监测方法研究

通过理论分析和试验研究，找到了与磨削表面粗糙度有关的摩擦AE信号特征，在此基础上提出了基于神经网络的外圆磨削表面粗糙度监测方法，利用神经网络建立声发射信号特征信息与磨削表面粗糙度之间的非线性映射关系，仿真结果表明利用该方法可以实现磨削表面粗糙度的在线评估。     

分批发酵过程统计监控和质量评估

基于多向主元分析，对赖氨酸分批发酵过程进行了在线统计监控的仿真研究，详细介绍了多向主元分析运用于间歇过程的操作程序，并提出了离线质量评估方法．仿真结果表明，该方法可有效判断过程运行状态，并能对产品质量做出正确的评估。     

基于等距离映射的非线性动态故障检测方法

针对化工过程数据强非线性和动态性的特点,提出了一种基于动态等距离映射(Dynamic Isometric Mapping,DISOMAP)流形学习的非线性过程故障检测方法.该方法首先采用DISOMAP算法提取训练样本的子流形特征,自适应学习近邻点参数,保留了采样数据的流形结构,然后运用线性回归方法得到原空间和降维子流形空间的投影映射,从而将观测数据从原高维空间映射到低维嵌入空间,最后在变换后的低维空间构造统计量T2和SPE进行监控.TE过程的仿真结果表明,所提出的DISOMAP故障检测方法可以比核主元分析(Kernel Principle Component Analysis,KPCA)更为有效地监控过程变化,检测到故障的发生.     

新型混沌优化方法的研究及应用

为了克服现有混沌优化方法在大空间，多变量问题中的不足，提出了一种新型的混沌优化方法，该方法利用了一类在有限区域范围内折叠次数无限的一维迭代混沌自映射进行混沌搜索，比一般的有限折叠次数代混沌自映射具有更好的混沌特性，因此，选取优化变量的搜索空间，并不断提高搜索精度，构造新型的混沌优化方法，实验算例和仿真结果表明，新型混沌优化方法具有较高的搜索效率与搜索精度，是解决优化问题的一种有效方法。     

我国证券投资基金谨慎投资行为的实证检验

引入了国外的机构投资者谨慎投资原则的概念，对我国证券投资基金的谨慎投资行为进行了实证研究；在2002年基金年报公布的投资组合基础上，对基金的持股比重与股票的某些特征变量(这些特征变量与基金的谨慎投资行为有关)进行了回归分析和分组回归分析。结果表明，在2002年末期，基金的投资行为是谨慎的；在研究变量中，基金的持股比重与股票的大多数特征变量之间存在非线性关系，并且基金避免持有这些特征变量极高或极低的股票。     

一种基片集成波导滤波器的快速设计方法

本文使用主动空间映射算法对基片集成波导滤波器的快速设计进行研究。在对滤波器结构进行分析的基础上,使用HFSS和ADS软件分别建立了其电磁场全波分析模型和等效电路模型,并将之用于空间映射方法所需的精确仿真和粗糙仿真。通过利用等效电路模型,对反映模型参数映射关系的参数进行了提取。整个设计过程仅用了少数几次精确仿真和粗糙仿真,就可以较好地到达设计指标。同常规设计方法相比,该方法可以对具有大规模变量的高阶滤波器进行设计,并且可以显著减少设计时间。作为应用实例,分别对X波段五阶和十阶带通滤波器进行了快速设计,并通过实验对五阶带通滤波器进行了验证,有力地证明了本文所提出方法的正确性和有效性。     

空间映射与响应面法相结合的结构优化

应用空间映射与响应面方法实现了由低保真模型到高保真模型的响应面映射，在原有空间映射方法的基础上将一类结构优化问题构造为标准二次规划模型，有利于高保真模型的优化求解，且解决了空间映射方法中低保真模型设计变量更新困难的问题。此方法可大大减少应用序列RSM方法进行结构多学科优化时的重分析计算量。数值算例表明此方法可获得较好的求解效率和精度。     

支持向量机的人脸识别方法

简要介绍了基于统计学习理论中结构风险最小化原则的支撑向量机(SVMs)技术的国内外研究现状,分析了该技术的优越性和存在的某些局限,并提出了该技术的一些改进思路.     

基于在线支持向量机的空对地攻击决策算法

为解决无人机对地攻击决策问题, 对影响地面目标威胁度的指标因素进行了分析和量化, 构建了基于在线支持向量的目标威胁度预测模型。利用在线支持向量机实现目标威胁度排序, 进而完成空对地的攻击决策。研究的空对地决策算法具有在线训练、 模型精确度高、 需要样本少和泛化能力强等特点, 有利于快速准确地进行空对地攻击决策。最后, 通过仿真实例验证该算法的正确性。仿真结果表明, 在线支持向量机在计算目标威胁度过程中速度快且精确度高。     

传感器网络时间序列数据的事件分类研究

目前智能环境中传感器网络所采集的海量数据面临着进行有效事件的模式分类及异常检测的难题.为了有效对智能环境中传感器网络采集的时间序列数据所表征的事件进行分类,提出了基于协方差特征空间映射数据的聚类分析方法.通过对采集得到的时间序列数据按时隙进行划分,映射到协方差特征空间,然后对映射后的数据进行了动态密度聚类,从而实现对事件的分类;并根据聚类结果建立分类模板,作为对日常事件进行分类划分的检测方法,同时利用所得的分类模板,实现对异常事件的检测.实验结果表明,基于协方差特征空间映射数据的聚类分析方法能有效对传感器网络采集的时间序列数据所表征的事件进行分类,并能有效提升异常事件的检测及筛选效果.     

改进的基于数据重构的KPCA故障识别方法

核主元分析(KPCA)方法相对于主元分析(PCA)方法在非线性过程监测方面具有一定的优势,但是KPCA很难找到由特征空间到原始空间的逆映射函数,这给基于KPCA的故障诊断带来了很大的障碍.为此,在KPCA故障数据重构方法的基础上,对故障识别指标进行改进.改进后的方法既能够识别单变量引起的故障,又能识别多变量引起的故障,而且减少了指标计算过程中的运算量,避免了传统故障识别方法只能实现单变量故障追溯的缺陷.将提出的故障识别方法在田纳西过程中进行了仿真研究,结果表明所提方法的有效性.     

多元数据升维变换的几何代数表示原理

传统多元数据分析和模式识别领域一般采用向量空间模型.本文提出将多元数据从n维向量空间映射到其生成的几何代数空间的升维变换方法,给出了多元数据在几何代数空间的多向量表示,并且证明了该多向量表示的完备性.最后展望了将几何代数应用于可视化模式识别的前景.     

一类支持向量机的设备状态自适应报警方法

为了提高对异常状态识别的适应性和有效性,提出了一种基于一类支持向量机的设备状态自适应报警方法.该方法使用一类支持向量机的在线算法,动态估计监测参数在高维特征空间中的最优分布区域,将新数据与上一时刻分布区域的相对距离作为异常指标,描述监测参数的统计特征变化,辨识出设备的异常状态.通过对仿真数据的报警效果分析,以及将该方法应用于对加热炉风机的振动监测中,得到的异常报警结果能够满足实际监测的需要,证明该方法具有异常的识别敏感性、缓慢劣化包容性和状态迁移适应性的特点.     

汽车造型特征定量模型构建与应用

针对汽车造型特征难以定量化表达的问题,通过汽车造型特征空间构建和层次分析,对汽车造型的几何特征进行提取,并基于特征关系映射实验对汽车造型语义特征进行分析,构建了基于几何空间、语义空间及其映射关系的汽车造型特征定量化模型,并应用到设计实践中,初步解决了汽车造型设计主要依赖经验而定量工具缺乏的问题.     

基于改进算法的ART2网络用于微晶玻璃颜色分类

微晶玻璃颜色分类是最终控制产品质量的重要步骤，作者改进了传统ART2网络的学习算法，借用典型向量的概念，以模式的近似均值作为典型向量来飞速学习新模式，改进学习算法极大地改善了ART2网络的模式漂移现象，而且短搜索振荡过程，文中分析了微晶玻璃颜色分量的统计信息，经过适当变换高维颜色特征映射到16维特征空间中的一个超平面上，以超平面上的特征点作为改进算法ART2网络的输入进入网络分类器进行学习分类，实验证明改进算法网络用于微晶玻璃颜色分类时，运行正确，可靠，具有很高的正确识别率。     

基于动态独立成分的单类支持向量机方法及其在故障诊断中的应用

针对工业过程故障诊断中数据的动态性、非高斯性和非线性特点,提出一种基于动态独立成分的单类支持向量机(OCSVM)方法。为了分析数据的动态特性和非高斯性,应用动态独立成分分析(DICA)方法提取数据变量中的动态独立成分作为特征信息,基于特征信息建立OCSVM模型并构造非线性监控统计量。检测到故障后,计算故障数据与故障模式数据决策超平面的相似度,通过相似度分析识别故障模式。在Tennessee Eastman基准过程上的仿真结果表明,提出的方法能够比单类支持向量机更有效地检测过程故障,并且能够正确识别故障模式。     

模式识别理论中的逻辑特征方法

本文提出了一个新的模式识别特征方法——逻辑特征方法。这个方法不同于经典的模式识别方法:统计特征方法和句法结构方法。在逻辑特征法中,决定模式特征匹配状态的只有“是”或“非”,而不象统计特征和句法特征那样有匹配程度之分如“远”或“近”。逻辑特征有两个重要特性。1.多个逻辑特征可以链接在一起做为逻辑特征向量,这个逻辑特征向量可以做为索引匹配的索引号而对模式进行直接和索引分类。2.逻辑特征还可与其他特征共同使用,其中逻辑特征将做为标志。亦即只有逻辑特征匹配了,才能用其他特征进行匹配程度的计算。