基于核主元分析的非线性动态故障诊断

核主元分析是一种非线性主元分析方法，充分利用核函数来解决非线性映射问题，在高维特征空间中确定主元，具有很好的非线性逼近能力。同时，利用非线性最小二乘法实现核主元分析的变量重构，来识别故障源。将核主元分析应用于连续搅拌釜式反应器系统（CSTR）的故障诊断过程中，仿真结果表明该方法对于故障的检测和故障源的识别都优于线性主元分析法的诊断效果。     

一种基于高阶统计量的图像识别算法研究

提出了一种基于图像高阶统计量的识别算法。利用Radon变换将图像数据变换到一维空间,通过计算投影数据的双谱构造出具有比例和平移不变性的特征。利用Rapid变换获得特征的旋转不变特性;接着,利用阈值分析的方法进行特征选择,获得了较原始特征更好的识别效果。针对特征向量过长的问题,利用主元分析进行长度压缩。与不同方法的实验比较表明,算法能够有效地用于图像识别。     

核主成分马田系统及其应用

为解决传统马田系统无法有效识别非线性数据问题,提出构建核主成分马田系统.该方法通过核马氏距离的构建,将马田系统和核主成分分析两种方法融合在一起,使其不但具备非线性数据识别能力,还具备数据降噪能力.实例验证表明:核主成分马田系统在降维率、识别准确率、不平衡数据处理能力、特异度和灵敏度等方面不仅优于传统马田系统,还优于BP神经网络、随机森林和逻辑回归等方法.同支持向量机递归特征消除法相比,在识别准确率和不平衡数据处理能力方面,两种方法性能接近,但当数据复杂度较高时,核主成分马田系统要优于支持向量机递归特征消除法,并且核主成分马田系统需要的维数较少,也不需要反复迭代.     

核稀疏概念编码算法及在图像表示中的应用

稀疏编码算法是一种常用的图像数据表示方法.为了处理高度非线性分布的数据,文中提出了一种核稀疏概念编码算法,并应用于图像表示.该算法首先对邻域图进行谱分析,提取数据的几何流形结构信息;然后将原始特征空间数据映射到高维特征空间中,利用谱回归在高维特征空间中来计算基向量;最后在高维特征空间中对每个样本逐个进行表示.文中算法不仅能有效地处理非线性结构数据,而且只需求解一个稀疏特征值问题和两个回归问题,计算简单有效.在Yale、ORL和PIE图像库的聚类实验表明,文中算法的准确率和归一化互信息均优于其它几种对比算法.     

基于模型的多尺度间歇过程性能监控

利用神经网络对间歇过程的非线性和动态特征进行描述,神经网络的预测残差则利用多尺度主元分析进行建模,将多尺度主元分析扩展用于间歇过程的监控.这一方法突破了传统多向主元分析单模型、线性化的建模方式,是一种多模型非线性建模方法.它利用小波将每一残差信号分解为各个尺度上的近似部分和细节部分,而主元分析则用于分别建立各个尺度上的统计模型.通过对实际工业链霉素发酵过程数据的分析,表明文中所提出的方法与传统的多向主元分析方法相比,能够更早地发现故障,获得更好的监控性能.     

基于EMICA-KRR的长输管道压力监测与泄漏定位方法

为解决长输管道压力监测过程中泄漏突发,难以实时预警并精确定位的问题,提出一种基于集成改进独立分量分析(EMICA)和核岭回归(KRR)的管道泄漏故障检测与定位方法.首先,建立基于EMICA算法的故障检测模型,提取并分离压力数据中的高斯信号和非高斯信号并构造相关统计量,实现故障信号分离与主分量选择;然后,根据EMICA模型获得的故障信号,进一步构造基于KRR算法的故障诊断模型,拟合数据得出故障信号压力变化幅值,实现泄漏信号的选择与泄漏故障的定位;最后进行TE(田纳西-伊斯曼)过程的数值仿真实验以验证算法的性能.仿真结果表明:EMICA-KRR算法拥有更良好的信号分离能力,可以准确识别泄漏故障信号并精确定位管段失效位置,克服了传统方法的低效、延时等缺点.     

一种新的支持矢量数据描述模糊识别方法

支持矢量机(SVM)是一种两类分类器,而支持矢量数据描述(SVDD)是一种单类数据分类方法,通过在特征空间寻找包含某类样本的最小超球体来对样本分类,该方法只需已知某类数据即可构造分类器.但是在SVDD方法中,直接根据超球体构造的分类器对样本数据正确识别能力不高.针对这个问题,根据样本在特征空间中到各个超球体球心的距离构造了样本属于各-个类别的模糊隶属度函数,提出了FSVDD多目标识别方法.在FSVDD的训练过程中采用了乘性迭代规则的快速优化算法,该快速算法降低了优化的复杂度和缩短了优化时间.在针对不同类型数据集的识别实验中,证明了提出的FSVDD多目标识别算法具有训练速度快、识别率高的优点,有很强的实用性.     

基于聚类和SVM多分类的容差模拟电路故障诊断

针对模拟电路故障的容差特性,提出了基于聚类和二叉树SVM多分类相结合的诊断方法.在每个故障特征样本子空间中,建立所有样本与样本重心的空间方向相似度并对其进行升序排列,把排列后的空间方向相似度作为聚类对象,根据聚类分析结果选择故障特征样本,利用所选样本训练二叉树SVM多分类器,实现故障特征样本的分类决策.用故障测试样本进行检验,实验表明采用该诊断方法可以解决容差模拟电路故障模式的识别问题.     

基于主元分析和免疫聚类的双向特征数据压缩方法

针对诊断特征数据中的重复或相似事例样本和特征参量之间可能存在的相关性，提出并实现了一种有效的特征数据双向压缩预处理方法，从而在不损失数据隐含的特征知识的前提下，有效降低学习机器的学习负担。在进行样本参量的降维处理时，采用基于主元分析的横向数据压缩方法，有效地去除了各特征参量之间的相关性。在压缩样本数量时，综述和比较了现有的各种聚类算法，基于竞争和自组织原理，对借鉴生物体的自然免疫系统中克隆选择以及免疫网络自稳定等有关机理的常规免疫聚类压缩算法，作了重要改进，提出了基于主元核相似度的亲和力定义方法，增加了抗原数据归一化、近似样本直接去除等处理步骤，使算法具有更高的执行效率和更广的适应性。并以国际上通用的过程控制仿真对象“Tennessee Bastman”工厂的实际数据进行仿真实验，验证了所提方法的有效性。     

基于近邻指标累积和的过程微小故障检测

针对工业过程微小故障以及工业过程数据普遍存在的非线性问题,提出基于近邻指标累积和(Cumulative Sum of Neighbor Statistic,CUSUM-NS)的故障检测方法.使用互信息主元分析(Mutual Information Principal Component Analysis,MIPCA)对...