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。     

无先验知识下基于概率主元分析的故障检测方法

基于故障可检测性条件, 提出了概率主元个数选择方法,根据能将所有故障检测出的条件, 确定出主元的个数.但是在有些实际工业过程中, 其故障形式往往不可尽知, 从而无法得出主元的个数, 给监控带来了困难. 为了能够有效地检测出故障,进一步提出一种多概率主元 分析(PPCA)模型的检测方法,首先选择不同的主元个数, 建立PPCA模型, 然后联合这些PPCA 模型进行检测,如果有一个主元模型的指标值超出控制限, 则认为过程出现故障, 从而实现故障检测.     

基于KPCA冗余检测的故障识别算法

工业过程中,采用传统贡献图方法识别故障时,由于没有考虑传感器发生故障而导致测量数据异常的情况,可能得到错误的辨识结果,对此提出一种故障识别的新思路。访方法通过设置多个传感器监测某一变量的变化情况,建立起测量值与待测变量之间的冗余关系,提出将检测这种关系是否保持作为翔定故障戍因的依据,并利用KPCA方法将原始测量数据映射...     

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。     

基于核主元聚类的股票分类

为了正确区分不同的股票类别, 降低分类的复杂度,论文结合核主元分析和K均值聚类构造核主元聚类方法对上市公司股票进行了分类处理.在核主元聚类方法中, 首先对样本数据进行预处理,然后利用核主元分析以非线性方式降低数据的维数,再利用K均值聚类方法对降维后数据进行聚类,并最终得到不同的股票分类情况.选择了沪深股市中20支上市公司股票来进行实证分析.实证结果表明：核主元聚类方法取得了较好的分类结果,为上市公司股票分类和评估提供了很好的依据, 具有较好的适用性.     

相对主元分析方法及其在故障检测中的应用

通常情况下利用传统的主元分析方法虽然可以对系统进行故障检测和诊断，但是如果数据标准化以后呈“均匀”分布时，由于很难选取主元，或者选取出主元时没有考虑随机向量分量的物理意义，使得主元没有代表性。在分析了主元分析方法的基础上，我们提出了一种相对主元分析的方法，给出了相对主元的几何意义，同时还提出了相对化变换，分布“均匀”等概念。在处理分布“均匀”数据时，应用新概念和新方法，可有效地克服传统的主元分析（PCA）在数据压缩和故障检测与诊断时的不足。仿真结果验证了算法的有效性。     

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RBF神经网络的非线性主元分析新方法

在分析非线性主元曲线性质基础上,提出了非线性负载是变量X的函数,基于此,设计非线性负载RBF神经网络结构,给出了随机梯度下降算法。提出的非线性主成分分析方法与以往方法比较,得分和负载在概念上具有和线性主成分分析相同的解释,在结构上较为简单,解决了缺乏训练数据问题,训练容易。与线性主成分分析的对比仿真验证了提出方法的有效性。     

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。     

基于主元分析和稀疏表示的SAR图像目标识别

现有的合成孔径雷达图像目标识别方法通常包括图像预处理、特征提取和识别算法3部分。但是,预处理算法的自适应性很难得到保证。提出了一种基于主元分析和稀疏表示的目标识别算法。首先,阐述了稀疏表示和重构的基本理论;其次,提出了基于主元分析和稀疏表示的合成孔径雷达图像目标识别算法;最后,选取MSTAR数据库中的5类合成孔径雷达目标图像进行仿真。结果表明,在没有预处理的情况下,该算法仍能有效地识别目标,与主元分析和三阶近邻的识别算法相比,具有较高的识别率和鲁棒性。     

基于PCA和SVM的控制图失控模式智能识别方法

控制图是在线质量控制的重要工具,而利用控制图进行异常过程模式识别却是个困难问题。该文在分析现有控制图识别技术在实际应用中存在缺陷的基础上,提出了一种基于主元分析(PCA)和支持向量机(SVM)的控制图失控模式识别方法。首先,将控制图作为信息图用于趋势模式数据集提取;然后,通过对数据集的高维特征进行线性组合并向低维空间投影的方法,降低了分类器的输入维数,提高了各维特征的敏感性;最后,为了克服神经网络方法速度慢和泛化能力弱的缺陷,利用SVM小样本学习能力,有针对性地设计SVM多分类器进行模式识别。用一个含有6种趋势的20维特征仿真数据集对该方法进行检验,通过主元分析后,数据集的特征被降到了3维并保留了88%的分类信息。进一步的识别结果表明,该方法相对现有的BP、SLFM识别方法达到更高的识别率和识别速度,适合质量控制图在线实时识别。     

基于拉普拉斯特征映射的故障模式识别方法

拉普拉斯特征映射算法能有效提取高维非线性数据中嵌入的低维流形特征.将其引入到设备故障诊断领域,应用于故障模式识别问题,提出了一种基于拉普拉斯特征映射的故障模式识别新方法.运用基于拉普拉斯特征映射的非线性降维算法直接对原始故障信号进行学习,提取出数据内在的流形特征,极大地保留了信号中内含的整体几何结构信息,有效克服了常规模式识别方法仅能获得局部线性结构的不足,明显改善了故障模式识别的分类性能.仿真和工程实例结果表明了所提方法的可行性和有效性.     

雷达目标一维距离像识别中的修正正则子空间法

涌现在复杂性理论中占有重要的地位.本文在讨论涌现的基本概念的基础上,介绍了一种用于研究复杂系统涌现行为的模型方法-CGP模型,给出了一个CGP模型的具体例子--采集机器人的仿真模型.通过对这个模型进行仿真实验,观察到机器人简单的状态转换函数和看似杂乱无章的行为产生了具有明显规律性的结果,对这种涌现现象的产生进行了分析,指出了它的现实意义.     

基于主成份分析思想的金融衍生证券定价伪蒙特卡罗模拟改进技术

在伪蒙特卡罗模拟应用于金融衍生证券定价过程中，标准维纳过程的构造方法对模拟估计的效果具有十分重要的影响。本文首先对现有的传统标准维纳过程构造和布朗桥构造方法进行简要分析。在此基础上，基于主成份分析基本思想，对能够用于有效减少实际问题维数的主成份构造方法及其在高维衍生物证券定价问题中的应用进行了深入研究探讨，为进一步改进蒙特卡罗模拟在金融衍生物定证券定价中的应用效果提供了有效途径。     

基于Kohonen网络的减速箱机械故障模式识别

在自动聚类分析的基础上，根据某汽轮机减速箱运行状态的特征数据，采用Kohonen网络方法，随机选取该汽轮机减速箱运行状态的几组特征数据进行训练。结果竞争层有三个神经元获胜，即该机械的运行状态被分为三类。训练好的网络于对其余几种特征数据进行识别。根据识别结果可以确定该机械的运行状态。结果与选用其它方法所确定的结果一致。因此，Kohonen网络方法可应用于模式识别。从而该方法能实现对汽轮机减速箱运行状态的监控。     

基于路径选择模型的驾驶员反应模式识别

以诱导信息质量为单属性来建立满意决策的路径选择模型，然后利用Bayes方法对驾驶员接受诱导所需的知识量和时间进行分析。最后，根据必需知识量识别出驾驶员对诱导信息反应行为的三种主要模式：接近、观望和远离。这一结果使诱导系统有选择地发布诱导信息，提供“度身订造”的诱导策略成为了可能。     

一种基于神经网络的免疫识别故障检测模型

提出了一种基于神经网络的免疫识别故障检测模型.该模型根据免疫识别原理来构造神经网络检测器,通过训练将被检测对象的故障模式信息存储于分布的检测器中,检测器用于捕获被检测对象的异常模式特征,当检测器与特征样本匹配时则激活该检测器,根据检测器的激活情况来发现故障,并给出了相应的训练算法.通过滚动轴承损伤检测的仿真实验,表明该方法对由轴承损伤冲击造成的信号突变保持了较高的灵敏度和分辨率,对于滚动轴承的监测具有一定的应用价值,并可方便地推广到其他类似的工业应用领域.