基于核熵成分分析的工业过程多类型故障诊断

核熵成分分析(KECA)特征提取过程中只保留了数据的最大瑞丽熵(Renyi)信息,没有充分利用数据的类别信息。由于监督学习算法线性判别分析(LDA)能够有效提取特征中的类别信息,因此提出KECA-LDA(KEDA)的特征提取方法。首先KECA依据最小Renyi熵损失策略对数据进行维数约简;然后在KECA特征空间使用LDA算法获取具有判别信息的低维特征并输入到支持向量机(SVM)分类器中,利用天牛须优化算法(BAS)得到最佳性能的SVM分类器,从而建立故障诊断模型。将KEDA-BAS-SVM方法应用于田纳西-伊斯曼化工过程(TE)进行仿真实验,结果表明:当采用基于距离测度的矩阵相似性优化确定KEDA中所选用的径向基函数(RBF)核参数时,相比KECA和LDA算法,KEDA特征提取后多类型故障诊断准确率达到99.7%,验证了KEDA-BAS-SVM在多类型故障诊断领域的优越性。

基于核熵成分分析的工业过程故障诊断

针对实际工业过程数据往往具有高斯与非高斯共存、非线性的特点,及传统核主成分分析在特征提取时仅考虑变量方差最大化导致信息丢失,并且处理非高斯数据能力欠佳,因此传统核主成分在故障诊断分析中难以取得令人满意的结果的问题,提出一种核熵成分分析(kernel entropy component analysis, KECA)、余弦相似度K均值(K-means of cosine similarity, CSK)的故障诊断方法。首先将数据投影至高维空间,KECA方法根据Renyi熵大小选取投影方向,对数据进行降维;然后,基于KECA能够以角结构方式捕捉数据内部的集群结构信息,设计一种余弦相似度的K均值聚类器,对数据进行聚类并建立故障诊断模型;最后,将KECA-CSK方法应用于田纳西-伊斯曼化工过程进行仿真实验。结果表明:与核主成分聚类分析相比,KECA-CSK方法具有更好的诊断结果,验证了所提方法的优越性。

基于核熵成分分析的模拟电路早期故障诊断方法

针对模拟电路早期故障诊断中存在部分早期故障类别重叠的难点,提出了一种基于核熵成分分析的故障诊断方法。首先应用小波分形分析计算被测电路时域响应信号的小波分形维特征,然后利用核熵成分分析方法进行特征的优选与降维,最后将优选和降维后的特征应用最小二乘支持向量机多类分类器进行区分,其中用于识别重叠故障类别的最小二乘支持向量机的参数由量子粒子群算法优化选择。仿真结果表明,本文提出的核熵成分分析方法能较好地获取故障响应信号的本质特征,并表现出了比其他特征提取方法更好的性能,有助于提高模拟电路早期故障的诊断正确率。

基于核熵成分分析的流式数据自动分群方法

针对多参数流式细胞数据传统人工分群过程复杂、自动化程度不高等问题,提出了一种基于核熵成分分析(KECA)的自动分群方法。选取对瑞利(Renyi)熵具有最大贡献的特征向量作为投影方向,对数据进行特征提取;设计了一种基于余弦相似度和K-means算法的分类器,并采用一种基于向量夹角的最佳聚类数确定方法,最终获得细胞的分类标签。对实验获得的淋巴细胞免疫表型分析数据进行处理,结果表明,该方法能够实现细胞的快速、自动分群,整体分群准确率能够达到97%以上,操作简单便捷,提高了细胞分析的效率。

基于上下文信息和核熵成分分析的目标分类算法

结合图像属性上下文信息和核熵成分分析,构造了一种新颖的基于下上文信息的局部特征描述子——上下文核描述子(Context Kernel Descriptors,CKD).上下文信息的引入提高了CKD特征的鲁棒性,减少了特征误匹配.核熵成分分析从全维CKD特征分量中选出最能代表目标几何结构信息的特征分量,将其投影到这些特征分量张成的子空间上可得到降维CKD特征.在Caltech-101和CIFAR-10的测试结果表明,CKD的分类性能不仅明显优于其它局部特征描述子,还优于多数基于稀疏表示和深度学习等复杂模型的目标分类算法.

基于核熵成分分析的热轧带钢自适应聚类分析

为提高热轧带钢力学性能离线检测的针对性和生产过程控制的实时性,提出利用聚类分析方法实现生产状态的聚类,对错分或离群样本进行力学性能的重点检测。常用的高斯核主成分聚类分析中假设数据服从正态分布,以方差大小提取核主成分,而实际生产数据分布复杂,拟采用核熵主成分分析,并自适应选取核参数和聚类数,实现生产状态的自适应聚类。利用实际生产数据进行方法验证,与核主成分聚类分析相比具有更好的聚类结果,聚类正确率从86.23%提高到96.51%,更加有效地提高了质量检测的针对性。

基于多向核熵成分分析的微生物发酵过程多阶段划分及故障监测

针对多向核主元分析法(MKPCA)在监控动态非线性和多模态间歇生产过程故障的不足,提出一种基于物理信息熵的多阶段多向核熵成分分析(multiple sub-stage multi-way kernel entropy component analysis,MSMKECA)的新方法用于故障监控。该方法首先通过核映射将数据从低维空间映射到高维特征空间;其次在高维特征空间依据熵结构信息计算每个时刻数据矩阵的相似度指标进行阶段划分,将间歇过程划分为各稳定阶段和各过渡阶段,并在过渡阶段用时变的协方差代替固定协方差;最后在划分的阶段里分别建立模型进行间歇过程监测解决间歇过程的动态非线性和多阶段特性;将所提出的算法应用于青霉素发酵仿真系统的在线监测,验证了该方法的有效性。

基于核熵成分分析的高光谱遥感图像分类算法

根据核熵成分分析(KECA)的特点提出了基于凸面几何学概念的样本集选取方法和以特征空间光谱角为相似性度量的C-均值分类算法,并将其用于高光谱遥感图像分类。在HYDICE高光谱数据上的试验表明,本文提出的算法可以有效地提高分类精度。

基于核熵成分分析的油中溶解气体浓度预测

针对变压器油中溶解气体浓度预测中信息利用不完善问题,提出基于核熵成分分析(Kernel Entropy Component Analysis,KECA)的油中溶解气体浓度预测建模方法。首先用灰关联分析方法选取预测模型的输入变量;然后对选取的输入变量进行相空间重构;最后采用Renyi熵信息测度确定KECA核参数,用KECA对重构相空间提取核熵成分作为支持向量机(Support Vector Machine,SVM)的输入,建立变压器油中溶解气体浓度预测模型。用本文方法、单变量时间序列方法、多元变量时间序列方法测试60例样本,本文方法具有最小的均方根误差,为0.1607。实验结果表明,本文提出的方法具有较优的预测精度和泛化能力。

基于核熵成分分析的数据降维

针对高维数据的维灾问题,采用核熵成分分析方法降维数据,并与主成分分析及核主成分分析方法进行对比。降维后的数据利用支持向量机算法进行分类,以验证算法有效性。实验结果表明,KECA在较低的维数时仍然能获得较好的分类精度,可以减少后续的处理复杂度和运行时间,适用于机器学习、模式识别等领域。

基于核熵成分分析结合独立元分析的故障检测方法

针对工业过程具有多变量、非线性、非高斯等特点,提出了一种基于核熵成分分析与独立元分析的(KECA-ICA)的故障检测方法。首先通过核熵成分分析对数据进行降维,保证了信息量损失最小;然后对熵成分的得分矩阵进行ICA分解,并根据监测量SPE和I2的状态判断系统是否发生故障。通过对TE(Tennessee Eastman)过程的仿真研究,验证了该方法的可行性与有效性,并且对检测效果的鲁棒性能进行了分析。

基于核熵成分分析的综合干旱指数的构建与应用--以黑河流域中上游为例

针对传统单变量干旱指数难以全面表征干旱及部分综合干旱指数难以反映多变量之间的非线性关系等问题,采用标准化降水蒸散发指数(SPEI)、标准化径流指数(SRI)及标准化土壤湿度指数(SSMI)3个单变量指数分别表征气象干旱、水文干旱和农业干旱,利用核熵成分分析法(KECA)构造综合干旱指数(SMDI),采用M-K趋势检验、小波分析及典型历史旱情验证等方法分析干旱的时空变化特征以及干旱指数的适用性。以黑河流域中上游为例,结果表明:研究区全年77.6%的区域表现为干旱不显著加重的趋势;在流域尺度上,干旱存在43 a的长周期,15~23 a的中周期,3~8 a的短周期;20世纪90年代夏、秋两季及21世纪以来春、冬两季干旱发生频率较高,且整体夏旱发生频率最高;1969年春、1997年秋和2009年冬的典型历史旱情验证表明SMDI优于其他3种单变量干旱指数。说明基于KECA构建的SMDI是一种有效的干旱监测指数,在黑河流域中上游干旱监测中有好的适用性。

基于时频特征核熵成分分析的局部放电模式识别方法

为实现电气设备局部放电模式的准确识别,提出了一种基于时频特征核熵成分分析的局部放电模式识别方法。首先采用S变换理论对局部放电脉冲信号进行时频特征分析,针对S变换分析结果维数庞大但冗余信息较多而不便于模式识别的缺点,基于核熵成分分析方法对S变换结果进行压缩降维处理,得到了局部放电模式识别时频特征向量,同时结合随机森林分类器实现了局部放电类型的准确识别。搭建了尖端放电、沿面放电、气泡放电、悬浮放电等典型变压器绝缘缺陷模型并采集了局部放电信号,分别采用文中方法、PCA方法及KPCA方法进行了局放模式识别实验。实验结果表明,相比PCA方法及KPCA方法,文中方法局放模式识别结果准确率较高且耗时较短。

监督自适应核熵成分分析特征提取的电力变压器故障诊断

核熵成分分析(kernel entropy component analysis,KECA)方法在处理非线性数据集,去除冗余信息方面具有独特的优势。针对电力变压器故障诊断中有效特征提取困难,KECA中核参数选择繁琐以及忽略了样本类别信息等问题,文中提出一种自适应核函数优化学习的监督核熵成分分析特征提取方法,用于电力变压器敏感特征量的提取。首先收集电力变压器不同状态下的样本数据,并结合样本类别信息建立一个依赖数据的核函数;其次基于余弦相似度以最小化类间相似度和最大化类内相似度为目标对核函数中表征样本类别信息的参数进行优化;然后将优化得到的核函数与核熵成分分析相结合形成一种监督的自适应核熵成分分析(supervised adaptive kernel entropy component analysis,SAKECA)特征提取方法,并运用该方法从原始特征量中提取出能有效表征电力变压器状态的敏感特征;最后将提取的特征输入核极限学习机(KELM)建立变压器故障诊断模型。与常用特征提取方法进行对比分析,结果表明所提方法具有良好的特征提取效果,能有效提升故障诊断准确率。

基于核熵成分分析的光谱重建算法研究

对基于核熵成分分析的光谱反射率重建方法进行了研究,分别采用主成分分析方法和核主成分分析方法构建光谱反射率重建算法进行颜色重建研究,并与基于核熵成分分析算法的光谱反射率进行比较。实验结果表明,基于核熵成分分析的光谱重建算法在色度精度和光谱精度上均优于主成分分析和核主成分分析,对物体表面颜色的真实重建具有一定的应用价值。

基于监督核熵成分分析的发动机磨损故障诊断

针对发动机受工作环境影响,导致油液光谱数据存在大量冗余信息且具有非线性结构,从而影响发动机故障诊断结果的问题,提出监督核熵成分分析(supervised kernel entropy component analysis,SKECA)的特征提取方法;该方法在核熵成分分析基础上引入监督学习算法,提取油液光谱数据的内在几何特征,使提取后的故障特征中包含判别信息,并利用遗传算法(genetic algorithm,GA)寻找参数来优化特征提取的结果,采用支持向量机对故障特征进行分类。结果表明:采用SKECA进行特征提取能够有效提高发动机故障诊断精度。

基于互信息与核熵成分分析的故障检测算法

现有故障诊断方法对样本数据分布要求过于苛刻且难以提取高阶的统计信息,故本研究提出一种基于互信息与核熵成分分析的故障检测算法(MIKECA)。首先根据训练样本建立核熵成分分析(KECA)模型,然后通过其残差矩阵与互信息求得一种新型统计量—基于互信息的平方预测误差(MISPE),利用核密度估计计算统计量的控制限;最后把测试样本投影在KECA模型上,计算测试样本的统计量并与控制限对比,统计量超出控制限的样本即被识别为故障样本。将这种方法用于TE(Tennessee Eastman)过程的故障检测,对比传统核主成分分析、传统核熵成分分析算法,具有比较明显的优势。

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。

基于核熵成分分析的电力用户核心大数据匿名化研究

针对传统电力用户核心大数据匿名化方法,存在用户识别精准度低、匿名效率差的问题,基于核熵成分分析研究了一种新的电力用户核心大数据匿名化方法。确定匿名信息来源方向,主要的来源方向有企业数据与9558信息处理数据两种,同时优化高性能计算技术、数据挖掘技术、数据可视化技术,基于三种技术实现电力用户核心大数据匿名化。为了验证方法的有效性,设定对比实验,结果表明,基于核熵成分分析的电力用户核心大数据匿名化方法,能够在短时间内精准地识别用户信息,实现匿名化处理。

基于核熵成分分析的电力用户核心大数据匿名化研究

为了进一步增强电力用户核心大数据匿名化的隐蔽性,提出一种基于核熵成分分析的匿名化算法。核熵成分分析通过将信息量较大的主元数据映射到高维空间,在高维空间进行主元分析的降维方法,实现大数据匿名。并通过具体事例分析,说明该匿名化算法的具体应用。实验结果表明,基于核熵成分分析的匿名化算法,可以有效隐私防护电力用户信息,且处理效率进一步提升。