基于KICA‑CIM的电能计量设备HPLC通信单元运行质量评估体系

针对电能计量设备中高速电力线载波通信(high speed power line carrier communication,HPLC)单元现场的运行质量评估需求,提出一种基于核独立分量分析-部件关键度(kernel independent component analysis⁃component importance measure,KICA⁃CIM)多模型集成的评估方法。首先,整合分析典型客户侧计量设备本地物联应用场景、通信技术的主要性能影响因素,综合构建物联场景性能评价的普适性指标库;其次,面向运行场景中的多源、异构、高维数据环境,一方面利用KICA处理非线性特征并求解主成分,计算各指标的个体权重,另一方面利用CIM模型区别衡量各指标评价结果对整体评估效果的不同影响程度,对指标进行重要性赋权,确定每个指标的作用权重。通过组合赋权模型实施整合,实现运行质量的全面评估;最后,利用某地区电能计量设备数据,验证所提出方法的可行性和有效性,有利于改善评估结果的准确性与合理性。

KICA模型选择及其在消除脑电信号伪差中的应用

理论分析并结合实验验证指出基于正定核的独立分量分析算法(K ICA)的优化与分离性能与其模型参数的选择有关。提出了一种简单高效的模型选择方法:在混合信号中附加一个已知验证信号,通过最小化该已知信号的分离误差来选择最优模型参数。实验结果表明:经模型选择后的K ICA能成功分离脑电信号中的心电伪差。

基于KICA-GDA和LSSVM的齿轮箱轴承故障诊断

为了提高齿轮箱轴承故障识别率,提出基于核独立分量分析(KICA)、广义辨别分析(GDA)与最小二乘支持向量机(LSSVM)的轴承故障识别方法。首先将轴承故障信号的谱峭度、信息熵等故障特征作为原始特征向量,通过KICA方法将原始特征向量映射到核特征空间,去掉不同故障特征间的冗余并消除原始特征向量间的相关性。然后利用GDA方法对故障特征进行非线性融合,并将其作为LSSVM分类器的输入从而实现轴承的故障分类。齿轮箱滚动轴承故障诊断试验结果表明:KICA-GDA和LSSVM的故障诊断方法可以识别出更多的轴承故障信息,且提高了LSSVM的分类性能,该方法相对于直接采用LSSVM进行分类的轴承故障方法具有更优秀的分类性能。

基于小波变换和KICA算法的图像盲分离

盲源分离技术在污染图像恢复与重构中起着重要的作用。近年来出现了多种盲分离算法,在无噪声的情况下,KICA(核独立分量分析)的分离方法最好。但在有噪声的情况下,传统的方法对于有噪混合图像的分离效果不佳。针对这一问题,提出了小波去噪与KICA相结合的算法对有噪混合图像进行去噪分离。仿真实验结果表明这种方法能有效地降低噪声的影响,能较好地实现了图像的分离。

KICA与Relief算法相结合的人脸识别研究

为使提取到的独立成分有利于人脸的分类识别,在用核独立成分分析(KICA)进行特征提取后,选用改进后的k最近邻的Relief方法进行特征选择。改进后的Relief算法可以减少噪声污染,并能处理小样本问题,使选择后的人脸特征较好地用于分类。通过在AR人脸库上的实验,并与类内类间距离的特征选择方法进行比较,证明了该方法的有效性。

LMD-KICA滚动轴承信号特征提取方法研究

在实际工程机械所产生的滚动轴承故障信号十分复杂,有效的故障信号和特征信息极易被噪声信号所干扰,针对工程中振动信号的特点,提出了一种基于局部均值分解(LMD)结合核独立分量分析(KICA)的方法提取故障信号特征。首先将源信号进行LMD分解,根据相关系数准则提取相关程度高的PF分量并构建新信号,对新构建的故障信号运用KICA进行噪声分离,进而获得故障信号特征。先通过构造信号仿真分析方法有效性,再通过西储大学轴承实验数据对比分析,验证该方法适用于提取滚动轴承的故障特征。

基于KICA的多时相遥感图像变化检测

针对PCA变化检测方法的精度较低和ICA方法的线性局限性问题,提出了基于核独立成分分析(KICA)的多时相遥感图像变化检测方法。首先,将每一时相的图像转化为列向量,并把这些列向量组成矩阵;然后,通过核函数将矩阵映射到高维特征空间中,再在该空间中利用ICA方法分离出相互独立的图像分量;接着通过FCM算法分割表征变化信息的图像分量,并采用区域生长算法获得完整的变化信息;最后,分别利用本文方法与差值法、PCA方法和ICA方法对多时相遥感图像进行变化检测,并对检测结果进行定性分析和定量比较。结果表明,该方法能更好地分离出多时相遥感图像的变化信息,具有更高检测精度。

基于混合函数的KICA-LSSVM故障分类方法及应用

利用核独立成分分析(KICA)进行非线性特征提取,然后用最小二乘支持向量机建立故障分类模型。研究表明,不同核函数对模型的性能有很大影响。利用已有核函数构造混合核函数,提出基于混合核函数的KI-CA-LSSVM故障分类方法,并应用到某石化企业的润滑油生产过程。实验结果表明该方法具有很高的分类和泛化能力。

运用模拟UV数据的KICA-SVR模型同时测定饮料中多种色素的含量

在模拟水性饮料和实际饮料样品中加入不同种类和含量的色素,运用核独立成分分析(KICA)法提取样品的紫外-可见(UV)光谱数据中独立组分(IC)信息,以IC的系数矩阵进行支持向量回归(SVR)处理并建立UV-KICA-SVR模型,用于直接预测各种色素的含量.用此方法测定水性饮料中柠檬黄、日落黄、诱惑红、苋菜红、胭脂红和亮蓝6种色素的含量,相对标准偏差分别为1.5%,2.2%,2.0%,2.5%,2.6%和1.2%,检测限分别为0.5 mg·L-1,0.5 mg·L-1,0.5 mg·L-1,1.0 mg·L-1,1.0 mg·L-1和0.5 mg·L-1.

基于KICA改进算法的运动目标检测

在视频运动目标检测中,由于存在多种光源与运动目标遮挡背景的原因,运动目标与背景必然具有一定相关性。基于核方法的独立分量分析(KICA)将数据从低维空间映射到高维,然后讨论分离分量的第一典型相关性,但由于KICA采用线性混合模型,所以存在一定局限性,忽视了运动目标和背景分割存在的非线性效应。因此,提出了一种KICA改进算法,该算法使用了非线性模型,对于解决目标与背景间的非线性问题具有一定的优越性。

基于KICA的旋转机械振动信号消噪方法

原始信号采集过程中总是无法避免引入各种噪声,消噪是信号分析处理的关键环节。已有的大量消噪方法各有优劣,仍需不断寻求新的消噪方法,以推进信号处理技术的发展。依据核独立成分分析(kernel independent component analysis,KICA)可将混合信号源的独立成分一一分离的特性,认为噪声信号和有用信号均可以作为独立成分分离开来,选取有用信号加以重构,即可实现消噪处理。通过引入适配噪声分量,有效实现了旋转机械转子不平衡振动信号的消噪处理,验证了方法的有效性。

结合KICA的软测量建模方法及其在间歇过程的应用

针对间歇过程的建模问题,提出一种结合核独立成分分析(KICA)和稀疏核学习的软测量建模方法。首先将KICA应用于建模样本集,在高维空间提取输入变量的信息,以降低过程变量的相关性,再用稀疏核学习建立软测量模型。以估计链激酶流加发酵过程的活性菌体质量分数和链激酶质量分数为例,将基于KICA信息提取的稀疏核学习方法用于间歇过程的软测量建模。仿真结果表明,KICA信息提取能力优于传统ICA或核主元分析等其他方法,所提出的建模方法预报精度更高。

EWT-KICA联合的滚动轴承故障诊断

滚动轴承故障信号能量较弱,故障信息在实际工况下更容易受到噪声的影响,致使很难有效地实现信噪分离。针对这一问题,提出经验小波变换(EWT)和核独立分量分析(KICA)联合的振幅解调方法消噪。使用经验小波变换对轴承故障信号进行分解,根据相关系数准则对分解获得的IMF分量信号进行筛选,重组分量信号并构造虚拟噪声信号。使用核独立分量分析算法对重构的信号进行增强处理并分解,实现信号和噪声的分离。采用包络谱法对分离后的信号进行分析。仿真对照实验表明,该方法具备较强的特征提取能力。

WKICA算法在多光谱遥感特征提取中的应用研究

多光谱遥感图像具有高度冗余、非线性化的特点。对其进行有效的特征提取是完成精确目标分类的前提。基于核方法强大的非线性映射能力,提出一种小波核独立成分分析WKICA算法。WKICA算法结合小波核函数近似正交,能够对复杂非线性信号进行逐步逼近的优势,有效提高了核独立成分分析KICA算法的求解精度。将其应用在多光谱遥感图像特征提取中,并对预处理条件下的图像采用不同的监督分类方法进行分类实验。实验结果表明,在WKICA算法预处理条件下,能够更有效的滤除图像噪声,相比较传统的特征提取算法,能够获取更加精确的图像分类效果。

基于KICA属性优化的支持向量机储层参数预测

为提高储层参数预测的精度,提出一种基于核独立分量分析(KICA)属性优化的支持向量机储层参数预测技术,KICA属性优化技术充分体现属性信息的非线性关系与高阶统计特性,提取出相互统计独立的反映地下储层参数的储层信息。支持向量机技术基于结构风险最小化原理,可解决小样本、高维与局部最小的非线性系统问题,二者有效的结合,能够将繁冗的地震属性空间,结合较少的井数据精确预测出储层的参数分布。通过模型及实际资料研究表明,本文储层参数预测方法的应用效果好,预测精度高。

结合多尺度几何分析和KICA的遥感图像变化检测

为了进一步提高基于独立分量分析ICA(Independent Component Analysis)的遥感图像变化检测精确度,更好地实现地表覆盖的动态监测,将多尺度几何分析和核独立分量分析KICA(Kernel Independent Component Analysis)相结合应用于遥感图像的地表覆盖变化检测。首先利用Contourlet变换、复Contourlet变换CCT(Complex Contourlet Transform)、非下采样Contourlet变换NSCT(Nonsubsampled Contourlet Transform)等多尺度几何分析对土地遥感图像进行多尺度分解;然后对分解后的数据进行核独立分量分析,通过核函数将数据映射到高维特征空间中,再在该空间中用ICA方法分离出互相独立的分量;最后将分离后的地表变化分量转化为图像分量,再采用最大类间方差法对变化图像进行分割,实现地表覆盖的变化检测。给出了本文方法和近年来提出的基于ICA、基于KICA、基于小波变换和ICA等变化检测方法的实验结果,并进行了分析和定量比较。实验结果表明,基于多尺度几何分析和KICA的变化检测方法能更好地分离出遥感图像的变化信息,其中基于NSCT和KICA方法的错判和漏检误差最小,且在边缘细节方面处理得更好,而基于Contourlet变换和KICA方法的检测效率相对较高。

基于ITD-KICA盲分离降噪的滚动轴承故障特征提取

滚动轴承在实际工况下的故障信号和故障信息常常淹没于噪声中,传统的故障特征提取方法很难有效提取出轴承故障特征信息。因此,采用时间固有尺度分解(ITD)和核独立分量分析(KICA)相结合的信噪盲分离分析法降噪。对轴承信号进行ITD分解,根据相关系数将分解得到的PRC分量重组以及构建虚拟噪声通道,利用KICA解混实现故障信号与噪声信号分离,对信噪分离后的有效分量信号做包络谱的分析。通过仿真及轴承故障实验分析和对比表明,该方法能有效提取轴承的故障特征。

基于WKGV-KICA的盲源信号分离算法

基于核学习的非线性映射能力,提出一种小波核广义方差的核独立成分分析算法WKGV-KICA.小波核函数具有近似正交,适用于信号局部分析的优点.与互信息相联系,将核广义方差作为对比函数对统计独立性进行衡量,可以获得理想的数学特性.将该算法应用于宽范围的盲源分离问题的实例中,并与现有算法进了比较.实验结果表明,WKGV-KICA算法在同等条件下的分离精度更高,而且性能更好.

基于PSO-ELM算法实现船舶发电机组故障识别

针对船舶发电机组的不同故障类型,通过传感器采集不同故障下柴油机缸盖处的振动信号,构成大量数据集,选取部分数据集作为样本数据。通过EEMD算法对样本数据进行分解降噪,把一维数据分解成能反映柴油机工况信息的多维数据,对分解形成的多维数据使用KICA算法进行特征提取,并对提取后的数据进行训练集、验证集分组。使用PSO-ELM算法搭建故障识别模型,并使用训练集训练模型,使用验证集验证模型,根据验证结果评价模型是否满足故障识别的精确度。

基于改进的GA-LSSVM的软测量建模方法

针对工业过程中某些重要过程变量难以实现在线测量的问题,提出了一种改进的最小二乘支持向量机(IGA-LSSVM)的软测量建模方法.该方法采用核独立分量分析(KICA)对高维数据进行特征提取,利用改进的最小二乘支持向量机进行建模.该方法既利用了最小二乘支持向量机求解速度快的特点,又利用了自适应遗传算法强大的全局搜索能力,增强了模型的自适应性.用该方法建立柴油凝点的软测量模型,结果表明,基于IGA-LSSVM方法建立的软测量模型具有较高的预测精度和泛化能力.