基于SMOTE-IKPCA-SeNet深度迁移学习的小批量生产质量预测研究

随着智能制造技术的发展和客户个性化需求的增加,多品种小批量生产方式逐渐成为制造业的主流。面向大批量生产、以统计过程控制为核心的质量管理方式并不适用于小批量生产。针对复杂生产过程存在参数多、非线性和交互作用的问题,提出利用深度迁移学习的方式将历史生产数据作为源域迁移至小样本目标产品数据进行质量预测。首先,通过合成少数类过采样技术(synthetic minority over-sampling technique,SMOTE)和改进的核主成分分析(improved kernel principal component analysis,IKPCA)算法筛选源域和目标域的可迁移特征,这不仅兼顾了特征重要性和可迁移性,还减少了“负迁移”,提高了模型泛化能力;然后,采用结合通道注意力机制的卷积神经网络SeNet构建基于深度迁移学习的质量预测模型。仿真结果表明,随着目标域样本的增加,所提方法的预测准确性明显优于广泛采用的支持向量机建模方法。同时,所提可迁移特征筛选方法显著提高了深度迁移学习的质量预测效果,为复杂的小批量生产过程质量保证提供了新方法。

基于KPCA-LSSVM的回采工作面瓦斯涌出量的预测

为了提高瓦斯涌出量预测精度,针对瓦斯涌出量影响因素具有线性重叠、高维非线性等问题,提出使用核主成分分析法(KPCA)对影响因素进行非线性降维。选取沈阳某矿30组样本数据,以前24组数据作为训练集,后6组数据作为测试集,将确定后的核主成分作为最小二乘支持向量机(LSSVM)的输入变量,建立KPCA-LSSVM预测模型,将预测结果与PCA-LSSVM、LSSVM、多元非线性回归、KPCA-BP神经网络、PCA-BP神经网络以及BP神经网络预测结果进行对比。以最大相对误差绝对值作为模型预测精度的评价指标。研究结果表明:当选取前4个核主成分时,即达到模型训练要求。KPCA-LSSVM模型的预测最大相对误差绝对值为5.89%,预测精度均优于其他6种对比模型。研究结果可为实现瓦斯涌出量高精度预测提供参考。

非盲源KPCA剩余噪声比阈值层析SAR成像方法

合成孔径雷达(SAR)层析成像技术是基于干涉SAR测量技术发展而来的先进三维成像技术。层析SAR通过第三维反演技术将叠掩在同一距离-方位分辨单元的散射体进行分离而实现SAR的三维成像。因此,叠掩在同一距离-方位分辨单元的散射体分离是层析成像的关键。文中提出了一种非盲源散射体分离算法,结合核主成分分析和剩余噪声比阈值,估计同一距离-方位分辨单元内散射体的个数,并反演其位置。在满足完整度的同时,尽可能抑制噪声。该方法利用核主成分分析,人为增加核矩阵维度,从而减少系统的导向向量偏差;并且加入剩余成分中噪声强度比的计算作为算法的约束条件,从而降低了噪声信号误判的可能性。实验结果表明,所提方法在各个方面都优于传统的层析反演方法,并且高度重建精度得到一定程度的提高。

基于KPCA-GA-BP模型的页岩气集输管道的内腐蚀速率预测

针对页岩气集输管道的内腐蚀,提出了一种基于KPCA-GA-BP组合模型的腐蚀速率预测算法。以某条页岩气集输管道的检测结果作为训练数据,运用反向传播(BP)神经网络建立预测模型,运用遗传算法(GA)优化了神经网络权值和阈值的初始值,运用核主成分分析法(KPCA)对数据进行了降维,在模型建立的过程中不断优化提升模型的预测精度,采用所建模型对另一条相邻管道进行预测并开挖验证。结果表明:选择TRAINGDM作为训练函数,隐含层节点为(8,1),遗传算法进化数为50,种群规模为100,交叉概率为0.3,变异概率为0.2,运用KPCA将数据从7维降为4维后,此模型的均方误差最低为0.12,当该模型用于相邻管道的预测时,均方误差为0.14。运用KPCAGA-BP模型,对页岩气集输管道内腐蚀速率进行预测具有一定的准确性,此模型可用于辅助指导现场内腐蚀直接评价等相关工作。

基于小波KPCA-SSA-ELM的盐穴储气库注采管柱内腐蚀速率预测

为提升盐穴储气库注采管柱的内腐蚀速率预测精度,建立了基于小波核主成分分析方法(Kernel Principal Components Analysis, KPCA)和樽海鞘群算法(Salp Swarm Algorithm, SSA)优化的极限学习机(Extreme Learning Machine, ELM)腐蚀速率预测模型。首先通过小波KPCA提取影响注采管柱内腐蚀的主要特征,应用ELM建立盐穴储气库注采管柱内腐蚀速率预测模型,并采用SSA对模型参数进行迭代寻优,避免原参数选取的强随机性对模型泛化能力和预测性能的影响。结果表明,经小波KPCA特征提取后得到包含98.73%原信息的3项主成分,SSA-ELM模型的预测结果与实际值基本吻合,其均方根误差(E_(RMS))为0.009 3,平均绝对百分比误差(E_(MAP))为0.336 0%,决定系数(R~2)高达0.991 2,较其他3种对比模型性能更优。研究表明,所建模型具有强泛化性能和高预测精度,能够有效预测盐穴储气库注采管柱的内腐蚀速率,为盐穴储气库注采系统的完整性评价和风险预警提供参考。

基于KPCA-LSTM的旋转机械剩余使用寿命预测

旋转机械的剩余使用寿命(remaining useful life, RUL)预测对工业设备预测和健康管理的具有重要意义。该文针对多传感器冗余数据导致旋转机械退化信息提取困难、剩余使用寿命预测效果差的问题,提出了一种基于核主成分分析-长短期记忆网络(kernel principal component analysis-long short term memory, KPCA-LSTM)的方法对旋转机械剩余使用寿命预测。首先,分析旋转机械的多维退化数据,选择可以表征旋转机械退化的数据;其次,对退化数据进行(kernel principal component analysis, KPCA)融合及特征提取,将降维融合的特征作为预测模型的输入;然后构建旋转机械的健康指标,并通过多阶微分划分旋转机械的不同健康状态,建立KPCA-LSTM模型对旋转机械的剩余使用寿命进行预测;最后,在实验室搭建的矿用减速器平台上进行了试验验证。试验结果表明:该文所提方法与LSTM、粒子群优化LSTM的方法比较,该方法预测效果优于其他两种模型,并降低模型训练的复杂性,减少预测用时。

基于String Kernel和KPCA的负实例语法特征提取算法

提出通过String Kernel方法把负实例语法数据库中的负实例转化成核矩阵,再用Kernel Principal Component Analysis(KPCA)对转换的核矩阵进行特征提取,进而可将原始负实例数据库按照这些特征分成多个容量较小的特征表。通过构造负实例特征索引表设计了一个分类器,待检查的句子通过此分类器被分配到某个负实例特征表里进行匹配搜索,而此特征表的特征属性数和记录数要远远小于原始负实例数据库中的相应数目,从而大大提高了检查的速度,同时不影响语法检查的精度。通过比较测试,可看出提出的方法在保证语法检查精确度的同时有更快的速度。

基于KPCA和BiLSTM的分解炉出口温度预测

水泥生产过程中,分解炉出口温度是非常重要的工艺参数,为了应对出口温度变量的多样性,文章提出一种核主成分分析(kernel principal component analysis,KPCA)与双向长短期记忆(bidirectional long short-term memory,BiLSTM)神经网络相结合的温度预测组合模型用来预测分解炉的出口温度。通过KPCA筛选出影响因素的主成分从而达到数据降维目的,将降维后的主成分作为BiLSTM神经网络的输入,分解炉出口温度作为BiLSTM神经网络的输出。经BiLSTM神经网络训练,得到分解炉出口温度预测模型。通过对比验证表明,使用KPCA-BiLSTM相结合的温度预测模型具有较好的预测精度。

基于KPCA-K-means-GRU的短期风电功率预测研究

风能间歇性和波动性的特点给电网的平稳运行造成了很大的挑战,导致电网企业限制风电并网,造成弃风行为。因此,实时有效地预测风力发电情况对风电开发和电网的平稳运行至关重要。在分析当前多种预测方法后,提出了基于核主成分分析-K均值聚类-门控循环单元(KPCA-K-means-GRU)的短期风电功率预测模型。多维数据能够较好地还原实际物理状态,但过高维度的数据会带来维数灾难。因此,利用非线性的KPCA在保留高维数据信息的同时降低数据维度。随后借鉴负荷预测相似日思路,将降维后的数据通过K-means进行无监督聚类以建立不同的预测模型来提高预测精度。最后分别训练不同类别数据的GRU神经网络参数,进行分类预测以获得更合适的网络模型。

基于KPCA-SVM的高压断路器机械故障诊断

高压断路器机械故障特征都极为类似,缺少必要分级分类过程会导致识别精度大幅降低。本文提出基于KPCA-SVM的高压断路器机械故障诊断技术。采集高压断路器机械故障样本数据,使用核主元分析方法提取样本中故障的特征向量,将其输入到支持向量机内,完成故障多级分类,通过3个支持向量机训练与分类设备正常状态以及拐臂润滑不足、分闸弹簧脱落两个典型机械故障和其它故障,实现高压断路器机械故障准确、高效诊断。实验结果表明:该技术将正则化参数和核函数参数分别设置为30,15,能获得更优异的诊断性能;诊断各类型缺陷的准确度高达91%,且诊断用时均低于40 s,效率较高。

基于KPCA-SSA-BP的农业气象灾害预测

农业气象灾害对农业发展有很大阻碍,为优化农业气象灾害预测的估算模型,本研究以山东省作为研究区域,利用核主成分分析(KPCA)对影响因子进行降维,以传统反向传播(BP)神经网络模型为基础,基于麻雀搜索算法(SSA)、粒子群算法(PSO)、遗传算法(GA)3种优化算法,构建了SSA-BP、PSO-BP、GA-BP 3种优化模型。结果表明,在旱灾受灾率的模型评价指标对比中,发现与传统BP神经网络模型相比,SSA-BP、PSO-BP、GA-BP神经网络模型的均方根误差(RMSE)分别下降23.55%、12.28%和17.74%;在洪灾受灾率的模型评价对比中,发现与传统BP神经网络模型相比,SSA-BP、PSO-BP、GA-BP神经网络模型的RMSE分别下降了29.96%、9.49%和13.88%。说明SSA-BP神经网络模型对旱灾受灾率、洪灾受灾率的预测效果优于传统BP神经网络模型以及PSO-BP、GA-BP优化的神经网络模型。

基于KPCA-GWO-SVM的矿井突水水源识别

为提高矿井突水水源识别的精准度,提出1种基于KPCA-GWO-SVM的矿井突水水源识别模型;该算法利用核主成分分析(KPCA)进行特征降维,加快水源识别速度,通过灰狼优化算法(GWO)搜寻支持向量机(SVM)的最优参数,使水源识别精准度更高;以赵各庄矿为研究对象,分析各含水层主要水化学类型,选取6种离子指标,经KPCA提取3个主成分,随机选取总样本量70%为训练集(共47组),30%作为预测集(共20组),构建KPCA-GWO-SVM模型并与KPCA-PSO-SVM、KPCA-WOA-SVM和KPCA-SVM模型对比。结果表明:KPCA-GWO-SVM的水源预测结果与实际结果一致,比未经KPCA处理模型的预测准确率高10%且寻优速度更快;与其他模型相比准确率最高,具有优越性。

基于PCA和ICA模式融合的非高斯特征检测识别

针对无人船(Unmanned surface vehicle,USV)航行位姿观测数据的非高斯性/高斯性判别问题,提出一种基于主成分分析(Principal component analysis,PCA)和独立成分分析(Independent component analysis,ICA)模式融合的非高斯特征检测识别方法.首先,采用基于标准化加权平均和信息熵的数据预处理方法.其次,引入混合加权核函数并使用灰狼优化(Grey wolf optimization,GWO)算法进行参数优化,以提高PCA方法的准确性.同时,该算法采用一种新的非线性控制因子策略,提高全局和局部搜索能力.最后,建立了一种基于ICA和PCA联合的相关性分析方法来实现多维数据的降维,在降维数据的基础上综合T型多维偏度峰度检验法和KS(Kolmogorov-Smirnov)检验法进行非高斯性/高斯性特征检测识别.该方法考虑了非线性非高斯的噪声对降维结果精确度的影响,有效降低了多维数据非高斯检测的复杂度,同时也为后续在实际USV位姿估计等应用中提供了保障.实验表明,该方法具有较高的准确性和稳定性,可为USV航行位姿观测数据处理提供支持.

基于PCA多模型融合的滚动轴承性能退化指标构建

单模型构建的滚动轴承性能健康指标仅能从本身的“单角度”来描述滚动轴承的性能退化状态,具有一定的局限性。为解决这个问题,提出一种基于主成分分析(principal component analysis,PCA)多模型融合的滚动轴承健康指标构建方法。该方法分别采用支持向量数据描述(support vector data description,SVDD)模型、自联想核回归(auto-associative kernel regression,AAKA)模型和高斯混合模型(gaussian mixture module,GMM)构建相应单模型的健康指标,再将3个单模型的健康指标经主成分分析(PCA)融合,并选取第一主成分作为能够包含“多角度”性能退化信息的健康指标(SAG-HI)。试验结果表明,相比于各单模型的健康指标,SAG-HI与滚动轴承保持可靠度的灰置信水平达到98.38%,其相关性、单调性和鲁棒性也均表现为最优,且通过包络谱分析验证了其能够准确且及时监测到早期故障发生时刻。

基于PCA和KPCA特征抽取的SVM网络入侵检测方法

提出一种新颖的基于特征抽取的异常检测方法,应用主分量分析(PCA)和核主分量分析(KPCA)抽取入侵特征,再应用支持向量机(SVM)检测入侵。其中PCA对输入特征做线性变换,而KPCA通过核函数进行非线性变换。利用KDD 99数据集,将PCA-SVM、KPCA-SVM与SVM、PCR、KPCR进行比较,结果显示:在不降低分类器性能的情况下,特征抽取方法能对输入数据有效降维。在各种方法中,KPCA与SVM的结合能得到最优入侵检测性能。

基于KPCA-SIFT描述符的图像配准

SIFT描述符是一种鲁棒的局部特征描述符,利用核主成分分析的特征提取方法,对每个特征点的SIFT特征进行降维处理。核主成分分析采用非线性方法提取主成分,是主成分分析的改进算法。本文描述了一种基于KPCA-SIFT描述符的高精度图像配准算法,通过对KPCA-SIFT特征的相似性度量得到匹配点对,再根据这些匹配点对对图像进行配准。实验结果表明,KPCA-SIFT特征精确、稳定、可靠,可以得到高精度的配准。

提升KPCA方法特征抽取效率的算法设计

在PCA基础上发展出的KPCA方法能抽取样本的非线性特征分量。然而,基于KPCA的特征抽取需计算所有训练样本与待抽取特征的样本间的核函数,因此,训练集的大小制约着特征抽取的效率。为了提高效率,假设特征空间中变换轴可由一部分训练样本(节点)线性表出,并设计了改进的KPCA算法(IKPCA)。该算法抽取某样本特征时,只需计算该样本与节点间的核函数即可。实验结果显示,IKPCA在对应较好性能的同时,具有明显的效率上的优势。

基于KPCA的非线性ASM定位方法研究

针对主动形状模型(Active Shape Model,ASM)中的建模方法——主分量分析(Principal Component Anal-ysis,PCA)存在容易忽略像素间非线性关系等弱点,对基于ASM的图像中目标物体定位技术进行了非线性化的研究探索.通过引入核理论,提出了一种基于核主分量分析(Kernel PCA,KPCA)的非线性ASM定位方法,并运用多维空间距离关系原理解决了KPCA方法无法重构原空间图像模型的难题.实验证明,此方法能够有效地实现二维图像中的目标物体定位.

基于KPCA子空间虚假邻点判别的非线性建模的变量选择

特征变量选择技术是非线性系统建模过程中降低信息冗余和提高精度的有效方法。提出一种结合核主成分分析法(Kernel principal components analysis,KPCA)与虚假最近邻点法(False nearest neighbor,FNN)的变量选择法。引入核方法,将非线性原始数据映射到线性空间,再采用主成分分析法有效合理地消除因子之间的多重共线性,受混沌相空间虚假最近邻点法的启示,通过计算原始数据在KPCA子空间中投影的距离,判断其对主导变量的解释能力,由此进行变量的选择该方法用氢氰酸生产工艺工程中的非线性模型验证,并与全参数模型进行比较,结果显示该方法有良好的变量选择能力。因此,该研究为非线性系统建模的变量选择方法提供一种新方法。

一种基于数值逼近的KPCA改进算法

核方法广泛应用于模式识别等领域,但其存在着特征抽取效率和样本集的大小成反比的瓶颈问题.因此提出一种基于数值逼近的方法确定虚拟样本矢量,以此代替训练样本,提高KPCA(Kernel Principle Component Analysis)特征抽取效率.在确定虚拟样本矢量时,只需将样本矢量的初值设定为随机变量,算法实现简单、高效.在基准数据集上的实验结果显示该算法优于同类算法.