主元子空间中的SVM性别分类算法

提出了一种在主元子空间中的SVM性别分类算法.它首先通过主元分析对图像输入空间进行降维,形成一个主元子空间,然后在该子空间中以SVM进行隐性升维再构建最优分界面.文中对算法在不同参数下的性能进行了比较,并将本算法和其他方法进行了比较.实验结果表明,在选择了合适参数的情况下能达到94.87%的准确率,并能获得比其他方法更好的性能.

基于主元子空间的主动配电网量测设备关键配置位置识别

为了进一步优化主动配电网中量测设备的配置,提出了基于主元子空间的量测设备关键配置位置识别方法。该方法不需要关于系统的完备先验知识。利用主元分析方法将量测数据映射到主元子空间中,利用主元的累计方差贡献率选取样本主元;在量测变量重构的基础上,计算量测变量对Hotelling T2统计量的重构贡献率;定义了节点重构贡献率和节点相对贡献率,并将相对贡献率应用到关键配置位置识别中。IEEE 69节点系统的仿真结果表明了所提方法的有效性。

基于主元子空间故障重构技术的故障诊断研究

针对基于主元分析(PCA)的统计性能监控法,由于不用过程机理模型的信息,因此,对故障诊断问题有难以在理论上作系统分析的缺陷,于是提出了一种基于主元子空间故障重构技术的故障诊断方法。利用故障子空间的概念,在故障重构技术的基础上,研究基于T^2统计量的故障诊断问题,提出故障识别指标和诊断算法。通过对双效蒸发过程的仿真监测,验证该诊断方法的有效性。

基于故障重构的PCA模型主元数的确定

基于故障重构理论研究了PCA模型主元数的确定方法,应用累积方差贡献率以及复相关系数对主元模型性能进行分析·在基于PCA理论进行故障诊断中,故障变量可根据故障的方向向量进行重构,未重构方差(VRE)可分别投影于主元子空间(PCS)和残差子空间(RS)·确定最优重构是使两空间的VRE之和达到最小,与此相对应的主元数即为最优主元数(PCs)·应用累积方差贡献率以及复相关系数对主元模型性能进行评价,结果表明确定的PCA模型PCs保证了PCS中的信息存量·对于工业PVC聚合反应过程的故障诊断说明了上述方法的合理性与有效性·

改进主元法在故障检测中的应用

提出一种改进的主元分析法,在线检测当前时间窗口内过程数据的主元子空间,与稳态无故障数据的主元子空间相比较,以判断是否发生了故障,仿真中,将改进主元法与常规主元法同时应用于Tennessee Eastman过程,结果表明:两者都能检测出对过程影响较大的故障,改进主元法可以更好地检测出对过程影响较小的故障。

基于改进主元分析方法的化工生产过程的故障检测

针对化工生产过程中出现的对于过程影响较小的故障,提出一种改进主元分析方法,该方法引入了主元子空间之间的差别的概念。仿真研究中,将该方法与传统的主元分析方法同时应用于TE过程中,结果表明改进主元分析方法比传统的主元分析方法(PCA)能更好的检测出对于过程影响较小的故障。

基于故障重构的PCA模型主元数确定方法的研究

基于故障传感器测量数据的重构知识,研究了确定PCA模型主元数的方法,即求取最优主元个数.该方法利用传感器数据本身所具有的高度相关性,通过定义未重构误差方差,并使其在故障重构过程中达到最小,从而更加合理地计算出主元个数,并且大大减少了以往方法中人为因素的影响.通过在化工过程中的仿真分析,所得结果与累计方差贡献率方法所得结果相比较,具有一致性.

基于PCA的故障传感器重构的理论研究

本文基于 PCA(Principal componentanalysis)理论对故障传感器进行重构。首先将数据分别投影于主元子空间和残差子空间 ,然后定义故障的方向向量 ;因为过程变量间具有的强相关性 。

基于故障临界值的传感器故障检测方法的研究

在基于PCA的故障检测行为研究的基础上,对4种检测结果进行详细分析.在检测统计量T2超限而SPE并未超限的情况下,设定故障临界值,利用传感器数据高度相关的特点,及其故障前后相关系数的变化情况,区分出是过程扰动还是传感器故障.通过仿真分析结果验证了其有效性.