变分贝叶斯独立分量分析在谐波状态估计中的应用

针对实际电网中谐波阻抗难以准确获取,且量测噪声不可避免的问题,提出利用变分贝叶斯独立分量分析VBICA(variational Bayesian independent component analysis)进行配网谐波状态估计。该方法将谐波阻抗和量测噪声作为未知参数,利用变分贝叶斯理论计算独立分量分析模型中未知参数和潜在谐波电流的后验概率分布,通过迭代学习提取不受噪声干扰的谐波电流最优值。再结合负荷等效导纳远小于系统等效导纳的特点,推导出幅值比例系数,计算谐波电流幅值。利用IEEE 33节点配网系统对该方法进行验证,并将该方法与传统独立分量分析法进行对比,结果表明该方法具有更高的估计精度和更强的抗干扰能力。

基于变分贝叶斯独立分量分析的故障源盲分离

提出一种基于变分贝叶斯独立分量分析的故障源盲分离方法,该方法可直接对噪声干扰的机械源信号进行有效分离,即不需要将未知噪声看成一种独立源,也不需要进行消噪预处理。并将该方法与传统的机械源分离方法进行对比实验,实验结果表明该方法是非常有效的。

传统独立分量分析和变分贝叶斯独立分量分析的比较

通过试验比较了传统的独立分量分析(ICA)和变分贝叶斯独立分量分析(VbICA)在源信号分离中的能力,试验研究表明,无噪声环境下的盲源分离,两种方法都能得到很好的分离性能.然而,噪声环境下的源信号分离,变分贝叶斯独立分量明显优于传统独立分量分析,特别是随着噪声的增强,变分贝叶斯独立分量的优势就越明显.另外,变分贝叶斯独立分量可以估计源信号的数目,而传统独立分量分析往往事先假设源信号的个数已知,否则无法进行源信号分离.

基于小波包-变分贝叶斯独立分量分析的源信号盲分离方法

结合小波包分析和变分贝叶斯独立分量分析的各自优点,提出了一种基于小波包-变分贝叶斯独立分量分析的盲源分离方法,该方法利用小波包对观测信号进行分解,将得到的重构的小波包系数组成新的观测信号,再利用变分贝叶斯推论对源信号进行估计。仿真结果表明,该方法是有效的,即使在非常低的信噪比噪声混合下,也能得到非常满意的分离效果。

基于主分量分析的变分贝叶斯独立分量分析的盲源分离方法

针对传统基于随机初始化的变分贝叶斯独立分量分析(VBICA)方法的不足,即随机初始化导致经过不同的学习得到的分离结果存在差异性,提出了一种基于主分量分析(PCA)的变分贝叶斯独立分量分析的盲源分离方法,在提出的方法中,利用PCA来初始化模型参数。并与传统的变分贝叶斯独立分量分析方法进行对比。仿真结果验证了该方法的有效性,提出的方法不仅比传统的VBICA方法取得了更好的分离性能,并且保持分离结果的稳定性,克服了传统的VBICA方法的不足。

基于AR模型的变分贝叶斯独立分量分析算法研究

近年来,盲源分离算法由于其良好的去噪效果在信号处理领域得到了广泛应用,但传统独立分量分析方法存在着未考虑噪声干扰及未充分利用已知信息等弊端。提出基于GAR模型的变分贝叶斯独立分量分析算法,将源信号的时间结构与系统噪声进行融合研究,基于GAR模型近似建模语音信号的时间结构特征,应用变分贝叶斯学习方法分离带噪声的语音信号。通过与标准变分贝叶斯独立分量分析算法的仿真对比,证明改进后的算法有较好地实际分离效果,有效解决了ICA算法无法在噪声环境下直接进行盲源分离问题。算法可用于减轻铁路列车司机通信时的听觉疲劳。

变分贝叶斯独立分量分析在含噪图像盲分离中的应用研究

传统的独立分量分析不具有抗干扰性,而且需在源个数已知的条件下,才能进行含噪图像盲分离。针对此不足,本研究提出了一种基于变分贝叶斯独立分量分析的含噪图像盲分离方法。所提算法与传统的分离方法相比,可直接有效分离含噪图像,且具有较强的抗干扰性。此外,该算法根据不同模型的信度估计信源数。实验结果表明,提出的方法是非常有效的。

基于变分贝叶斯ICA的遥感图像混合像元分析

混合像元已成为遥感图像处理、分类的难点和重点。独立分量分析(ICA)能够实现图像的去相关性以及得到相互独立的分量,但是,由于ICA模型的各成分独立性和数据统计分布规律的不变假设,影响了遥感图像分类精度。针对这一问题,提出了基于变分贝叶斯ICA(VBICA)的遥感图像分析方法,并利用遥感图像进行验证,结果表明:VBICA方法提取的独立分量具有均方根误差小、迭代次数少和稳定性较好的特点;基于VBICA方法的遥感分类精度达到了91.55%,且目视效果较好;VBICA方法突破了ICA的局限性,提高了遥感图像自动分类精度,具有很好的应用前景。

基于变分贝叶斯理论的机械故障源盲分离方法研究

未知噪声环境下机械源信号盲分离方法由于忽略噪声影响往往得到很差的分离效果。针对此问题,提出了一种基于变分贝叶斯独立分量分析的机械故障源分离方法,该方法与传统的机械源分离方法相比,具有以下独特特点,即不需要将未知噪声看成一种独立源,也不需要进行消噪预处理,可直接对噪声干扰的机械源信号进行有效分离。仿真研究表明,提出的方法优于传统的机械源分离方法,分离误差大幅度降低。实验结果也验证了所提出方法的有效性。

基于变分贝叶斯ICA的火山灰云检测研究

热红外遥感能够准确、快速地检测出火山灰云信息。针对热红外遥感数据和火山灰云检测特点,提出了基于变分贝叶斯ICA的火山灰云检测算法,通过引入贝叶斯网络的条件独立性准则和近似变分算法,将源信号后验概率分布的计算转化为更容易处理的负变自由能,去逼近真实后验概率分布的最佳近似值。实验表明该方法取得了85.25%的光谱匹配度,检测精度较高。

层次变分高斯混合模型与主多项式分析的故障检测策略

针对多模态工业过程中模态数量难以确定问题,提出一种层次变分高斯混合模型(hierarchical variational Gaussian mixture model,HVGMM)。在此基础上,使用主多项式分析(principal polynomial analysis,PPA)用于多模态非线性过程故障检测。首先,变分贝叶斯高斯混合模型(variational Bayesian Gaussian mixture model,VBGMM)作为初始模型用于分解过程数据得到工作模态的初始数量,将过程按初始数量分解为多个子块;其次,应用包含多个局部模型的VBGMM将各子块分解为附属子块,并利用附属子块的均值、精度等信息对VBGMM进行重构;然后,将重构后的VBGMM作为初始模型再次用于分解原始过程数据,重复上述步骤直至重构VBGMM无法分解各子块时停止;最后,分别在各附属子块中建立局部PPA模型,并在每个局部模型中计算T2和SPE统计量进行故障检测。将该方法应用于数值例子和Tennessee Eastman(TE)化工过程,并将仿真结果与主元分析(principal component analysis,PCA)、PPA进行对比,验证了所提出方法的有效性。

基于变分贝叶斯方法的多工况过程监控

多模型方法是针对多工况工业过程监控所使用的最普遍也是最有效的方法.传统的多模型方法在离线建立子模型时,通常使用EM算法估计子模型的参数,但EM算法容易陷入局部最优,并且无法利用已有的先验信息,会导致建立混合模型不够准确,可能无法有效检测出故障.因此将变分贝叶斯方法与多模型方法相结合,可以充分利用数据的先验知识,估计的参数也更准确.在建立模型计算监控统计量后,通过比较待测试数据落在各个子模型中后验概率的大小整合多个监控结果.对TE过程的仿真实验表明,变分贝叶斯用于多模型方法可以有效地监控工业过程.

基于贝叶斯理论的机械故障源盲分离

由于噪声的干扰,噪声环境下机械源信号盲分离方法往往分离效果很差。针对这一问题,提出了一种基于变分贝叶斯理独立分量分析的盲分离方法。与传统的分离方法相比,具有以下独特特点:即不需要将未知噪声看成一种独立源,也不需要进行消噪预处理,可直接对噪声干扰的机械源信号进行有效分离。实验结果表明,提出的方法优于传统的机械源分离方法,分离误差大幅度降低。

采用因子分析与改进GMM的施工安全评价方法

随着施工安全问题日益复杂,为进一步减少施工安全事故的发生,针对传统安全评价方法无法有效挖掘各安全指标之间的内在联系,并且现有聚类方法存在紧凑性不足、结果解释性差的问题,提出一种采用因子分析与变分贝叶斯高斯混合聚类的安全评价方法。该方法利用因子分析将复杂的施工安全评价指标转换为有内在联系的因子变量,作为变分贝叶斯高斯混合方法的输入,并使用T分布随机相邻嵌入法(t-distributed stochastic neighbor embedding, T-SNE)对多维聚类结果进行可视化,充分挖掘各施工安全指标之间的内在关联性并对施工安全做出评价。案例分析表明,与层次聚类分析、K-means以及高斯混合模型(gaussian mixture model, GMM)方法相比,所提方法具有更好的聚类效果和全局寻优性能,不仅验证了所提方法的可行性和有效性,还通过可视化的方法增强了多维聚类问题的可解释性。

vbICA方法用于GNSS坐标序列共模误差提取研究

全球导航卫星系统(global navigation satellite system,GNSS)坐标序列精度主要受共模误差(common mode error,CME)影响。为提高GNSS坐标序列精度,采用变分贝叶斯独立分量分析方法(variational Bayesian independent component analysis,vbICA)提取实验区20个GNSS测站坐标序列的CME,并对比分析vbICA与主成分分析(principal component analysis,PCA)和独立分量分析(independent component analysis,ICA)的滤波性能。结果表明,vbICA滤波效果优于PCA和ICA;经vbICA滤波后,E、N、U方向坐标残差序列均方根(RMS)平均降低36.57%、31.63%、10.97%,距离相关系数平均降低60.53%、56.84%、25.80%;扣除CME后,GNSS速度场估计更加可靠和精确,可有效提高GNSS坐标序列精度,为地球动力学研究提供可靠的数据支撑。

面向滚动轴承故障诊断的VBIVA方法

在实际工程中,采集到的滚动轴承故障信号往往来自多个源。多个故障信号在传播路径中相互耦合形成了复合故障信号,使故障诊断问题变得更加复杂。如果直接对复合信号进行分析,那么提取到的故障特征中往往存在多源的故障频率,导致无法正确判断故障出现的位置。针对这一问题提出了变分贝叶斯独立向量分析(variational Bayesian independent vector analysis,VBIVA)算法,并将该算法应用于故障诊断。通过与独立向量分析(independent vector analysis,IVA)算法以及变分贝叶斯独立分量分析(variational Bayesian independent component analysis,VBICA)算法的仿真对比,证明VBIVA算法有效地解决了复合故障信号的盲源分离及故障诊断问题。

基于VbMoICA的机械故障盲源分离研究

用独立分量分析(ICA)分解和表示数据时,假设整个数据分布完全可以用一个坐标系来描述。然而,当观测数据是由许多自相似的、非高斯的流形组成时,则硬是用一个单独的、全局的表示是不合适的,这样会产生一个次优的表示。针对ICA在盲源分离中的不足,在变分贝叶斯理论的基础上提出了一种基于变分贝叶斯混合独立分量分析的机械故障源盲分离方法。该方法是考虑到源信号来自于多个坐标系,然后在多个坐标系下建立独立分量分析混合模型对观测信号进行学习分离。实验结果表明,本文提出的方法是非常有效的。

基于小波包—VBICA的欠定盲源分离方法研究

为解决欠定盲源分离问题,本文提出基于小波包分解和VBICA算法的欠定盲源分离方法。先采用小波包算法对观测信号进行分解,对得到的小波包系数与原始观测信号进行重构,使之组成新的观测信号,这样,就转化为非欠定盲源分离问题。最后,采用变分贝叶斯算法,从新构造的观测信号中分离出故障源信号。通过实验对轴承故障信号进行分离,来验证所提算法的可行性。