基于灰度加权及主元分析的图像人脸偏转校正

在基于坐标的基础上提出基于灰度的主元分析算法，应用于图像人脸偏转角度的检测，实现了图像人脸定位过程中人脸偏转的校正。进行实验比较。

基于加权主元分析(WPCA)的人脸识别

将特征加权和主元分析相结合,提出了一种新的加权主元分析方法;这种方法先根据加权重建误差最小化,计算出各类训练样本的加权子空间,然后计算测试样本点到各加权子空间的距离,并根据该距离进行分类识别。最后,通过对剑桥ORL数据库进行的试验证明,该方法与传统的主元分析相比可以在不增加运算量的情况下大大提高识别率。

多元指数加权移动平均主元分析的微小故障检测

主元分析(principal component analysis,PCA)是一种有效的数据分析方法,在故障诊断与状态监测方面已得到广泛应用.多元指数加权移动平均–主元分析(multivariate exponentially weighted moving average principal component analysis,MEWMA–PCA)方法用于解决PCA不能有效检出微小故障的问题.本文深入研究了MEWMA–PCA中EWMA影响主元分析进行故障检测的机制,导出了MEWMA–PCA可检出微小故障的原因.本文确定了MEWMA–PCA中遗忘因子λ、单传感器故障幅值和迟延时间三者的关系,并进行了数值仿真和火电厂磨煤机组运行状态的仿真实验.实验结果验证了MEWMA–PCA中EWMA提高PCA的监测性能的机制,并给出了根据系统实际要求来选取合适的遗忘因子值,从而在规定的时间内检出微小故障的实例.

指数加权动态核主元分析法及其在故障诊断中应用

核主元分析法能充分利用核函数来解决非线性问题,具有很好的非线性逼近能力,但传统的核主元分析不能处理动态问题。在分析核主元分析法的基础上,提出一种新的指数加权核主元分析算法,建立一个多变量加权自回归统计核主元模型,选择Q统计量来判断系统是否发生故障,给出指数加权核主元分析法诊断故障的具体计算步骤。对液压泵进行了试验,利用小波包对液压泵端盖的振动信号进行处理,提取由13个时域和时频域特征量构成的故障特征矢量。试验结果表明,与传统的核主元分析法相比,新方法能实时更新主元模型和控制限Qa,合理地利用实时动态信息,能较好地处理动态问题,通过计算比较选择合适的加权因子,能获得良好的故障诊断效果,该方法是可行而有效的。

指数加权主元分析法及其在故障诊断中的应用

在研究主元分析法(PCA)理论的基础上,提出指数加权主元分析(EWPCA)算法。这种算法通过不断更新相关矩阵来实时监视动态生产过程中的超时趋势和设定点改变等状态。实验结果表明,该方法可以较好地反映生产过程中的实时信息,并能有效检测出系统的异常状况,具有广阔的实际应用前景。

基于加权差分主元分析的化工过程故障检测

针对工业生产过程的多模态和非线性特性,提出了一种新的基于加权差分主元分析的故障检测算法。首先选取原始数据样本的最近邻xf以及xf的前k个近邻,分别计算出xf的前j个近邻样本的均值mj和权值wj,利用加权差分的方法对原始数据进行预处理,剔除多模态和非线性特征;然后利用主元分析法(PCA)计算出负载矩阵P以及SPE和T2检测指标的控制限,建立PCA模型;最后将待检测数据运用加权差分法预处理后投影到PCA模型上计算检测指标,通过检测指标是否超过控制限进行故障检测。将该方法应用于数值例子和半导体生产过程来验证其有效性。

一种指数加权主元分析算法的研究

在深入研究PCA理论的基础上,进一步研究指数加权主元分析(EWPCA)算法.这种算法通过不断更新相关矩阵来实时监视动态生产过程中的超时趋势和设定点改变等情况.仿真研究结果表明:该方法可以较好地反映生产过程中的实时信息,并能有效检测出系统的异常状况,具有广阔的实际应用前景.

基于加权互信息主元分析算法的质量相关故障检测

质量相关的故障检测已成为近几年研究热点,它的目标是在过程监测中,对质量相关的故障检测率更高,对质量无关的故障少报警或不报警。传统主元分析算法的故障检测会对所有故障均报警,不能达到上述要求。另外,在实际工业生产中,质量变量通常难以实时获得,需要后续分析或延时得到。为此,提出一种融合贝叶斯推断与互信息的加权互信息主元分析算法。首先利用贝叶斯推断的加权方法将度量过程变量和质量变量之间相关关系的互信息进行融合,选出包含质量变量信息量最大的一组过程变量。然后对过程变量利用主元分析(principal component analysis,PCA)进行统计建模,再次根据加权互信息选出包含质量变量信息量最大的主元,建立统计量进行故障检测。最后,通过实验验证该方法的可行性和有效性。

基于双向二维加权主元分析的人脸表情识别

提出了一种双向二维加权主元分析方法用于人脸表情特征提取,该方法从水平和垂直两个方向对图像矩阵进行降维处理,大幅降低了所提取的特征数目;且考虑到人脸不同部位包含不同的表情信息这一特点,对各个特征赋予不同的权重系数。实验证明,与已有的二维主元分析相比较,该方法不但运算速度快,且获得了更高的识别率。

加权主元分析在统计互连寄生参数提取中的应用

针对随机工艺变动引起的统计寄生参数提取问题,采用Hermite多项式配置法提出加权主元分析技术来对随机变量进行消减,以减少独立变量数目,提高计算效率.在此基础上,利用并行计算技术,进一步减少统计寄生参数提取的运行时间.数值实验结果表明,相对于普通的主元分析,采用文中的加权主元分析能在同等精度情况下使寄生参数提取速度提高几倍至几十倍,而在含8个CPU计算机上的并行计算也取得了6.7倍的加速比.

基于小波变换及加权主元分析的人脸表情识别

为了更准确地识别人脸的表情信息,采用加权主元分析识别人脸表情.首先通过小波变换进行图像分解来抽取面部区域的有效鉴别特征,然后将特征加权和主元分析相结合,根据加权重建误差最小化,计算出各类训练样本的加权子空间,最后计算测试样本到加权子空间的Mahalanobis距离,并根据距离进行分类识别.通过CMU人脸表情数据库试验证明,该方法与传统的主元分析相比可以在不增加运算量的情况下大大提高识别率.

基于近邻距离加权主元分析的故障定位

随着现代工业过程越来越复杂,采集到的数据量也越来越大,数据集中各个变量之间存在相互影响,一些传统的故障定位方法不能达到满意的定位效果.因此,在主元分析(PCA)故障定位方法的基础上,采用正常工况样本近邻距离对样本进行加权的方法,将每个样本与其最近邻样本的距离作为加权因子,削弱变量之间的相互影响,降低拖尾效应,改进PCA的故障定位效果.首先,对样本进行预处理并加权;然后,利用加权后正常工况的样本建立主元监视模型,在线监视过程中,在发生故障时刻,根据之前建立的模型计算相应时刻加权样本的重构监视统计量和每个变量的重构贡献值,通过最大贡献率法对变量进行逐步定位;最后在数值案例和TE过程进行仿真研究,并与基于PCA故障定位方法进行比较,结果表明了所提方法的有效性.

基于动态主元分析法的传感器故障检测

提出了一种基于动态主元分析的传感器故障检测方法。利用数据矩阵前t时刻和当前时刻的数据,建立多变量多时刻的自回归统计模型。计算主元数据矩阵,建立动态主元模型。以测量速度最慢的传感器的测量周期为统一采样周期,4个连续采样周期为一个诊断周期,建立动态三维测量矩阵,采用残差的平方预报误差的指数加权移动平均(Squared prediction error-Exponentially weighted moving average,SPE-EWMA)模型检测传感器故障。在只存在传感器故障的前提下,模拟发动机开车过程中几种典型的渐变性故障和突变性故障,实验结果表明,算法实时跟踪了各种检测指标的变化,准确检测出故障传感器。

分步动态自回归核主元分析及其在故障诊断中应用

针对滑动窗自适应核主元分析法(KPCA)在处理参数敏感和缓慢劣化问题时存在的"过适应"现象,容易产生漏报的问题,提出了一种分步动态自回归KPCA算法。首先,借鉴动态数据矩阵思想,分步建立初始模型;然后,在滑动窗自适应KPCA的基础上,引入指数加权法则处理实时数据、更新模型;最后,分析算法复杂度,并给出具体实现步骤。利用模拟数据分析分解系数和加权因子对算法的影响,结果表明,与滑动窗自适应KPCA相比,所提方法在参数选择恰当的情况下,模型效率提高了近90%,误报次数几乎降为0,还能通过调整加权因子取值来控制算法的适应能力,以解决多样化的动态问题。将算法应用于压缩机喘振和轴承故障实验数据分析,验证了所提算法处理参数敏感和缓慢劣化问题的能力。

基于残差主元分析的多变量系统故障诊断方法及应用

通过建立多变量系统偏差自回归模型,提出一种基于残差加权主元分析的多变量系统故障诊断方法.这种方法既可消除偏差数据的自相关性,又可弥补其他主元分析所带来的缺陷.应用实例仿真结果表明,其具有良好的故障诊断效果.

分步自回归核主元分析法及其应用

针对传统核主元分析法诊断动态系统故障可能会出现大量误报、漏报问题,提出一种分步自回归核主元分析法。该方法以分步动态策略为基础建立诊断模型,结合滑动窗口机制和指数加权思想,通过不断加入经加权处理的实时数据更新诊断模型,使用T^2和SPE统计量判断系统是否发生故障。将该方法应用于柴油机气阀机构故障检测,结果表明:该方法既能充分利用原始数据和实时动态信息,自动更新模型,又能减小计算量,更早监测出异常工作状态,提高故障诊断的快速性,还能增大故障敏感度,使诊断结果更加准确可靠。

基于递推规范变量残差和核主元分析的微小故障检测

微小故障由于故障征兆不明显从而很难在故障发生早期对其进行检测.针对该问题,本文提出了一种基于递推规范变量残差和核主元分析(RCVD-KPCA)的微小故障检测方法.首先构造规范变量残差,从中提取数据的线性特征.利用指数加权滑动平均法对规范变量残差进行递推滤波处理,提高规范变量残差对微小故障的敏感程度;然后使用KPCA提取规范变量残差中的非线性主成分作为非线性特征,根据提取的特征提出了两个新的故障检测统计量;此外,利用核密度估计确定故障检测统计量的控制限.由于同时提取了过程数据的线性和非线性特征,有效地提高了非线性动态过程中微小故障的可检测性.以闭环连续搅拌釜式反应器过程为例进行了仿真分析,仿真结果表明本文所提方法具有较好的故障检测性能.

基于灰度波动的水下图像分割

为了改善低对比度、富含噪声以及非均匀亮度的水下图像的分割效果,本文提出一种基于图像灰度波动特征的分割方法,该方法采用了非对称的自适应中值滤波的方法来改善图像的前景目标与背景之间的边缘特性,分别从行和列的方向上检测出大尺度的波峰和波谷,再通过局部阈值分割来确定图像中的前景目标边缘,最后将行与列的分割结果取交集,得到图像分割的最终结果。仿真结果表明:与基于模糊熵或者模糊聚类的图像分割方法相比,本文的算法性能更优,分割效果更好。

批次加权软化分的多阶段AR-PCA间歇过程监测

由于多阶段间歇过程在每个操作阶段主导变量和过程特性的巨大差异性,也为了降低传统方法只进行阶段硬划分以及过程建模不考虑过程动态性导致的漏报率和误报率,提出了基于批次加权软划分的多阶段自回归主元分析(AR-PCA)间歇过程监测方法。方法引入了反距离加权(IDW)和单变量控制图对仿射传播聚类(AP)进行改进,避免以单批次作为AP输入不能表征整个生产过程阶段特性的局限性,并且解决了AP不能辨识过渡阶段的缺陷。然后针对过渡阶段和稳定阶段分别建立ARPCA模型和MPCA模型,较传统方法以整批次数据建立唯一模型具有更高的模型精度,同时消除了过渡阶段的动态性,可有效降低误报和漏报。实验设计由青霉素发酵仿真平台和重组大肠杆菌实际生产过程完成,结果显示了该方法的可行性和有效性。

基于能量加权的子带杂交法在掌纹识别中的应用

在掌纹采集过程中,由于受光照噪声的影响,以及手掌的弓形常常给掌纹采集带来噪声.基于此,提出小波变换子带杂交的一种新颖掌纹识别算法.该算法综合考虑小波同层各子带及相邻层子带分解系数的噪声特点,采用基于掌纹图像空间能量加权,再由二维主元分析(Two-di mensional Principle component Analysis,2DPCA)算法降维、去相关,最终由最小距离分类器完成掌纹识别.基于香港理工大学公布的PolyU掌纹数据库的实验,此算法正确识别率达到100%.同2DPCA算法相比,提出的算法不仅正确识别率较高,识别效率也较高.