基于核独立分量分析的齿轮箱故障诊断

独立分量分析是近几年发展起来的基于信号高阶统计特性的分析方法,它是指从多个源信号的线性混合信号中分离出源信号的技术,但目前的算法在处理非线性变化的信号时还有一定的局限,而基于非线性函数空间的ICA方法—KICA,即核独立成分分析,可以解决这一问题。与传统的ICA方法相比,KICA方法具有更好的灵活性和鲁棒性。文章介绍了核独立分量的基本原理,并进行了仿真说明,最后结合包络阶次方法对齿轮箱实测的瞬态声音信号进行了分析,找到了故障特征,验证了该方法的有效性。

基于核独立分量分析的谐波责任划分

为了更加准确地划分公共连接点的谐波责任,提出了一种基于核独立分量分析划分谐波责任的方法。首先采用核主分量分析算法对观测值进行白化和去均值处理,观测值的非高斯性增强;然后利用独立分量分析算法对处理后的观测值进行盲源分离,得到谐波电流和谐波阻抗估计值;最后根据谐波责任计算公式求得各谐波源对关注母线的谐波责任。在IEEE14节点配电系统上进行仿真测试,结果表明,本文方法与仅用独立分量分析方法相比,本文所提方法估计结果更准确。

核独立分量分析在机械振动信号分离中的应用

针对旋转机械振动信号成分复杂,甚至表现出非线性特征,文章采用核独立分量分析(KICA)对其进行预处理。与独立分量分析(ICA)不同,KICA是通过非线性映射在高维特征空间上构建了核化的目标函数,并引入核方法实现该目标函数的优化操作。仿真实验中通过比较KICA、ICA和传统KICA(DKICA)的分离信号与源信号之间的相关系数,文中介绍的KICA对混合信号分离处理具有更高的准确性和鲁棒性;实测数据实验验证,经过KICA处理的机械振动信号,其表征的振动信息更为单一,使得隐含的特征频率得到凸显,为进一步处理和分析奠定良好基础。

基于核独立分量分析的盲多用户检测算法

针对DS-CDMA通信系统中的盲多用户检测问题,提出了一种改进的核独立分量分析(KICA)算法.该算法首先将五阶收敛的牛顿迭代公式引入到传统的FastICA算法中,同时还引入了一种新的核函数——混合核函数来解决非线性混合信号的分离问题,从而实现了多用户信号检测.最后将所提出的算法与传统的FastICA算法和KICA算法进行仿真比较.结果表明:所提出的算法不仅收敛速度较快,而且具有较小的误码率.

应用核独立分量分析的电力用户负荷曲线估计

提出了核独立分量分析算法,即白化的核主分量分析加上独立分量分析算法。该算法在电网信息不足时,利用电网部分支路的潮流作为观测值,就可以完成对用户负荷曲线的估计。经过IEEE9节点系统的仿真验证,结果表明,观测值在经过白化的核主分量分析算法处理后,非高斯性增强。应用独立分量分析算法对处理后的观测值进行盲源分离后,所得用户负荷需求曲线的估计值逼近实际值。与仅用独立分量分析方法的仿真结果相比,估计误差降低,相关系数增加。

基于核主分量分析和支持矢量数据描述的雷达目标模糊识别方法

针对雷达目标高分辨距离像(HRRP)存在大量的信息冗余,易受到噪声的污染,可分性较差等问题,本文利用核方法解决非线性问题的优点,提出了基于核主分量分析(KPCA)的雷达目标HRRP特征提取与基于支持矢量数据描述(sVDD)的雷达多目标模糊识别方法。在特征提取过程中,利用KPCA对雷达目标HRRP做降噪与降维处理,使得HRRP降低噪声和姿态角的敏感性;在识别过程中,首先在特征空间求得包含每一类目标训练样本的最小超球体,然后根据各个测试样本到最小超球体球面的距离构造属于各个类别的模糊隶属度,根据模糊隶属度的大小判断测试样本所属的类别。仿真实验结果表明,本文提出的算法应用于雷达多目标识别时,具有较高的正确识别率;同时基于SVDD多目标模糊识别算法训练过程只需对每一类目标进行训练,因此具有计算量小,稳健性能优等优点。所以本文提出的KPCA特征提取与SVDD雷达多目标模糊识别方法有很强的实用性。

基于核独立分量分析的模糊核聚类神经网络集成方法

提出一种基于核独立分量分析的模糊核聚类神经网络集成方法。该方法首先采用核独立分量分析对高维数据进行特征提取;随后用模糊核聚类算法根据相互独立训练出的多个神经网络个体在验证集上的输出对其进行分类,并计算每一类中的所有个体在验证集上的泛化误差;然后取其中平均泛化误差最小的神经网络个体作为这一类的代表;最后经相对多数投票法得到集成的最终输出。实验结果表明,与其他集成方法相比,该方法具有较高的精确度和稳定性。

核独立分量分析的随机滤波剩余寿命预测模型

基于随机滤波的预测模型是剩余寿命预测方法的一个重要分支,当前制约滤波模型的一个重要问题就是如何对大量高维非线性状态监测数据进行特征降维,以易于模型参数求解。通过线性回归处理了非定期换油保养对油液数据的影响;运用核独立分量分析进行特征降维,消除了各维数据之间相关性对模型预测精度的影响;建立了基于油液增量的滤波模型,并设计了极大似然估计方法求解模型参数;最后实例验证了模型的有效性和实用性。

基于核独立分量分析的非线性混合机械故障盲分离方法研究

提出了一种基于核独立分量分析(KICA)的非线性混合机械故障源盲分离方法,即利用核函数的优点,将信号从低维的非线性原始空间变换到高维线性特征空间,实现以线性ICA方法进行分离。仿真结果表明:与传统的ICA方法相比,本方法在处理非线性混合源盲分离上具有明显的优势,并在轴承故障信号盲分离实验中验证了它的有效性。

基于小波变换和核独立分量分析的遥感图像变化检测

为了进一步提高基于独立分量分析(Independent Component Analysis,ICA)的遥感图像变化检测精确度,并解决ICA分离的图像分量排序不确定问题,提出了基于小波变换和核独立分量分析(Kernel Independent Component Analysis,KICA)的遥感图像变化检测方法。首先通过小波变换对遥感图像进行分解,得到由图像的高频分量和低频分量组成的分块向量,然后利用核函数将分块向量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向量,最后根据分离出的向量中高频分量的差异自动分辨出变化分量。文章给出了遥感图像变化检测方法及近年提出的基于主分量分析(Principal Component Analysis,PCA)、基于ICA、基于KICA三种变化检测方法的试验结果,并进行了分析和定量比较。试验结果表明,文中方法能更好地分离出遥感图像的变化信息,具有更高的精确度,并实现了变化检测的智能化。

独立分量分析结合数据划分的故障检测方法

针对多变量系统的各个变量之间往往相互影响,且一般不能严格服从高斯分布的特点,通过运用独立分量分析的方法对正常状态下观测的数据进行处理,从中提取出统计独立的独立分量,为简化后续分析,对得到的独立分量按照向量范数的概念划分为两部分:主部和余部,并分别计算两类统计量:I2统计量和SPE统计量,反映系统变化和偏差,确定其置信界,与在线数据进行对比,用于检测运行系统中发生的故障。最后给出的多变量过程仿真实例,快速准确地检测到了运行中发生的异常,证明了这种方法的可靠性。为广泛应用于监控多变量系统的运行,检测故障的发生提供了一个有效的工具。

基于动态核独立分量分析的高含硫天然气净化过程异常检测与诊断

目前高含硫天然气净化过程存在多参数动态相关的特性,导致基于静态多元统计过程监控方法对于异常状态检测效果较差。提出一种考虑参数时序自相关性的动态核独立分量分析(DKICA)异常检测与诊断方法。首先,引入自回归(AR)模型,通过参数辨识确定模型阶次,描述监控过程的时序自相关性;然后,将原始变量投影到核独立元空间,通过监控独立元对应的T2和SPE统计量是否超出正常状态设定的控制限,实现异常检测;最后计算所述T2统计量对原始变量的一阶偏导数,绘制贡献图实现异常诊断。以某高含硫天然气净化厂采集的数据进行分析,结果表明基于DKICA高含硫天然气净化过程异常检测精度要优于静态独立分量分析所得的检测精度。

一种含参数的概率密度核估计的独立分量分析算法

分析了盲源分离算法中互信息准则与概率密度核函数的关系,利用广义高斯模型,提出了一种基于含参数的核概率密度估计的独立分量分析算法。该算法利用观测样本求峰度,通过分段函数给出相应高斯指数值,并利用样本数据进一步修正源信号的概率密度函数,实现对分离信号评价函数的精确估计。在此评价函数基础上,采用互信息最小化准则,推导出分离矩阵的迭代更新规则。所提算法在一定程度上解决了ICA算法中信号评价函数估计的难题,且能对任意源混合信号进行有效盲分离,仿真实验验证了算法的性能。

独立分量分析及其在核探测信号预处理中的应用

针对核探测(Nuclear detector)信号信噪比低,背景杂波强;因事先对探测目标的信息所知甚少,近乎处于"盲"状态,因而实际处理难度大等问题,提出了将独立分量分析(Independent Component Analysis,ICA)这种盲信号处理技术应用于核探测信号处理中。并利用ICA中的FastICA算法,对ICA法在核探测信号处理中的应用进行了初步探索,实现了核探测信号中各组份信号和背景杂波的有效分离。同时初步解决了由ICA方法本身带来的所分离目标独立分量信号符号的不确定性等问题,使核探测信号信噪比大幅提高,从而使核探测的目标检测性能也得以显著改善,这表明ICA在核探测仪信号处理中具有应用前景。

核独立分量分析在盲源信号分离中的应用研究

提出利用核独立分量分析来分离混合语音信号的盲信号处理方法.介绍了基于核空间ICA的原理和基本算法,然后利用核独立分量分析算法和固定点快速分离算法分离了混合语音信号.试验结果表明:利用基于核独立分量分析的方法可以得到较为理想的分离效果.

基于独立分量分析和相关向量机的高光谱数据分类

提出一种独立分量分析(ICA)和相关向量机(RVM)相结合的高光谱数据分类方法,首先采用虚拟维数方法对高光谱数据维数进行估计,在此基础上,采用独立分量分析对数据进行降维,然后采用相关向量机对降维后的数据分类。计算机仿真实验结果表明,该方法在获得较高分类精度的同时大大节省了分类时间。

基于核独立分量分析的混合语音信号分离

提出利用核独立分量分析来分离混合语音信号的盲信号处理方法.介绍了基于核函数ICA的原理和基本算法,然后利用该方法分离混合语音信号.实验结果表明:利用基于核独立分量分析的方法可以得到较为理想的波形.

核独立成分分析在fMRI数据中的应用

介绍了一种全新的功能核磁共振数据(fMRI)分析方法即核独立成分分析方法,它是核方法与典型相关分析方法的综合运用。将Bach和Jordan提出的核独立成分分析方法应用于功能核磁共振成像数据分析,并基于实验所得的时间序列与参考函数的相关系数的大小,比较了该方法与经典的成分分析方法-主成分分析(PCA)方法与快速不动点算法(FastICA)的实验结果。结果表明,对fMRI数据而言,核独立成分分析方法和FastICA算法要优于PCA算法。

基于核独立分量分析的PET图像处理

随着医学成像和计算机辅助技术的发展,从二维医学图像到三维可视化技术,医学图像处理技术已经是目前医学技术中发展最快的领域之一。PET/CT系统因为同时具有多层螺旋CT和PET的临床特点,可以同时提供结构和功能方面的信息,在临床上有着广泛的应用前景。对它的图像处理也成了研究热点。因此本文对处理PET图像进行研究。本文研究了基于核独立分量分析的去噪应用于PET图像处理,实验结果表明,相对于医学图像处理中传统ICA去噪算法,本文所采用的去噪算法更适合于PET图像的处理。因此,可以判定Kernel-ICA在PET图像的去噪处理中是一种非常实用而且有效的算法,进而也可以推断出在PET图像处理中,基于Kernel-ICA的去噪算法具有很好的发展前景。

基于增量核主成分分析的数据流在线分类框架

核主成分分析(Kernel principal component analysis,KPCA)是一种非线性降维工具,在降低数据流分类处理量方面发挥着积极作用.然而,由于复杂性太高,导致KPCA的降维能力有限.为此,本文给出了一种增量核主成分分析算法(Incremental KPCA for dimensionality-reduction,IKDR),该算法在每步迭代估计中只需线性内存开销,大大降低了复杂性.在IKDR的基础上,结合BP(Back propagation)神经网络提出了数据流在线分类框架:IKOCFrame(Online classificationframe based on IKDR).通过一系列真实和人工数据集上的实验,检验了IKDR算法的收敛性,并且验证了IKOCFrame相对于同类基于成分分析的分类算法的优越性.