基于核主成分分析的半监督日志异常检测模型

对于具有“组异常”和“局部异常”分布特点的系统日志数据,传统的ADOA(anomaly detection with partially observed anomalies)半监督日志异常检测方法存在为无标签数据生成的伪标签准确性不佳的问题.针对此问题,提出一种改进的半监督日志异常检测模型.对已知异常样本采用k均值聚类,采用核主成分分析计算无标签样本的重构误差;运用重构误差和异常样本相似分计算出样本的综合异常分,作为其伪标签;依据伪标签计算LightGBM分类器的样本权重,训练异常检测模型.通过参数试验探究了训练集样本比例变化对模型性能的影响.在HDFS和BGL这2个公开数据集上进行试验,结果表明该模型能够提高伪标签的准确性,相较于DeepLog、LogAnomaly、LogCluster、PCA和PLELog等已有模型,精确率和F 1分数均有提升.与传统的ADOA异常检测方法相比,该模型F 1分数在2类数据集上分别提高了0.084和0.085.

基于核主成分分析和食肉植物算法优化随机森林的风电功率短期预测

为提高风电功率短期预测的精度,提出一种基于核主成分分析和食肉植物算法(carnivorous plant algorithm,CPA)优化随机森林(random forest,RF)的风电功率短期预测方法。首先,利用核主成分分析从13个气象因素中提取出8个与风电功率相关的气象因素,将这8个气象因素输入到预测模型中。然后,利用CPA优化RF构建CPA-RF预测模型解决RF预测模型预测精度不够高的问题。最后,选取实际风电功率数据进行测试,测试结果表明,利用核主成分分析选取8个气象因素作为输入的效果要优于直接输入13个气象因素的效果,CPA-RF预测模型的预测精度高于长短期记忆网络(long short-term memory,LSTM)预测模型、双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)预测模型和RF预测模型。该方法可为提升风电功率短期预测精度提供参考。

基于匹配追踪与核主成分分析的地震信号高分辨率处理方法

分辨率是影响地震资料解释结果的一个重要因素,地震信号分辨率低,将导致小断层、薄互层难以识别。为此,将匹配追踪算法与核主成分分析(KPCA)方法应用于地震资料处理,提出了基于匹配追踪与核主成分分析的地震信号高分辨率处理方法。首先,利用匹配追踪算法通过稀疏分解不断迭代得到地震信号的最有效信息;然后,将子波替换为宽带Ricker子波进行整形处理,有效压制子波旁瓣,提高地震资料分辨率;最后,用核主成分分析方法将原始地震信号非线性映射到高维空间,在高维空间内重建地震信号,消除冗余信息。实际资料应用表明,经所提方法处理后的地震信号,波形更清晰,细节更丰富,处理结果有利于断层识别、薄层刻画,为后续地质资料解释、储层预测提供数据基础。

基于核主成分分析与长短时记忆网络的水电机组监测预警

水电机组的可靠稳定运行对于区域电力系统安全极为重要,该文提出了一种基于核主成分分析(kernel principal component analysis, KPCA)和长短时记忆网络(long short-term memory, LSTM)的水电机组智能预警方法。开展水电机组多通道振动信号数据融合研究,通过KPCA方法去除了多通道信号间冗余,实现了原始数据的压缩表征,并获得了机组在稳态运行工况的T2(Hotelling’s Fsquared)和SPE(square prediction error)控制限,将其作为预警阈值对融合后信号进行异常状态识别。以LSTM为基础构建了时序预测模型,结合异常状态识别结果实现了水电机组状态预警功能。研究通过案例实施验证了所提方法的有效性,并与KPCA-RNN和KPCA-Informer等模型进行了对比,所提出KPCA-LSTM模型预测结果的R2系数大于0.97,预测偏差处于极低水平,性能优于对比模型。

非最小均方误差下的核主成分分析算法

针对高维非线性数据处理,该文改进了一种较为新颖的可以剔除高维数据中的冗余和无关特征并对这些非线性高维数据进行降维处理的机器学习算法,即基于最大相关熵准则的核主成分分析算法(KPCA-MCC).利用粒子群算法优化数据参数,在向量机(SVM)和最小二乘向量机(LSSVM)的支持下,针对风电功率进行仿真预测,分别对KPCA-SVM与PCA-SVM,KPCA-MCC与KPCA-MSE算法进行对比.通过大量对比试验,证明所提出的基于最大相关熵准则的核主成分分析算法具有有效性、适用性和鲁棒性.

基于核主成分分析的高温动态应变计疲劳寿命预测

高温动态应变计作为航空发动机部件应力、应变检测的重要工具,一旦发生疲劳破坏会直接影响其测试结果的可靠性。针对目前应变计测试耗时长、使用寿命离散程度高等问题,对高温动态应变计敏感栅结构参数进行基于多类型核函数的核主成分分析(KPCA)。采用最佳的核函数对应变计疲劳寿命影响因素进行降维,得出栅丝直径、弯数、涂层厚度为主要影响因素;为解决降维后应变计疲劳寿命预测精度差、收敛速度慢等问题,运用遗传算法(GA)优化反向传递(BP)神经网络,即通过遗传算法对神经网络中权值和阈值进行参数寻优,应用于高温动态应变计疲劳寿命的预测,并与几种传统的预测方法进行了比较。结果表明:GA优化后的BP神经网络预测的绝对误差(MAE)、均方误差(MSE)、平均绝对百分比误差(MAPE)均有所减小,对于高温应变计疲劳寿命的预测效果更可靠。

基于核主成分分析的人脸识别

核主成分分析方法是主成分分析的改进算法,其采用非线性方法提取主成分.把核主成分分析应用到人脸识别中,利用核主成分分析方法选择合适的核函数在高维空间提取人脸图像的主成分.核主成分分析与传统主成分分析相比,可以得到更好的适合分类的特征.基于ORL人脸库,识别核主成分分析提取出的主成分的相关性系数.实验结果表明,核主成分分析不仅实现了降维,而且能取得比传统主成分分析更好的识别性能,正确识别率为92.5%.

主成分分析法与核主成分分析法在机械噪声数据降维中的应用比较

依据线性降维与非线性降维的分类原则,分别选择主成分分析法和核主成分分析法对某双层圆柱壳体在不同工况下的机械噪声数据进行降维;然后使用神经网络和支持向量机两种方法分别计算噪声数据在降维前后的正确识别率,以比较不同降维方法的降维效果,从而确定适合于某双层圆柱壳体机械噪声数据的降维方法。

基于核主成分分析的地震属性优化方法及应用

传统的基于线性变换的主成分分析法(PCA)是一种有效的地震属性降维优化方法。但是,当原始数据中存在非线性属性时,用主成分分析法提取的主成分就不能反映这种非线性属性。而核主成分分析(KPCA)则是一种基于原始数据的非线性变换,它可以提取出数据之间的非线性关系。本文从方法原理概述入手,分析了一般主成分分析在处理非线性问题上存在的不足,阐述了基于核函数的主成分分析方法,并将其首次应用于地震属性的降维优化中。应用结果表明:基于核函数的主成分分析方法具有优秀的特征提取性能。

核主成分分析与随机森林相结合的变压器故障诊断方法

油中溶解气体分析(dissolved gas analysis,DGA)是变压器故障诊断的重要方法。变压器故障诊断研究大多采用人工智能方法学习建立单个分类器,与单个分类器相比,分类器群能够更全面地学习样本集特性,达到更好的诊断效果。分类器间的差异性是影响群体性能的主要因素,针对DGA特征量较少训练得到的分类器差异不大的问题,提出将核主成分分析(kernel principle component analysis,KPCA)与随机森林方法相结合,KPCA将样本从低维的状态空间非线性地映射到高维的核空间,在核空间用随机森林方法训练得到分类器群。对DGA故障样本以及加噪样本的诊断实验结果表明,KPCA能够有效地提取故障特征,用核特征量建模的诊断效果优于直接采用DGA特征量,分类器群的诊断效果以及抗干扰能力均高于单个分类器。

基于主成分分析的核Fisher判别方法在油水识别中的应用

根据测井数据结构复杂和交集严重的特点,将主成分分析思想应用到剔除奇异点和寻找两类样本的交集中,并在交集中应用核Fisher判别方法,进行油水判别,弥补了Fisher线性判别方法的不足.通过将主成分分析和核Fisher判别方法这两种理论有机的结合起来,提高了利用测井数据识别油水层的鉴别能力,实际应用中证明了本方法的实用性和有效性.

基于概率核主成分分析的属性优化方法及其应用

主成分分析(PCA)是最常用的属性优化分析技术,但存在缺少概率模型和缺失高阶统计量信息的不足。本文基于贝叶斯理论和核主成分分析(KPCA)法,研究了可同时克服PCA两个缺点的方法———概率核主成分分析(PKPCA)。即首先将样本数据映射到高维特征空间,继而在特征空间定义数据的概率模型,最后应用期望最大(EM)估计最佳结果。该方法兼具概率分析和核主成分分析的优点,能有效地适应更复杂储层情况,实现非线性概率分析。实际数据的应用结果表明,基于贝叶斯理论的属性概率优化法提高了属性优化的精度,同时增强了储层预测的准确性和可靠性。

基于核主成分分析和支持向量回归机的红外光谱多组分混合气体定量分析

提出了一种核主成分分析(KPCA)特征提取结合支持向量回归机(SVR)的红外光谱混合气体组分定量分析新方法。首先将特征吸收谱线严重重叠的混合气体光谱通过非线性变换映射到高维特征空间,然后在特征空间中再利用主成分分析法提取主成分,提取出的主成分作为SVR的输入建立校正模型,实现了甲烷、乙烷、丙烷、异丁烷、正丁烷、异戊烷以及正戊烷七种组组分特征吸收光谱严重重叠的混合气体的定量分析。用KPCA-SVR所建模型对未知浓度混合气体的七种组分预测的RMSE(φ×10-6)较仅用SVR模型预测的RMSE(φ×10-6)降低了一个数量级。结果表明,核主成分分析法具有很强的非线性特征提取能力,可以充分利用全光谱数据并有效地消除光谱数据噪声,降低数据维数,与支持向量回归机结合可以提高红外光谱分析的精度,缩短模型计算时间,是一种有效的红外光谱分析新方法。

基于曲波域与核主成分分析的人脸识别

针对小波变换不能充分描述人脸曲线特征的缺点,本文提出一种基于曲波域与核主成分分析(KPCA)的人脸识别算法。采用多尺度、多方向的曲波(Curvelet)变换提取图像特征,不仅具有更高的逼近精度和更好的稀疏表达能力,而且其变换系数能有效表示沿曲线的奇异性。进一步使用核主成分分析(KPCA)将曲波特征系数投影到更具表达力的核空间中,通过最近邻分类器进行分类。并在JAFFE人脸库中、ORL人脸库以及FERET人脸库中做了多组实验,实验结果表明该方法在图像降维和识别率方面都达到了较好的效果。

基于聚类的核主成分分析在特征提取中的应用

本文分析了一般主成分分析在处理非线性问题上的不足,阐述了核主成分分析方法及其计算速度的缺陷,提出了基于聚类的核主成分分析方法。试验结果显示:基于聚类的核主成分分析方法具有好的特征提取性能,相比核主成分分析大大提高了特征提取的速度。

基于余弦角距离的主成分分析与核主成分分析

PCA和KPCA都是基于欧氏距离提出的,这种距离对离群数据点比较敏感,而余弦角距离对离群数据更为鲁棒,在很多情况下具有更好的性能。充分利用余弦角距离的优势,提出两种新的特征抽取算法——基于余弦角距离的主成分分析(PCAC)和基于余弦角距离的核主成分分析(KPCAC)。在YALE人脸数据库与PolyU掌纹数据库上的实验表明,PCAC比PCA取得了更好的效果,KPCAC也表现出了很好的性能。

腐乳感官和理化品质的核主成分分析

为解决PCA不适合多指标综合分析中非线性主成分分析的问题 ,采用核主成分分析 (KPCA)方法 ,对我国不同地区 16种腐乳的品质进行了综合评价。使用核函数将原空间映射到高维特征空间 ,在高维空间进行了线性主成分分析。结果表明 ,通过对核参数的适当选取 ,可使最大特征值的贡献率达到或接近 85 % ,避免了多个主成分的不同组合而导致的评价结果的不一致。

基于核主成分分析与最小二乘支持向量机结合处理时间序列预测问题

探讨了最小二乘支持向量机时间序列预测的方法,提出了用核主成分分析提取主元,然后用最小二乘支持向量机进行预测．通过实验表明,这种方法得到的效果优于没有特征提取的预测．同时与主成分分析提取特征相比,用核主成分分析效果更好．

基于核主成分分析及支持向量机的水轮机叶片裂纹源定位

结合核主成分分析(KPCA)以及支持向量机对水轮机转轮叶片裂纹源的声发射信号进行定位。结果表明,利用核主成分分析提取的特征参数进行定位的精度高于原始参数的定位精度,即输入9个特征参数时,支持向量机在叶片区域的识别率为100%,在裂纹源对焊缝距离的支持向量回归分析中的最大误差为20cm。因而结合KPCA和支持向量机对复杂的大尺寸结构进行定位是一种较好的方法,既减少了输入信号的维数,又提高了定位精度。

概率核主成分分析及其应用

主成分分析(PCA)、核主成分分析(KPCA)和概率主成分分析(PPCA)是已经取得广泛应用的特征提取方法。提出一种基于概率核主成分分析(PKPCA)的检测液晶屏幕亮点的方法。作为对PPCA的一种非线性扩展,PKPCA在PPCA的基础上引入了核函数方法,因而其捕获模式非线性特征的能力更强。在KPCA和PPCA的基础上推导了PKPCA过程公式,并在检测液晶屏幕亮点的应用中将PKPCA、PPCA、PCA算法进行比较。实验结果表明,PKPCA的检测率和局部信噪比优于其他两者。