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。

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。

基于双层异质集成学习器的入侵检测方法

入侵检测是网络安全领域中具有挑战性和重要性的任务。现有研究以增加时间消耗和误报率为代价,重点关注如何提高检测率,在实际应用中代价较大。为此,本文提出了一种使用双层异质学习器集成学习策略的入侵检测IDHEL模型。该模型使用概率核主成分分析方法降低数据维度,采用多个异质分类器通过分层十折交叉验证策略进行异常检测,并根据所提出的分类器评估算法筛选出在相关数据上表现最佳的三种分类器,基于概率加权投票的多分类器集成算法进行入侵检测。实验结果表明IDHEL模型在准确率、错误率和时间消耗方面均优于现有主流入侵检测模型。

PKPCA-LRM在滚动轴承性能退化评估中的应用

滚动轴承作为旋转机械最重要的零部件之一,其可靠性和寿命直接影响着机器的可靠性和寿命,为解决滚动轴承可靠性难以估计的问题,提出一种基于概率核主成分分析(Probabilistic Kernel Principal Component Analysis,PKPCA)和Logistic回归模型(Logistic Regression Model,LRM)的滚动轴承可靠性评估方法.首先提取轴承的时域、频域和时频域特征值组成高维混合域特征集,并引入相对特征值降低轴承个体差异;然后用PKPCA挑选能够表征轴承退化状态的特征值作为Logistic回归模型的协变量;最后用Logistic回归模型对滚动轴承可靠性进行评估.通过IMS滚动轴承全寿命试验,验证了该方法的有效性.