基于独立主元分析的汽轮机性能监测与评估

为了解决汽轮发电机组的性能检测和故障诊断问题,将独立主元分析引入汽轮机性能监控领域,提出了一种基于独立主元分析(ICA)的电厂机组性能监测与评估新方法。通过ICA算法计算数据的独立主元,进一步计算监控统计量I2,I2和SPE来监测和评估系统的运行。若监控统计量在控制置信限以下,则认为系统运行正常;若统计量超过控制限,则判断为系统有故障或异常发生,运行和维修人员可以根据监测结果及时排查故障发生的原因,消除安全隐患,从而确保机组的安全稳定运行。某电厂机组故障数据仿真研究试验验证了该方法的有效性和合理性。

基于主元独立性分析与混合核RVM的复杂过程区间预测方法研究及应用

近年来,随着化工过程日趋复杂,对过程监控及关键变量预测提出了更高的要求。传统意义上的点预测已不能满足化工过程上的实际需求,且点预测无法描述过程上的不确定性问题,因此不能很好地把握预测变量的趋势。由此,提出了一种基于主元独立性分析(principal component independent analysis,PCIA)与混合核相关向量机(RVM)的区间预测方法。首先,结合核主元成分分析(KPCA)和独立元分析(ICA)对复杂过程原始变量进行主元成分提取和独立性分析,形成独立主元;其次,将高斯核函数与多项式核函数相结合形成混合核,与RVM结合对得到的独立主元进行回归建模预测,并运用T分布对预测值进行区间估计;然后,构造区间评价综合函数对区间估计结果进行优劣分析,在分析预测区间覆盖率(PICP)及预测区间宽度(NMPIW)的基础上,引入累积偏差(AD)提高区间评判的合理性。最后,将所提方法应用到TE仿真过程进行区间预测分析,仿真结果表明,提出的区间预测方法对实际生产过程具有较高的预测精度和区间估计质量,可以有效地预测关键变量的趋势。

基于混合动态主元分析的故障检测方法

针对基于动态主元分析的故障检测方法存在的主元个数较多以及计算效率低等问题,本文提出基于混合动态主元分析(Hybrid Dynamic Principal Component Analysis,HDP-CA)的复杂过程故障检测方法。该方法采用分步策略消除数据之间的自相关和互相关性,提高了故障检测的精度和效率。对TE过程典型故障和热连轧过程中断带故障检测结果表明:HDPCA方法提取的主元个数少于DPCA方法提取的主元个数。并且,基于HDPCA的T2和SPE统计量的检测性能和检测精度都由于基于DPCA的统计量。因此,本文提出的方法可以准确有效地检测出故障。

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。

鲁棒主元分析在掌纹识别中的应用

为了对存在异常值的图像构建低维线性子空间的描述,提出用鲁棒主元分析(RPCA)的新方法进行掌纹识别。运用图像下抽样方法降低掌纹空间的维数,在低维图像上应用RPCA提取低维的投影向量,然后将训练图像和待识别图像向投影向量上投影得到鲁棒主元特征,计算特征向量间的余弦距离进行掌纹匹配。运用PolyU掌纹图像库进行测试,结果表明,与主元分析(PCA)、独立元分析(ICA)和核主元分析(KPCA)相比,RPCA算法的识别率最高为99%,特征提取和匹配总时间0.032 s,满足了实时系统的要求。

基于独立元分析的GMAW缺陷在线监测

采用独立元分析(ICA),用于气体保护焊过程在线监测。通过对过程的电参数进行独立元分析,去除焊接电流和电弧电压之间的相关性并提取出独立元。通过试验验证ICA对GMAW过程在线监测的可行性,发现当焊接过程有突变性干扰时,独立元(IC)能够对干扰做出反应。结果表明,IC可以作为表征过程是否异常的一个状态变量,通过对IC进行统计过程控制,能够分离出焊穿缺陷。并将ICA与主元分析(PCA)的结果进行了比较。

基于独立元分析的制浆造纸废水处理过程故障检测

为及时、准确地做出故障诊断,本课题采用独立元分析(ICA)和主成分分析(PCA)两种常用的多元统计分析方法对制浆造纸废水处理过程中的传感器故障进行检测并对诊断效果进行对比。结果表明,对于制浆造纸废水数据中偏移和漂移两种故障,ICA模型的故障检测率分别为24%与54%,PCA模型的故障检测率分别为14%和42%,ICA模型的两种故障检测率均高于PCA模型,但是两种模型均无法达到满意的检测效果;对于完全失效故障,ICA和PCA模型的故障检测率均达到100%。

独立元分析方法及其在视频分割中的应用

该文详细的介绍了独立元分析方法 (IndependentComponentAnalysis ,ICA)的基本背景、原理 ,以及各种独立元分析算法及其特点。同时考虑到在视频分割中 ,视频图像的内容丰富 ,物体复杂多样 ,但是前景物体和背景图像基本上保持相对独立的特点 ,利用盲信号分离的思想 ,尝试着把独立元分析方法用于视频分割 ,以获得相对独立的背景和前景图像。文中用摄像头采集的连续几帧图像做实验 。

基于独立分量分析的人脸自动识别方法研究

提出了一种独立分量分析 ( ICA )和遗传算法 ( GA )相结合的人脸自动识别方法 ,人脸图像的独立基的获取是采用基于四阶统计信息的 ICA算法 ;为了减少计算复杂度 ,对原图像进行滤波降维 ,并用遗传算法对 ICA求得的独立基集合进行搜索得到了一个最优的独立基子集 ;最后 ,选择合适的分类器根据待识别图像在独立基上投影系数进行分类判决 .对人脸图像库的实验表明本方法识别率比基于主元分析的特征脸方法高 ,且计算量小于传统的基于

空间ICA在fMRI数据上的应用与分析

独立成分分析(ICA)技术试图将多维数据分解成若干个相互统计独立的分量。时间ICA和空间ICA都可以用于分析功能核磁共振成像(fMRI)数据。但由于fMRI数据空间维数远远大于时间维数,为计算方便,在分析fMRI数据时,则更多的使用空间ICA方法。本文在单任务激励实验中,利用ICA方法从fMRI数据中分离出若干个与任务相关的独立分量,其中包括与任务相关的恒定分量(CTR)和与任务相关的暂态分量(TTR);通过将这些独立分量进行空间映射,得到了与任务相关的脑部激活区域。将此结果与SPM的分析比较,得到了一致的结果。在对结果的分析中,我们进一步指出了ICA方法的特点和局限性。

基于核独立成分分析的盲源信号分离

独立成分分析(ICA)已经广泛用于盲源信号的分离(BSS)。论文介绍了基于核空间的ICA的原理和基本算法,然后介绍了该算法与典型ICA和主成分分析(PCA)在盲源信号分离中的比较。实验表明在盲源信号分离中,基于核空间的ICA与其他典型ICA和PCA算法相比更具有准确性和鲁棒性。

基于小波变换的二维独立元在人脸识别中应用

针对二维主元分析(Two-Dimensional Principal Component Analysis,2DPCA)和独立元分析(Independent Component Analysis,ICA)的特点,给出了二维独立元分析(Two-Dimensional Independent Component Analysis,2DICA)的概念。在2DICA算法的基础上,提出了基于小波变换(Wavelet-Transform,WT)的2DICA(Wavelet-Transform and Two-Dimensional Independent Component Analysis,WT-2DICA)人脸识别算法。首先,利用小波变换将原始图像的高频分量和低频分量进行不同程度的分离,并忽略高频分量,获得原始图像的基本特征;然后,利用2DICA算法求得投影特征;最后依据最近邻法则完成人脸识别。基于ORL(Olivetti Research Laboratory)与Yale人脸数据库的实验结果表明,WT-2DICA算法正确识别率高于2DPCA算法与2DICA算法,是一种有效的人脸识别方法。

基于SL-ICA算法的SAR图像混合像元分解

为解决合成孔径雷达(SAR)图像存在大量混合像元的问题,针对传统ICA不能有效解决混合像元分解这一缺陷,提出一种新的独立成分分析算法——有监督学习ICA算法(SL-ICA)。其目标函数是在原ICA负熵目标函数基础上增加监督学习的约束条件项,进而在同一目标函数内实现负熵和约束条件的统一,在最大化负熵的同时也最小化了约束条件的误差,此外,采用一种新的双梯度下降法优化迭代,提高计算速度。并以人工模拟SAR图像和北京地区ENVISAT-ASAR作为数据源进行实验,实验结果明显优于主成分分析方法(PCA)的分解结果。

基于核独立成分分析的人脸识别

研究一种基于核独立成分分析的人脸识别方法。利用支持向量机的核函数思想,将原始人脸图像向量映射到高维特征空间,然后在高维特征空间中进行独立成分分析(ICA),提取非线性独立成分作为特征向量进行分类识别。实验结果表明该方法要比常规的基于ICA和PCA的人脸识别算法的识别率要高。

独立分量回归及其在变形分析中的应用研究

独立分量回归是一种将独立分量分析与回归分析相结合的方法,即先从自变量中提取出独立分量,然后利用独立分量进行回归建模。模拟实验表明,该方法既解决了各因子间的相关性问题,又能通过提取的独立分量对因变量进行更好的解释说明。

基于独立分量分析的高光谱图像目标检测算法

提出一种基于独立分量分析(ICA)的高光谱图像目标检测算法。首先利用无监督正交子空间投影进行端元提取,并将端元矢量构成矩阵作为快速定点独立分量分析的初始化混合矩阵,解决了独立分量在排序上的随机性;同时采用基于噪声调整的主分量分析(NAPCA)对原始图像数据降维,继而采用初始化后的快速独立分量分析从保留的主分量中依次提取出目标。利用AVIRIS高光谱数据进行实验研究,结果表明提出的算法能够有效地提取图像中的目标信息,其性能优于改进的CEM检测算法。

基于主分量特征与独立分量特征的人脸识别

PCA方法抽取出的主分量特征与ICA方法抽取出的独立分量特征是对原数据的两类不同描述.PCA是一种基于二阶统计的最小均方误差意义上的最优维数压缩技术,PCA方法所抽取特征的各分量之间是统计不相关的.ICA方法使用数据的二阶和高阶信息抽取数据的独立分量特征.文章对这两种方法做了理论上的比较,并通过实验证明ICA算法提取的特征子空间在人脸识别应用中更有效,识别率更高.

应用二维EMD和独立成分分析的掌纹识别

提出一种基于二维经验模式分解(Two-dimensional Empirical Mode Decomposition,2-DEMD)和独立成分分析(Independent Comment Analysis,ICA)相结合的掌纹识别新方法。利用2-DEMD自适应的时频局域化多尺度和ICAII表征数据的高阶统计特性来提取掌纹特征。首先,对预处理过的掌纹图像进行2-DEMD分解得到多层本征模函数(Intrinsic Mode Function,IMF);其次,利用基于PCA(Principal Component Analysis)降维处理的FastICAII算法提取IMF子图像集的掌纹特征基向量;最后,设计实验测试(2-DEMD+ICAII)的识别性能。实验结果表明,该方法能更有效地提取掌纹特征,与传统的ICAII相比,具有重构图像信噪比好、识别率高等优点。

独立成份分析在径向基函数网中的应用研究

提出应用独立成份分析(Independent Component Analysis,ICA)降低径向基函数网(RBFN)输入维数的方法,并讨论ICA降维方法对RBFN行为的影响.实验表明基于ICA的降维方法大大提高了RBFN的收敛速度,改善RBFN的行为.

基于最大负熵原理的独立分量分析及其应用

独立分量分析是信号处理的一种新方法。可以分离和恢复多个在时域、频域均混叠在一起的信号，本文针对语音信号的特点。研究了基于最大负熵原理建立非线性函数的ICA实现算法。并将这种方法用于语音信号分离。实验证明了该方法的有效性。文中首先分析了这种ICA的原理和算法。然后给出了实验方法及结果。