利用独立分量回归建立大坝多测点位移模型

将独立分量回归引入大坝多点位移建模,并以五强溪大坝引张线若干测点的水平位移数据进行实验。结果表明,相对于逐步回归,独立分量回归有效解决了多测点回归建模中自变量多重相关性引起的病态问题,可建立稳定合理的回归模型。

基于独立分量回归的加热炉钢温预报模型

轧钢加热炉系统具有多变量、非线性、大滞后、交叉耦合等特性,钢坯出炉温度的预报模型一直是个难题。仍然采用统计建模的思路,利用独立分量分析方法不依赖分布假设的优点,建立了钢坯温度变量和过程变量之间的独立分量回归预测模型。基于轧钢厂实际生产数据进行了建模与验证实验,误差比较分析表明,该模型能较好地预测钢坯出炉温度,且预测误差指标优于基于改进PCA的预报模型。

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。

粒子滤波和独立分量分析的含噪信号盲分离算法研究

研究了两阶段含噪独立分量分析算法来解决含噪信号盲分离问题。第一阶段,通过粒子滤波实现对不含噪混合信号的估计,将含噪独立分量分析转化为不含噪的独立分量分析;第二阶段用现有的FastICA算法从估计的不含嗓混合信号中提取出源信号。不含噪混合信号的时变自回归模型和含噪与不含噪混合信号之间的关系构造了动态的状态-空间方程。该方程的特点是多变量、过程和观测噪声不限于高斯分布,粒子滤波是解决该问题的有效方法。提出了解决含噪独立分量分析的PF+FastICA算法,仿真试验表明所提出的算法性能优于相关文献的结果。

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。

基于独立分量分析的拱坝位移预测模型

在逐步回归模型中,有些分量间存在比较强的相关性,如果直接利用线性回归方法处理,就会特别容易出现病态问题,这样得到的回归模型不合理。为了解决这一问题,引入独立分量分析方法(ICA),并运用基于负熵极大化的独立性准则的快速独立分量分析方法(FastICA)分离出独立分量,建立了某拱坝的安全监测位移预测模型;同时为了表明结果准确性,利用逐步回归方法建立了逐步回归模型。结果表明:独立分量回归方法(ICR)相比逐步回归方法可以建立一个比较准确的回归模型,由于独立分量回归分析方法没有剔除不显著因子,考虑了各个因子对因变量的影响,从而更加符合实际情况。

基于相空间重构和独立分量分析的火灾预测

利用非线性动力学的相空间重构理论和独立分量分析,结合非线性支持向量回归,提出了火灾起数时间序列预测方法。首先用时间延迟法和独立分量分析重构系统的相空间来反映火灾起数时间序列的内在变化规律,然后再用非线性支持向量回归来构建预测模型。仿真结果表明该预测方法具有较高的预测精度。

独立分量分析在短期交通流量预测中的应用

传统短期交通流量预测方法都基于相同的预测模型直接对总体流量进行预测,总体流量数据中含有若干个分量,不同分量使用同一个预测模型,预测模型无法符合每一个分量数据的变化规律,导致预测结果精确度不高。为了提高流量预测精度,节省预测时间,改善传统预测方法的不足,将独立分量分析方法应用到短期流量预测中,对自回归滑动平均(ARMA)预测模型进行了改进。首先,对去除周期分量的高速公路交通流量数据进行独立分量分析,将其分解成若干个正交独立分量,减少分量关联性带来的预测误差;然后,对不同的独立分量分别构建适当阶数的自回归滑动平均模型,即对不同分量进行单独预测;最后,用最小二乘法求解独立分量分析中的混合矩阵,通过混合矩阵将独立交通分量的所有预测值准确地重构回最终需要的交通流量预测值。结果表明,该方法与直接自回归滑动平均模型预测法和经验模态分解法相比具有更高的预测精度和更短的计算时间。

基于心音信号处理的冠心病诊断的研究

记录舒张期心音信号,用信号处理方法进行分析识别,实现冠心病的无创诊断.将小波分析(WT)、自回归滑动平均(ARMA)以及独立分量分析(ICA)方法分别应用于冠心病(CAD)心音信号的特征提取,并将提取的特征值输入径向基(RBF)神经网络进行训练和识别.实验结果,CAD病人和非CAD病人的正确检测率分别是:小波分析80%,85%;ARMA70%,75%;ICA85%,85%.结果表明,在CAD病人的心音中含有300～800Hz的高频心音能量.在三种方法中,ICA显示了较好的效果.

ICA方法与NIR技术用于药片中活性成分含量的测定

用独立分量分析(ICA)方法提取药片近红外光谱数据矩阵的独立成分和相应的混合矩阵,再用BP神经网络对混合矩阵和药片中活性成分的浓度矩阵进行建模,提出了新的药片活性成分含量测定的基于独立分量分析-神经网络回归(ICA-NNR)的近红外光谱分析方法.通过分析独立分量数和网络中间隐层的神经元数对模型性能的影响,分别建立三类药片定量分析的最优模型.该方法用于实测的三类药片中活性成分含量的测定,测试样品集的化学检测值与近红外预测值的相关系数分别达到0.962,0.980及0.979.结果表明,基于ICA-NNR的近红外光谱分析方法对制药业的药片进行定量分析是可行的.

脑机接口应用中的思维任务分类

脑电信号(EEG)是研究脑活动的一种重要的信息来源,基于脑电信号的人与计算机的通信成为一种新的人机接口方式。对于五种不同心理作业的思维脑电信号运用独立分量分析(ICA)进行预处理,然后采用6阶的AR模型提取特征,最后应用BP神经网络对AR系数特征进行训练和分类。实验表明,此方法可以达到很好的分类效果,提高了脑电思维作业的准确度。

脑-机接口中新的脑电数据分类方法

根据自发脑电的特点,将HMM-AR模型算法运用到脑电状态的分类中,证明它是一种非常有用的分析脑-机接口方法。将Laplacian filter、ICA和HMM-AR方法相结合,用想象左右手运动的BCI数据进行识别,得到了很好的分类结果,有效地区分脑电中运动与非运动两种状态。该算法能够在运动开始后1 s内检验到脑电信号的变化,从而证明了该算法在BCI的实用性,达到了良好的识别效果。

SDICA方法在单通道信号故障分类中的研究

提出了一种针对工程单通道信号的子带分解独立分量分析(subband decomposition independent component analysis,简称SDICA)故障分类方法。利用经验模态分解方法(empirical mode decomposition,简称EMD)得到的多个基本模式分量作为子带信号,对子带信号进行独立分量分析(independent component analysis,简称ICA),在ICA方法过程中提取了分离过程特征中产生的残余互信息值,在估计子带信号中计算各自的近似熵值,并把残余互信息和近似熵值作为特征参数,输入广义回归神经网络实现故障分类。SDICA方法在单通道信号故障分类中引入了ICA理论,成功实现了工程单通道轴承信号3种故障高精度的识别,验证了具有良好表征故障能力的残余互信息值和估计子带近似熵能够成为故障分类的重要参数。

不同思维作业电信号的高准确度模式分类

本文采用独立分量(ICA)分析对不同思维作业的脑电(EEG)信号进行预处理,再用自回归(AR)参数模型提取EEG信号特征,最后利用BP网络完成对特征样本集的训练和分类。实验结果表明,所采用的方法提高了脑电思维模式作业的准确度,对两种到五种不同思维作业未经训练的数据的平均分类准确度达到79％以上,超过现有文献报道的结果。

MTICA-AEO-SVR股票价格预测模型

为了改善传统Fast ICA算法的稳定性和分离效率,基于Tukey M估计构造了一种新的非线性函数,提出了MTICA算法;并在此基础上结合SVR算法,建立了一种新的MTICA-AEO-SVR股票价格预测模型。用MTICA算法将原始股票数据分解为独立分量进行排序去噪,选择不同的SVR模型分别对各独立分量和股票价格进行预测。在SVR算法中引入了人工生态系统优化算法(AEO)选参,提高了模型的预测精度。通过对上证B股指数的实证分析,结果表明,MTICA-AEO-SVR模型比ICA-AEO-SVR模型和ICA-SVR模型更准确和高效。

基于EMICA-KRR的长输管道压力监测与泄漏定位方法

为解决长输管道压力监测过程中泄漏突发,难以实时预警并精确定位的问题,提出一种基于集成改进独立分量分析(EMICA)和核岭回归(KRR)的管道泄漏故障检测与定位方法.首先,建立基于EMICA算法的故障检测模型,提取并分离压力数据中的高斯信号和非高斯信号并构造相关统计量,实现故障信号分离与主分量选择;然后,根据EMICA模型获得的故障信号,进一步构造基于KRR算法的故障诊断模型,拟合数据得出故障信号压力变化幅值,实现泄漏信号的选择与泄漏故障的定位;最后进行TE(田纳西-伊斯曼)过程的数值仿真实验以验证算法的性能.仿真结果表明:EMICA-KRR算法拥有更良好的信号分离能力,可以准确识别泄漏故障信号并精确定位管段失效位置,克服了传统方法的低效、延时等缺点.