基于L1范数稀疏距离测度学习的单类分类算法

已有单类分类算法通常采用欧氏测度描述样本间相似关系,然而欧氏测度有时难以较好地反映一些数据集样本的内在分布结构,为此提出一种用于改善单类分类器描述性能的高维空间单类数据距离测度学习算法,与已有距离测度学习算法相比,该算法只需提供目标类数据,通过引入样本先验分布正则化项和L1范数惩罚的距离测度稀疏性约束,能有效解决高维空间小样本情况下的单类数据距离测度学习问题,并通过采用分块协调下降算法高效的解决距离测度学习的优化问题.学习得到的距离测度能容易地嵌入到单类分类器中,仿真实验结果表明采用学习得到的距离测度能有效改善单类分类器的描述性能,特别能够改善覆盖分类的描述能力,从而使得单类分类器具有更强的推广能力.

稀疏距离扩展目标自适应检测及性能分析

在球不变随机向量杂波背景下,研究了稀疏距离扩展目标的自适应检测问题.基于有序检测理论,利用协方差矩阵估计方法,分析了自适应检测器(Adaptive detector,AD).其中,基于采样协方差矩阵(Sample covariance matrix,SCM)和归一化采样协方差矩阵(Normalized sample covariance matrix,NSCM),分别建立了AD-SCM和AD-NSCM检测器.从恒虚警率特性和检测性能综合来看,AD-NSCM的性能优于AD-SCM和已有的修正广义似然比检测器.最后,通过仿真实验验证了所提方法的有效性.

基于稀疏距离的间歇过程故障检测方法

针对间歇过程多工序、变量非线性、非高斯分布等特征,提出了一种基于稀疏距离的故障检测方法(FD-SD).采用稀疏距离衡量测试样本周围训练样本的分布密度,统计测试样本近距离训练样本分布特征,应用变窗宽核密度估计方法估算样本距离的累计分布函数,根据阈值计算样本的稀疏距离.根据稀疏距离的累计分布函数设定检测控制限,建立基于稀疏距离的检测模型.该方法可以避免变量服从高斯、线性分布等假设问题,同时使故障检测的准确性与可靠性得到提高.通过在模拟实例和半导体蚀刻批次过程中的仿真应用,说明该方法可以处理过程具有非线性、多模态、多工序生产特征的故障检测问题.仿真实验验证了方法的有效性.

高维空间L1范数约束的一类数据稀疏距离测度学习算法与应用

现有一类分类算法通常采用经典欧氏测度描述样本间相似关系,然而欧氏测度不能较好地反映一些数据集样本的内在分布结构,从而影响这些方法对数据的描述能力.提出一种用于改善一类分类器描述性能的高维空间一类数据距离测度学习算法,与已有距离测度学习算法相比,该算法只需提供目标类数据,通过引入样本先验分布正则化项和L1范数惩罚的距离测度稀疏性约束,能有效解决高维空间小样本情况下的一类数据距离测度学习问题,并通过采用分块协调下降算法高效的解决距离测度学习的优化问题.学习的距离测度能容易的嵌入到一类分类器中,仿真实验结果表明采用学习的距离测度能有效改善一类分类器的描述性能,特别能够改善SVDD的描述能力,从而使得一类分类器具有更强的推广能力.

基于稀疏残差距离的多工况过程故障检测方法研究

针对多工况过程,本文提出一种新的基于稀疏残差距离(Sparse residual distance, SRD)统计指标的故障检测方法.首先对正常的多工况标准化后数据直接进行稀疏分解,提取多个工况数据间相关关系,得到字典和对应的稀疏编码,以便构建全局检测模型,避免分工况且突出数据特征.然后计算正常多工况数据的近似值,构建稀疏残差空间,提出计算稀疏残差k近邻距离构建故障检测统计量,利用k近邻捕捉过程具有的非线性、多工况特征.最后通过数值案例和TE (Tennessee Eastman)生产过程进行仿真实验,验证了所提方法的有效性.

一种用于MOPSO的全局极值确定和种群更新的新策略

多目标粒子群优化过程中,收敛速度和粒子的多样性之间往往不能兼顾,且常易于陷入局部最优。为了更好地解决此问题,该文结合Pareto支配的思想,提出了一种改进的多目标粒子群优化算法。此方法使用带有规模限制的外部档案,并采用在线归档技术,改进了粒子群和外部档案的更新方式。当外部档案达到最大规模时,剔除密集距离最小的非劣解;在全局极值的确定中,除考虑概率外,选取稀疏距离最大的非劣解作为当前代的全局极值;另外采取多次迭代的方法更新种群。对几个典型函数的仿真结果表明,算法在寻优效率和Pareto前沿的性能指标方面达到了满意的效果。该算法为其他更加复杂的多目标优化问题提供了新思路。

一种基于不连续伽辽金方法求解多区域目标散射问题的优化预处理器

在电磁散射问题中,由均匀介质和金属组合而成的多区域结构目标在天线仿真、雷达成像等工程问题中有着广泛应用.针对多区域目标的散射问题,研究了不连续伽辽金(discontinuous Galerkin,GD)方法在多区域面积分(surface integral equation,SIE)矩量法中的使用,同时提出了一种优化的距离稀疏预处理(optimized distance sparse preconditioner,O-DSP)方法。该方法根据阻抗矩阵中不同积分算子随距离变化的特性来个性化选择预处理矩阵,进一步增加了预处理矩阵的稀疏性.数值计算表明,相比之前的距离稀疏预处理方法,优化的预处理矩阵非零元素仅为以前的一半,而且具有相同加速迭代效果.