基于费舍尔判别分析的中药材鉴别

中药材具有相当高的声誉,而这一混合物体系极具复杂性,对其进行鉴别意义深远.红外光谱因专属性强重现性好,广泛用于中药材鉴别.利用中红外光谱进行同种中药材产地鉴别,首先进行平滑滤波和导数光谱预处理,再基于费舍尔判别分析进行鉴别.同时利用近、中红外光谱对同种中药材进行产地鉴别,首先对原始近红外、中红外、近中红外组合数据预处理,再基于费舍尔判别分析进行鉴别.利用近红外光谱对不同类别产地药材进行鉴别,方法一将类别和产地双标签映射为单标签,用费舍尔判别分析鉴别单标签,再逆推原类别产地,方法二分别基于类别和产地进行费舍尔判别分析.仿真和实际实验说明费舍尔判别分析有效.

基于费舍尔判别分析法的故障诊断

在化工流程故障诊断中,主元分析法(PCA)是最常见的降维技术。尽管PCA具有一定的优化性能,并在故障诊断中被广泛使用,却不是故障诊断的最佳方案。理论上,费舍尔判别分析法(FDA)在故障诊断分类方面更具优势。对现实化工厂故障数据进行了研究,得出在低维状态下选择FDA方法可以获得更好的处理效果。

基于集成局部费舍尔判别分析的故障分类

实际工业过程数据的局部特性一般都较为复杂,不利于样本特征的提取和故障分类精度的提高.针对此问题,本文提出一种集成的局部费舍尔判别分析(ILFDA)模型,可以同时从变量和样本两个维度挖掘数据的局部结构特征,提高故障分类的性能并降低建模的难度.首先,根据过程的结构原理对复杂系统进行分块,从而可以有效获取变量维度的数据局部信息,并排除无关变量的影响.其次,针对样本维度的数据局部信息,在每个变量子块中分别建立局部费舍尔判别分析(LFDA)模型,并为每个局部模型分配相应的权值,从而可以更准确地衡量不同子块对当前故障的影响程度.最后,利用分类性能加权策略将各个子块的分类结果进行融合.田纳西–伊斯曼(TE)过程中的仿真结果验证本文所提的ILFDA方法具有更好的故障分类效果.

改进的核费舍判别法在化工过程故障诊断中的应用

化工过程采样数据具有强非线性和噪声,针对化工过程状态监控的问题,提出一种改进的核费舍判别分析法(KFDA)的故障诊断算法。首先采样数据经过小波变换方法去除噪声,去除噪声后的数据进行KFDA建模,然后在建模同时采用特征向量选择(FVS)算法降低复杂性。Tennessee Eastman process实验结果表明了该算法的有效性,同时该算法加强了KFDA故障诊断的准确性,并明显地减少了存储空间和运算时间。

基于改进核主成分分析的故障检测与诊断方法

针对传统基于核主成分分析的故障检测方法提取非线性特征时只考虑全局结构而忽略局部近邻结构保持的问题,提出基于改进核主成分分析的故障检测与诊断方法。改进核主成分分析方法将流形学习保持局部结构的思想融入核主成分分析的目标函数中,使得到的特征空间不仅具有原始样本空间的整体结构,还保持样本空间相似的局部近邻结构,可以包含更丰富的特征信息。在此基础上,本文使用改进核主成分分析方法把原始变量空间映射到特征空间,使用费舍尔判别分析在特征空间中构建距离统计量并通过核密度估计确定其控制限,进一步利用相似度的性能诊断方法识别发生的故障类型。采用Tennessee Eastman过程故障检测数据集进行的仿真实验表明所提方法可以取得较好的效果。

基于局部Fisher判别法的电镜下致密沉积物自动识别（英文）

本文提出一种在电子显微镜图像中有效检测致密沉积物的方法。致密沉积物在电子显微镜图像中较难分辨,使用传统的SIFT,ORB或者SURF特征检测及描述算法往往难以达到理想的效果。运用传统计算机视觉处理流程,如,SIFT特征提取器以及描述器来进行特征提取,再建立bag-of-words全局特征向量,最后使用支持向量机来进行分类,在进行致密沉积物的分类操作中难度比较大。本文选择了实用LBP特征提取器来提取高反差度的纹理特征,使用梯度直方图特征提取器来提取轮廓特征,同时使用Schimid滤波器组和Gabor滤波器组来提取图像中的常规纹理特征,形成超高维度的特征向量使其包含显微镜图像中的全面特征。由于电子显微镜图像不具备色彩信息,纹理信息变得最为重要,又由于在显微镜图像中,尺度基本可知,LBP以及HOG能非常有效地提取高反差轮廓特征以及质地特征。配合两大纹理滤波器组合将可以确保特征向量在强调高反差特征的同时,不会忽略常规纹理信息。在特征提取出来后使用局部Fisher判别分析来降低特征向量的维度,并选择最具有可区分性和有效的特征。LFDA能够进行无指导的降维,并保留最具可分辨性的特征,对于本文提出的算法至关重要。由于在之前产生的特征向量对所有的特征并不进行强弱区分,经过LFDA后,不重要或者具有广泛普遍性的特征将会被舍弃,而最能够代表致密沉积物的特征将得以保留。这保证了之后的分类器训练能够在不牺牲训练速度的前提下,有效地形成分类区间。最后,算法使用了probabilistic boosting tree来对训练样本进行训练,PBT是按照等级划分的决策树,每一个节点是一个强决策器,它具有不易过度训练、高效准确的特征,通过输入LFDA处理后的训练样本特征向量,来学习得到致密沉积物的分类器。为验证本文提出的方法的可行性,一个包含50张电子显微镜图像的数据库被用于实验中。在这50张电子显微镜图像中,每一张都包含不同数量的沉积物区域。沉积物区域的总数约为500处。这些区域被精确标记。如果算法输出的沉积物标记与人工标记区域的重合率达到50%以上,认为该区域被准确识别,否则认为未能识别。在实验中,10张电子显微镜图像被用于神经网络的训练,而其余40张被用于测试。训练样本为100×100分辨率的图像块,只要图像块中包含沉积物区域,则视为正样本,否则视为负样本。为了增加样本个数,所有正样本被进行了旋转、平移、以及放大和缩小等变换。在训练中,一共500个正样本及约15 000个负样本被输入到PBT。实验结果显示,本文提出的方法能够有效地在真实电子显微镜图像中识别致密沉积物,识别效率接近50%。该结果证明利用LBP特征以及Schimid滤波器组和Gabor滤波器组来提取显微镜图像特征能够全面概括图像中个体的显著性特征,比起单纯使用SIFT以及SURF具有更高的通用性、鲁棒性以及有效性。对于从显微镜图像中提取出来的高维度特征向量,使用局部Fisher判别分析法能够非常有效地实施降维操作,从而保留了显著性的具有区分功能的特征以便更有效的训练分类器。而probabilistic boosting tree对于只具有少量训练样本的训练任务能够相当有效地收敛且避免过度拟合的情况发生。本文提出的处理流程适用于大多数基于显微镜图像下的目标识别、分类以及再识别任务,且具有速度快、高鲁棒性以及易于扩展等特点,具有较高的实用性。

基于多元统计分析的故障检测方法

作为数据驱动故障检测方法中的重要分支,基于多元统计分析的故障检测方法主要包括主元分析、偏最小二乘、独立元素分析和费舍尔判别分析.本文回顾了上述几种方法,包括数据模型、故障检测的原理及方法优劣.仿真实验说明了几种方法的特性及其故障检测的效果,并探讨了基于数据故障检测方法中的一些问题.

基于优化的多核局部费舍尔判别分析的故障分类

在实际工业过程中,故障数据通常具有较强的非线性特征,并且非线性特征的种类也较为多样.现有的基于核策略的过程监测方法中,通常只使用一种核函数进行故障的非线性特征提取,很难对非线性特征进行较为全面地刻画,因此单种核函数的过程监测方法对不同故障的分类效果十分有限.此外,常规核方法中的核参数通常由经验确定,难以取得最优的特征提取结果.为了解决此问题,本文提出一种优化的多核局部费舍尔判别分析(OMKLFDA)模型,首先,通过权重系数将多个核函数集成至局部费舍尔判别分析(LFDA)模型中,从而能够提取故障的多种非线性特征.其次,通过改进的粒子群优化算法为故障分类模型选择最优的核参数和权重系数,使得模型能够自适应地匹配不同的故障非线性特征.最后,田纳西—伊斯曼(TE)过程和真实柴油机运行过程中的仿真实验结果验证本文所提方法具有更好的故障分类效果.

基于密度峰值聚类的正则化LFDA算法

考虑到现有费舍尔判别分析(FDA)及其改进算法无法同时有效利用有标签数据和无标签数据进行学习,提出一种基于密度峰值聚类的正则化局部费舍尔判别分析(DPC-RLFDA)算法。该算法首先利用密度峰值聚类算法得到的伪标签构造两个正则化项来规范局部FDA的类间散度矩阵和类内散度矩阵;然后通过求解目标函数得到最优投影向量。此外,为适用于非线性非高斯分布数据集,提出了基于核的DPC-RLFDA。在人工数据集和UCI数据集上的实验结果表明,与FDA及其改进算法相比,所提算法的判别性能得到了显著提升。

基于t分布随机邻域嵌入算法的工业过程故障分类

针对在工业过程中数据普遍存在的非线性特性,基于数据的局部相关关系对分类的影响,提出一种基于t分布随机邻域嵌入(t-SNE)的数据特征提取和故障分类方法。利用t-SNE算法非线性、非参数降维的优势,与费舍判别分析(FDA)、支持向量机(SVM)分类器相结合建立故障分类模型。利用t-SNE算法对故障数据进行非线性特征提取,获取数据的关键区分特征。用FDA和SVM算法实现故障分类和识别。通过田纳西-伊士曼(TE)过程获得的实验数据进行实验仿真分析,并分别与基于核主元分析法(KPCA)、拉普拉斯特征映射(LE)构建的KPCA-FDA、LE-FDA、KPCA-SVM、LE-SVM 4种故障分类模型进行比较。定量评估结果表明:即使基于不同分类器,相较于其他2种方法,该文方法的分类准确率分别提升了2%和7%,且其平均分类准确率能保持在97%以上。

一种基于图像表观的鲁棒姿态估计方法

提出一种利用图像的表观特征进行头部姿态估计的方法.该方法首先使用了一维Gabor滤波器对头部图像进行特征提取,然后对提取得到的一维Gabor特征进一步使用了基于核函数的局部费舍尔判别分析方法增强特征的判别能力.与传统二维Gabor特征相比,一维Gabor特征除了在计算速度和存储空间上具有明显的优势以外,更与姿态紧密相关.而基于核函数的局部费舍尔判别分析方法,能够解决姿态问题中存在的非线性问题和多模态问题.大量的实验结果表明,该算法对于姿态估计问题是有效的.特别需要指出的是,该算法具有良好的推广能力,在训练数据和测试数据异质时,该算法的性能明显高于其他对比算法的性能.

基于低密度分割几何距离的半监督KFDA算法

提出了一种基于低密度分割几何距离的半监督KFDA(kernelFisherdiscriminantanalysis)算法(semisupervised KFDA based on low density separation geometry distance,简称Semi GKFDA).该算法以低密度分割几何距离作为相似性度量,通过大量无标签样本,提高KFDA算法的泛化能力.首先,利用核函数将原始空间样本数据映射到高维特征空间中;然后,通过有标签样本和无标签样本构建低密度分割几何距离测度上的内蕴结构一致性假设,使其作为正则化项整合到费舍尔判别分析的目标函数中;最后,通过求解最小化目标函数获得最优投影矩阵.人工数据集和UCI数据集上的实验表明,该算法与KFDA及其改进算法相比,在分类性能上有显著提高.此外,将该算法与其他算法应用到人脸识别问题中进行对比,实验结果表明,该算法具有更高的识别精度.

微波辐射计资料在降水临近预报中的应用

利用费舍判别分析方法,将综合水汽含量(integrated water vapor,IWV)和液态水路径(liquid water path,LWP)作为预报因子,选取2016年36个降水样本和33个非降水样本,对降雨发生前120 min每10 min建立1个降水预报2级判别方程(共12个),并用2017年的样本进行检验,结果表明:(1)降水发生前2 h内,综合水汽含量(IWV)有明显波动,液态水路径(LWP)有明显增加,这些变化特征可作为判断降水临近的一个参考指标。(2)根据判别分析方法建立预报模型,发现随着距离降水时间越长,预报方程准确率越低,降水前10 min预报准确率最高,达83. 56%,降水前20、30、40 min次之,分别为73. 97%、63. 01%、58. 90%。(3)选取降水前20 min的预报方程,对其预报结果进行检验分析,并结合10、30 min的预报方程进行判断,发现预报降水时间比实况略偏早。实际应用时还可能出现短暂空报情况,因此还应结合预报因子增长趋势,剔除其他因素导致的波动。

基于数据相关性及互补性的配电网选线新方法

为提高配电网单相接地故障选线的精度及鲁棒性,本文提出了一种基于数据相关性及互补性的选线新方法。借助Copula函数刻画多源故障信息之间的相关性;通过与故障特征数据拟合度最优的Copula函数构造秩相关系数,并用秩相关系数取代主成分分析中的线性相关系数,构造出计及故障数据相关性及互补性的特征挖掘方法;利用费舍尔(Fisher)判别分析法判别故障线路。EMTP及Matlab仿真结果表明,在不同的故障条件下,本文所提出的保护方法均可正确判断出故障线路。

半监督局部保持高光谱影像降维算法研究

由于高维特征空间通常会导致不适定问题,针对高光谱影像的统计模式识别是非常艰巨的任务。随着波段数目的增加,高光谱影像分析则面临Hughes现象等障碍,因此促进了降维方法的发展,它能够有效处理有限训练样本下的高维数据集情形。降维算法的目标是在保持原始数据主要本征信息的同时获取高维数据样本的低维表示。为了能够有效解决高光谱影像分析中的"维数灾难"问题,从而改进后续计算复杂度,我们引入一种半监督局部保持的降维算法。

基于KPCA-FDA方法的电能质量故障诊断和扰动分类

针对电能质量指标分类问题,提出了结合核主成分分析法和费舍尔判别分析的电能质量高精度分类识别方法。利用核主成分分析法对电能指标进行特征提取,深入挖掘指标的高维信息,再根据费舍尔判别分析对提取的主成分进行高精度预分类,经过训练数组和测试数组对训练结果的调整,最后确定六类电能质量扰动的中心特征向量,对检测的电能质量数据进行分类。根据实验结果,KPCA-FDA方法对电能质量的六种扰动诊断、分类效果均优于PCA、KPCA方法。

旋转机械设备故障诊断系统的研究

近年来由于生产技术的飞速发展，为了提高生产效率，流水线的生产方式应运而生，对设备自身技术水平和结构功能复杂程度都要求都极大均提高了，致使机械设备故障成为影响生产的最首要的原因之一。大型机组往往需要长时间满负荷的运转，保障自身安全、稳定的工作是保证国民经济持续健康快速发展的根本。因此人们意识到必须大力发展工程监潮和故障诊断技术，努力去开发一套可以实现对设备的作业状态进行远程实时监测，能够自动对设备故障类型进行识别的系统。论文主要从基于智能的角度对大型旋转机械的故障诊断技术进行研究未试图构建自动化智能的故障诊断系统。论文研究了利用小波分析进行故障特征信息提取的方法，研究了数据挖掘技术中决策树分类算法的设计与实现。结合费舍尔判别分析法，提出了将传统风机机械故障诊断专家系统知识自动花推理的技术。

基于混合KPLS-FDA的过程监控和质量预报方法

提出一种基于核偏最小二乘(KPLS)与费舍尔判别分析(FDA)相结合的过程监控和质量预报方法—–混合KPLS-FDA方法.首先,利用KPLS提取过程数据的非线性特征,使用FDA建立KPLS的内部模型;然后,求出满足最大分离度的核Fisher特征向量和判别向量来实现状态监测,若系统运行正常,则根据KPLS回归模型预报产品的质量,否则利用Fisher相似度系数确定故障类型;最后,通过轧钢过程的仿真研究验证了混合KPLS-FDA方法的有效性.

基于AR模型和KFDA的滚动轴承故障诊断

提出了基于时间序列参数模型和核Fisher判别分析(KFDA)的滚动轴承故障诊断方法.该方法首先通过自相关算法对轴承振动信号建立自回归(AR)模型,将自回归模型的参数作为特征向量并映射到高维核空间.然后在高维核空间中进行Fisher判别分析,求出Fisher判别分析的最优投影向量以及各类状态的Fisher判别值.最后获取未知状态轴承的高维核空间特征向量,求出其在最优投影向量上的投影值,通过与判别值进行距离判别来识别轴承所处的状态.实验结果验证了所用方法的有效性.

基于数据驱动的波形护栏监测数据故障诊断方法研究

为了研究波形护栏撞击事件的监测算法,实现能够从过程数据中消除环境噪声,区分正常震动干扰数据和撞击数据,同时能准确定位故障发生的位置,采用了基于数据驱动的故障诊断方法,该方法将监测数据视为"过程数据",将撞击类数据视为一种"数据故障",将环境干扰数据视为"噪声数据",将大型货车经过时产生的正常幅度的震动数据视为"干扰数据"。采用对比试验的方式来挑选适合护栏监测的数据驱动方法,再经过对该方法中各环节的优化和组合,提出了一种基于多尺度费舍尔判别分析的数据故障诊断模型。分析了基于数据驱动方法和基于传统利用经验阈值的方法的不同,以及基于数据驱动在监测波形护栏撞击事件的优点。分析了上述噪声数据的特点,优化了前期研究中的小波阈值除噪算法。分析了上述其他3类数据的特点,选择数据驱动中PCA,PLS,FDA这3类可能适合波形护栏撞击监测的算法,并分析了各类算法的工作原理。对比试验结果表明:基于数据驱动方法的护栏碰撞监测方法比基于阈值的监测方法准确率更高,误报率更低;经过优化后的小波阈值除噪算法能明显降低环境噪声对数据质量的影响;FDA相比较PCA和PLS更适合护栏撞击的数据故障诊断;与优化的小波阈值除噪算法组合后构成的MSFDA模型相比较,FDA模型抗噪能力更强,准确度更高。