鲁棒核主元分析的数据重构

针对野值点噪声对样本均值和协方差估计带来的不利影响,在线性鲁棒M位置估计方法的基础上,结合了核原理来估计协方差,提出了一种新型的鲁棒KPCA(核主元分析)算法.将所提出的算法应用于数据重构仿真实验,仿真测试结果表明当样本数据中存在野值点噪声时,由所提出的鲁棒KPCA算法实现样本数据重构时,要比KPCA具有更高的重构精度,抗野值点噪声性能更强.

一种改进鲁棒KPCA算法及其在齿轮泵故障诊断中的应用

核主元分析(KPCA)是一种有效的非线性特征提取方法,但其缺点是对样本中的野点比较敏感。为了消除野点对KPCA算法的影响,介绍一种鲁棒KPCA算法,通过修改特征空间中映射样本的最小重构误差表达式,并预先定义训练样本集中的野点数目,实现了在特征空间剔除野点的目的。将改进后的鲁棒KPCA算法应用于齿轮泵故障特征提取,试验结果表明:该算法的抗噪性比经典KPCA算法明显增强,能有效区分齿轮泵的不同故障模式。