基于KICA‑CIM的电能计量设备HPLC通信单元运行质量评估体系

针对电能计量设备中高速电力线载波通信(high speed power line carrier communication,HPLC)单元现场的运行质量评估需求,提出一种基于核独立分量分析-部件关键度(kernel independent component analysis⁃component importance measure,KICA⁃CIM)多模型集成的评估方法。首先,整合分析典型客户侧计量设备本地物联应用场景、通信技术的主要性能影响因素,综合构建物联场景性能评价的普适性指标库;其次,面向运行场景中的多源、异构、高维数据环境,一方面利用KICA处理非线性特征并求解主成分,计算各指标的个体权重,另一方面利用CIM模型区别衡量各指标评价结果对整体评估效果的不同影响程度,对指标进行重要性赋权,确定每个指标的作用权重。通过组合赋权模型实施整合,实现运行质量的全面评估;最后,利用某地区电能计量设备数据,验证所提出方法的可行性和有效性,有利于改善评估结果的准确性与合理性。

基于KICA的多时相遥感图像变化检测

针对PCA变化检测方法的精度较低和ICA方法的线性局限性问题,提出了基于核独立成分分析(KICA)的多时相遥感图像变化检测方法。首先,将每一时相的图像转化为列向量,并把这些列向量组成矩阵;然后,通过核函数将矩阵映射到高维特征空间中,再在该空间中利用ICA方法分离出相互独立的图像分量;接着通过FCM算法分割表征变化信息的图像分量,并采用区域生长算法获得完整的变化信息;最后,分别利用本文方法与差值法、PCA方法和ICA方法对多时相遥感图像进行变化检测,并对检测结果进行定性分析和定量比较。结果表明,该方法能更好地分离出多时相遥感图像的变化信息,具有更高检测精度。

基于混合函数的KICA-LSSVM故障分类方法及应用

利用核独立成分分析(KICA)进行非线性特征提取,然后用最小二乘支持向量机建立故障分类模型。研究表明,不同核函数对模型的性能有很大影响。利用已有核函数构造混合核函数,提出基于混合核函数的KI-CA-LSSVM故障分类方法,并应用到某石化企业的润滑油生产过程。实验结果表明该方法具有很高的分类和泛化能力。

运用模拟UV数据的KICA-SVR模型同时测定饮料中多种色素的含量

在模拟水性饮料和实际饮料样品中加入不同种类和含量的色素,运用核独立成分分析(KICA)法提取样品的紫外-可见(UV)光谱数据中独立组分(IC)信息,以IC的系数矩阵进行支持向量回归(SVR)处理并建立UV-KICA-SVR模型,用于直接预测各种色素的含量.用此方法测定水性饮料中柠檬黄、日落黄、诱惑红、苋菜红、胭脂红和亮蓝6种色素的含量,相对标准偏差分别为1.5%,2.2%,2.0%,2.5%,2.6%和1.2%,检测限分别为0.5 mg·L-1,0.5 mg·L-1,0.5 mg·L-1,1.0 mg·L-1,1.0 mg·L-1和0.5 mg·L-1.

基于KICA的旋转机械振动信号消噪方法

原始信号采集过程中总是无法避免引入各种噪声,消噪是信号分析处理的关键环节。已有的大量消噪方法各有优劣,仍需不断寻求新的消噪方法,以推进信号处理技术的发展。依据核独立成分分析(kernel independent component analysis,KICA)可将混合信号源的独立成分一一分离的特性,认为噪声信号和有用信号均可以作为独立成分分离开来,选取有用信号加以重构,即可实现消噪处理。通过引入适配噪声分量,有效实现了旋转机械转子不平衡振动信号的消噪处理,验证了方法的有效性。

结合KICA的软测量建模方法及其在间歇过程的应用

针对间歇过程的建模问题,提出一种结合核独立成分分析(KICA)和稀疏核学习的软测量建模方法。首先将KICA应用于建模样本集,在高维空间提取输入变量的信息,以降低过程变量的相关性,再用稀疏核学习建立软测量模型。以估计链激酶流加发酵过程的活性菌体质量分数和链激酶质量分数为例,将基于KICA信息提取的稀疏核学习方法用于间歇过程的软测量建模。仿真结果表明,KICA信息提取能力优于传统ICA或核主元分析等其他方法,所提出的建模方法预报精度更高。

基于KICA-GDA和LSSVM的齿轮箱轴承故障诊断

为了提高齿轮箱轴承故障识别率,提出基于核独立分量分析(KICA)、广义辨别分析(GDA)与最小二乘支持向量机(LSSVM)的轴承故障识别方法。首先将轴承故障信号的谱峭度、信息熵等故障特征作为原始特征向量,通过KICA方法将原始特征向量映射到核特征空间,去掉不同故障特征间的冗余并消除原始特征向量间的相关性。然后利用GDA方法对故障特征进行非线性融合,并将其作为LSSVM分类器的输入从而实现轴承的故障分类。齿轮箱滚动轴承故障诊断试验结果表明:KICA-GDA和LSSVM的故障诊断方法可以识别出更多的轴承故障信息,且提高了LSSVM的分类性能,该方法相对于直接采用LSSVM进行分类的轴承故障方法具有更优秀的分类性能。

LMD-KICA滚动轴承信号特征提取方法研究

在实际工程机械所产生的滚动轴承故障信号十分复杂,有效的故障信号和特征信息极易被噪声信号所干扰,针对工程中振动信号的特点,提出了一种基于局部均值分解(LMD)结合核独立分量分析(KICA)的方法提取故障信号特征。首先将源信号进行LMD分解,根据相关系数准则提取相关程度高的PF分量并构建新信号,对新构建的故障信号运用KICA进行噪声分离,进而获得故障信号特征。先通过构造信号仿真分析方法有效性,再通过西储大学轴承实验数据对比分析,验证该方法适用于提取滚动轴承的故障特征。

EWT-KICA联合的滚动轴承故障诊断

滚动轴承故障信号能量较弱,故障信息在实际工况下更容易受到噪声的影响,致使很难有效地实现信噪分离。针对这一问题,提出经验小波变换(EWT)和核独立分量分析(KICA)联合的振幅解调方法消噪。使用经验小波变换对轴承故障信号进行分解,根据相关系数准则对分解获得的IMF分量信号进行筛选,重组分量信号并构造虚拟噪声信号。使用核独立分量分析算法对重构的信号进行增强处理并分解,实现信号和噪声的分离。采用包络谱法对分离后的信号进行分析。仿真对照实验表明,该方法具备较强的特征提取能力。

WKICA算法在多光谱遥感特征提取中的应用研究

多光谱遥感图像具有高度冗余、非线性化的特点。对其进行有效的特征提取是完成精确目标分类的前提。基于核方法强大的非线性映射能力,提出一种小波核独立成分分析WKICA算法。WKICA算法结合小波核函数近似正交,能够对复杂非线性信号进行逐步逼近的优势,有效提高了核独立成分分析KICA算法的求解精度。将其应用在多光谱遥感图像特征提取中,并对预处理条件下的图像采用不同的监督分类方法进行分类实验。实验结果表明,在WKICA算法预处理条件下,能够更有效的滤除图像噪声,相比较传统的特征提取算法,能够获取更加精确的图像分类效果。

基于KICA属性优化的支持向量机储层参数预测

为提高储层参数预测的精度,提出一种基于核独立分量分析(KICA)属性优化的支持向量机储层参数预测技术,KICA属性优化技术充分体现属性信息的非线性关系与高阶统计特性,提取出相互统计独立的反映地下储层参数的储层信息。支持向量机技术基于结构风险最小化原理,可解决小样本、高维与局部最小的非线性系统问题,二者有效的结合,能够将繁冗的地震属性空间,结合较少的井数据精确预测出储层的参数分布。通过模型及实际资料研究表明,本文储层参数预测方法的应用效果好,预测精度高。

基于KICA改进算法的运动目标检测

在视频运动目标检测中,由于存在多种光源与运动目标遮挡背景的原因,运动目标与背景必然具有一定相关性。基于核方法的独立分量分析(KICA)将数据从低维空间映射到高维,然后讨论分离分量的第一典型相关性,但由于KICA采用线性混合模型,所以存在一定局限性,忽视了运动目标和背景分割存在的非线性效应。因此,提出了一种KICA改进算法,该算法使用了非线性模型,对于解决目标与背景间的非线性问题具有一定的优越性。

基于核独立分量分析的齿轮箱故障诊断

独立分量分析是近几年发展起来的基于信号高阶统计特性的分析方法,它是指从多个源信号的线性混合信号中分离出源信号的技术,但目前的算法在处理非线性变化的信号时还有一定的局限,而基于非线性函数空间的ICA方法—KICA,即核独立成分分析,可以解决这一问题。与传统的ICA方法相比,KICA方法具有更好的灵活性和鲁棒性。文章介绍了核独立分量的基本原理,并进行了仿真说明,最后结合包络阶次方法对齿轮箱实测的瞬态声音信号进行了分析,找到了故障特征,验证了该方法的有效性。

高压断路器振声联合故障诊断方法

针对现有的高压断路器机械故障诊断方法存在的不足,本文提出了一种新的高压断路器振声联合诊断机械故障的方法。此方法首先利用快速核独立分量分析(fast KICA)对采集到的声波信号进行盲源分离处理,并对处理后的声波信号和采集到的振动信号进行改进集合经验模式分解(EEMD)。其次,对分解后的每一个固有模态函数(IMF)求其二维谱熵,并以此二维谱熵矩阵的变换矩阵作为支持向量机的输入特征向量对断路器机械状态进行识别。最后实验表明,振声联合复合分析方法有效提高了高压断路器机械故障诊断的正确性和实用性。

基于红外光谱-小波变换-核独立成分分析的地黄炮制过程终点确定

对地黄炮制过程采集样品进行进行红外光谱(IR)测试,利用连续小波变换(CWT)对原始IR数据进行噪音滤除与背景扣除,再对混合信号进行核独立成分分析(KICA),提取其中能够体现纯组分光谱特征轮廓的独立组分(IC)信息,根据独立组分及其相对强度变化趋势表征地黄炮制过程,建立了地黄炮制过程的终点判断的新方法.

基于核独立分量分析的盲多用户检测算法

针对DS-CDMA通信系统中的盲多用户检测问题,提出了一种改进的核独立分量分析(KICA)算法.该算法首先将五阶收敛的牛顿迭代公式引入到传统的FastICA算法中,同时还引入了一种新的核函数——混合核函数来解决非线性混合信号的分离问题,从而实现了多用户信号检测.最后将所提出的算法与传统的FastICA算法和KICA算法进行仿真比较.结果表明:所提出的算法不仅收敛速度较快,而且具有较小的误码率.

基于高维度特征分析的非局部图像质量评价方法

传统的图像质量评价方法通常提取低维度特征即图像的片面信息用来分析图像质量。高维度特征尽管不易分析但保留了更多信息,更利于全面分析图像质量。针对这种现状,该文提出一种优化数据采样后基于高维度特征分析的图像质量评价方法。首先对图像数据采样分别利用块匹配进行筛选,用主成分分析进行降维,其次利用核独立分量分析从图像数据采样中提取高维度特征,最后基于自然图像统计特性对特征进行综合得出图像质量。实验结果表明所提方法与人的主观评价较为一致。

核独立分量分析在机械振动信号分离中的应用

针对旋转机械振动信号成分复杂,甚至表现出非线性特征,文章采用核独立分量分析(KICA)对其进行预处理。与独立分量分析(ICA)不同,KICA是通过非线性映射在高维特征空间上构建了核化的目标函数,并引入核方法实现该目标函数的优化操作。仿真实验中通过比较KICA、ICA和传统KICA(DKICA)的分离信号与源信号之间的相关系数,文中介绍的KICA对混合信号分离处理具有更高的准确性和鲁棒性;实测数据实验验证,经过KICA处理的机械振动信号,其表征的振动信息更为单一,使得隐含的特征频率得到凸显,为进一步处理和分析奠定良好基础。

基于核独立成分分析的人脸识别研究

在人脸识别中提出一种基于非线性子空间的核独立成分分析(KICA)方法。在简单介绍了ICA方法的基础上,对KICA方法的基本原理和算法作了较为详细的描述。为了验证基于KICA和ICA的人脸识别方法的识别效果,进行了对比实验和分析。实验和分析结果表明,在人脸识别中,基于KICA的方法优于基于ICA的方法。

基于自适应核独立成分分析的活性二氧化锰助剂光谱信息的提取

利用乙醚、丙酮、氯仿、甲苯四种有机溶剂提取活性二氧化锰助剂,提取液经过滤浓缩后应用FT-IR(ATR附件)测定其红外光谱。采用绝对中位差法(MAD)确定混合体系中吸光物组分数,利用核独立成分分析(KICA)提取混合光谱信号中的纯组分光谱信息,建立了自适应核独立成分分析方法(AKICA)。采用AKICA提取得到的助剂光谱信息与所实际使用的化合物一致。结果表明AKICA具有无需经过繁冗化学或物理样品前处理而直接从混合物中直接提取光谱信息的能力,为混合体系中纯组分光谱信息的直接提取提供了新思路。