基于KPCA和数据处理组合方法神经网络的半球谐振陀螺温度建模补偿方法

针对半球谐振陀螺(HRG)的温度建模与补偿问题,提出基于核主成分分析(KPCA)和数据处理组合方法(GMDH)神经网络的建模补偿方法.通过分析HRG的温度特性和大数据特征,初步确定网络模型的特征向量.为了去除HRG输出数据的相关性和冗余性,引入KPCA并降低特征向量维度.将特征向量代入GMDH神经网络训练,区分训练集和验证集以确定网络权值和网络结构,实现HRG温度漂移的建模与补偿.实验结果表明,单一样本预测时,所提方法预测效果明显好于传统多项式模型;多样本预测时,在4种不同训练样本下,所提方法相比传统多项式模型精度分别提升了48.5%、54.0%、56.3%、68.4%,相比GMDH模型分别提升了3.6%、5.1%、3.8%、8.8%.所提方法能够有效提高HRG在变温工况下的测量精度.

采用KPCA-BP神经网络的并联机构全局综合性能评价方法研究

基于并联机构单一性能指标的多样性和各单一性能指标之间的非线性关系,将核主成分分析(Kernel Principal Component Analysis,KPCA)方法与误差反传播(Back Propagation,BP)神经网络技术相结合,建立一个对可完成不同工作任务的并联机构进行综合性能评价的KPCA-BP神经网络模型。通过合理的系统抽样,利用KPCA对BP神经网络的输入数据进行预处理,既能处理各单一性能指标间的非线性关系,又能简化BP神经网络结构,加快网络学习速度,提高预测精度,进而提出一种基于多种单一性能指标的并联机构全局综合性能评价新方法,为并联机构工作任务优序关系研究提供科学的参考依据。

基于局域波法和KPCA-LSSVM的滚动轴承故障诊断

针对故障滚动轴承振动信号具有非平稳性,提出基于局域波法和核主元分析-最小二乘支持向量机(KPCA-LSSVM)的故障诊断方法.先对轴承振动信号进行局域波分解得到若干内禀模式函数(IMF),分别计算各IMF分量的特征能量、奇异值和AR模型参数作为原始特征向量,再用KPCA将原始特征向量映射到高维特征空间提取主元构造新的特征向量,将其作为LSSVM分类器的输入来实现轴承的故障诊断.故障诊断试验结果表明,KPCA-LSSVM诊断方法通过KPCA得到更多的识别信息,改善了LSSVM的分类性能,相对于直接LSSVM诊断方法具有更优的泛化性,可准确识别轴承的故障类别和严重程度.

利用KPCA法检测高分一号影像中的森林覆盖变化

为了研究利用高分一号宽幅影像(GF-1 WFV)监测森林覆盖变化的方法,选取四川省甘孜州雅江县为研究区,利用2014年和2016年2期GF-1WFV数据,采用迭代加权多元变化检测(iteration re-weight multivariate alteration detection,IR-MAD)法对数据进行辐射归一化;分别对2期影像进行核主成分分析(kernel principal component analysis,KPCA)方法变换,采用最大类间方差法(OTSU)确定自动识别阈值,对2期GF-1WFV影像中的森林覆盖变化区域进行检测和精度验证;并与变化矢量分析(change vector analysis,CVA)法检测结果进行对比分析。研究结果表明:所用2种变化检测算法的总体检测精度都超过了80%,其中,KPCA法的总体精度为89.27%,未变化区用户精度达93.88%,变化区用户精度为80.28%;基于KPCA法的精度均较优于传统CVA检测算法,说明KPCA算法通过数据变换后,可减少变量间的相关性、增强影像信噪比,从而提高了对变化区域的识别精度。

KPCA维数约简研究

在对数据分析与处理时,为了避免高维数据所带来的巨大运算开销,通常需要对原始数据进行维数约简。与基于线性投影的维数约简方法相比,基于核方法的维数约简由于能够实现对样本的非线性映射,因此在数据预处理中具有更大的优势。对基于核方法的主成分分析(KPCA)维数约简方法进行研究,并通过实验结果证明KPCA不仅能够实现数据的降维,还具有增强数据线性可分性的优势。

基于KPCA的多工况TE过程故障检测研究

为了解决多工况、非线性工业过程的故障检测问题,在基于先验知识的基础之上提出了基于多核主元分析方法(Multiple-Kernel Principal Component Analysis,KPCA)的故障检测办法。首先收集每个工况稳态过程的历史正常数据,直接建立子KPCA模型求得各自的控制限,其次收集工况间的过渡过程的历史正常数据,采取加权平均法求其控制限,最后对过程的故障数据进行检测。以田纳西-伊斯曼过程(Tennessee-Eastman Process,TEP)与MATLAB结合进行仿真实验。仿真结果表明,与单工况、非线性过程进行相比,该方法更为快速、准确。

基于R/S-TDC-EMD-KPCA方法的网络搜索信息提取及游客流量预测——以海南省为例

提出了一种网络搜索信息提取及合成新技术——R/S-TDC-EMD-KPCA方法,首先利用重标极差法(R/S)和时差相关法(TDC)选择具有预测能力的关键词,并对关键词搜索量分别进行经验模态分解(EMD)降噪,然后利用核主成分(KPCA)方法合成网络综合搜索指数.以海南省月度游客流量为预测对象进行实证研究,结果表明,融合了网络综合搜索指数的模型在预测精度方面均优于其他基准模型.说明该文提出的方法能高质量的提取和合成网络搜索信息,进而可有效地应用于游客流量的辅助预测.

基于KPCA和MSVM的雷达装备作战能力评估方法研究

针对传统降维方法以及综合评估方法不能满足日益复杂的装备作战能力评估需求这一突出矛盾，利用KPCA在非线性降维方面、MSVM在非线性综合评估方面的优势，提出了KPCA与MSVM复合的新型装备作战能力评估方法。基于该复合算法，利用MATLAB分别构造了KPCA降维模型与MSVM综合评估模型。以雷达装备这一典型电子信息系统为评估对象，建立完整的作战能力评估指标体系。选取数据，运用构建的评估模型进行综合评估。比较运用KPCA与MSVM复合、PCA与MSVM复合及MSVM独立评估三种不同评估方法在进行雷达装备作战能力评估时的结果，表明运用KPCA与MSVM复合的算法，在降维提高运算效率的基础上，分类准确率相对于直接运用MSVM进行评估时能够达到80％，而同条件下PCA与MSVM复合算法的分类准确率仅能达到30％。因此，运用KPCA和MSVM复合的方法进行评估时，不仅能够实现降维提高运算效率，而且评估结果准确性较高，适于进行装备作战能力评估。

核主成分分析方法在船型方案综合评价中的应用

将用于综合评价的核主成分分析(KPCA)方法引入船型方案选优,通过算例分析,将该方法与传统层次分析(AHP)及交互式多目标决策方法进行对比,结果表明该方法在船型方案优选多目标决策问题上是适用和可靠的。

基于核主成分分析方法的标准化船型设计优化

合理选择船型、主尺度、船舶型线,减少船舶阻力,减少污染,降低能耗,保护环境,是船舶设计过程中应注意的十分重要的问题。但是最佳船型方案选择是一个复杂的多变量、多目标的系统优化工程。核主成分分析方法(KPCA)是目前一种常用的综合评价方法。它不仅具有优秀的主元提取性能,更尤其适合于处理非线性问题,对内河干散货运输船型设计优化具有很好的实际应用价值和指导作用。

基于分步动态核主元分析的故障诊断方法

目的研究复杂工业系统动态、非线性特点,提出分步动态核主元分析(Kernel Principal Component Analysis,KPCA)的故障诊断方法.方法该方法首先构造增广矩阵,然后将增广矩阵分成一系列子矩阵,将各子矩阵的构建一个新的数据增广矩阵,并对每个子矩阵使用KPCA提取变量数据的非线性空间相关特征,最后通过监测统计量监测出系统故障,用贡献度的方法识别发生故障变量.结果该方法改进了传统的动态方法,引入分步动态的定义,并且能充分考虑工业过程中的非线性和动态性,更精确的描述工业过程特性,更精确的监测复杂工业系统的故障,并准确的识别出故障变量.结论对热连轧过程中活套故障诊断的仿真结果表明:基于分步动态KPCA的故障诊断方法能准确有效地诊断出故障,并识别出产生故障的原因.

大型电站锅炉飞灰含碳量在线自校正建模

为降低飞灰含碳量,实现锅炉的优化运行,对其进行了软测量建模研究。在建模过程中,针对模型输入变量之间存在强耦合、非线性以及辅助变量选择难的问题,采用核主元分析(KPCA)提取变量的特征信息以有效处理非线性数据,生成新的综合辅助变量,并结合特征值碎石图及累积方差贡献率,对KPCA参数的选择提出了新的方法。为解决模型在线校正问题,提出了基于最近邻(NN)法和KKT条件的模型在线自校正新算法,以提高软测量的精度。在此基础上实现了核主元分析支持向量回归(KPCA-ε-SVR)模型,并与主成分分析支持向量回归(PCA-ε-SVR)和BP神经网络的飞灰含碳量软测量模型进行了对比研究,结果表明,KPCA-ε-SVR模型具有更高的精度与泛化能力,具有较高的工程应用价值。

污水处理过程的集合型监测方法研究

针对具有非线性、多变量特性的污水处理过程监测准确性有待提高问题,提出一种集合型EMDIFCM-KPCA过程监测方法。该方法首先利用经验模态分解方法对数据进行预处理,然后用改进的模糊C均值聚类对数据进行聚类,最后采用核主成分分析方法对污水处理过程中的异常状态进行监测。水处理基准模型(BSM1)过程监测实验结果表明,将EMD-IFCM-KPCA集合型方法应用于污水处理过程,监测准确性优于传统KPCA,IFCM-KPCA等方法。

核扩展判定及核扩展方法

给出一种判定模式识别算法能否核扩展的方法,该方法具有不被算法具体形式所限制的优点.传统核扩展方法是通过将输入数据映射到特征空间,然后在特征空间运行原始算法,得到相应的核方法.给出另外一种核扩展策略,与传统核扩展方法具有等价性.分析及试验过程都表明,本文的核扩展方法具有可行性.

一种船舶企业经济效益的评价方法

经济效益评价是企业经营管理效果评价的内容,对于企业增效具有积极的意义。本文结合核主成分分析法的原理,综合比较PCA、KPCA-Polynomial和KPCA-Gauss三种方法的累积贡献率后,采用高斯核函数作为计算映射函数,对某船舶集团公司下属15个船厂的相关数据样本进行了高效降维处理,结果表明:KPCA-Gauss法更高效快捷,能用较小的主成分获得较高的累积贡献率,对经济效益排名具有良好的评估效果。这为企业的经济效益评价提供了一个较好的计算思路。

特征优化和模糊理论在变压器故障诊断中的应用

针对变压器故障特征与故障类型关系模糊造成的三比值法编码缺失、临界值判据缺损以及同时发生的多种故障难以区分问题,提出了基于特征优化和模糊理论的变压器故障诊断方法。将测量空间中的每种故障数据分别通过高斯核函数映射至希尔伯特空间,利用主成分分析法提取主元,以主元张成的特征子空间作为最优故障特征,据此构造该种故障下的故障测度隶属度函数,根据最大隶属度原则判断故障类型。特征子空间既保留了测量空间的故障特征,同时根据核理论维度拓展特点,又能生成更有效度量故障的新特征,从而建立最优故障特征与故障类型的一一对应关系。实例分析表明,该方法的准确率高,能够弥补三比值法的不足。通过比较故障数据对于每种故障的隶属度,能够获知诊断结果的可靠性,当多种故障同时发生时,诊断结果能够为维修人员提供有益参考。

集成非线性统计形状先验的M-S图像分割模型

为克服噪声污染、血管遮挡、光照不均匀、对比度小、个体间差异大等视网膜和视神经细微组织结构医学图像分割中固有的困难,提出了一种集成非线性形状先验的医学图像分割新方法.该方法首先采用非线性的核函数将目标先验形状窄带水平集映射到其核空间,然后在核空间进行主成分分析(PCA),以获取目标形状窄带水平集核空间的基底向量,并据此将目标形状先验知识集成到Mumford-Shah向量值图像分割模型,实现医学图像的分割.不同青光眼病人的视乳头图像分割实验结果表明,该方法能够有效地分割噪声大、对比度小且部分被血管遮挡的各阶段的青光眼病人视乳头图像.

基于非线性降维算法的膜蛋白类型识别

众所周知,研究未知膜蛋白的类型可对基础研究和药物发现提供有用的线索。在后基因组时代,伴随着蛋白质序列数量的剧增,用实验方法确定膜蛋白类型太过昂贵和费时。因此,研究出一种能够自动发现可能的膜蛋白的计算方法变得很重要。鉴于这种情况,曾有人采用DC(Dipeptide Composition)方法表示蛋白质序列并取得了很好的预测结果。然而,采用这种表示方法得到的特征维数很高,冗余很大,使得预测系统十分复杂。为了解决这个问题,本文采用非线性降维算法KPCA(Kernel Principle component analysis),通过从高维的DC(Dipeptide Composition)特征空间中提取出低维的重要特征来简化该系统,采用K-NN(K-nearest neighbor)分类器从约简后的低维特征中预测膜蛋白类型。实验结果表明,使用KPCA方法预测膜蛋白类型非常有效。

基于改进极限学习机的心律失常分类

针对心律失常分类性能受输入信号质量、提取的分类特征集及分类器三者共同影响,为准确分类,提出一种新的利用软阈值小波消除心电信号噪声、核主成分分析约简心电信号原始特征集及极限学习机(ELM)分类的组合方法。同时由于基本ELM用于心律失常分类问题时随机初始化输入参数易导致部分隐含层节点无效,从而需要大量的隐含层节点才能达到分类性能要求的问题,提出采用遗传算法(GA)优化ELM,用MIT-BIH心律失常数据库进行实验,对六种不同类型的心律心拍得到98.68%的平均分类准确率,98.19%的平均灵敏度,98.64%的平均特异性,实验结果表明,所提方法在运行时间上更快,准确率更高,适合于心律失常分类的实际应用。

联合核主成分分析

提出了KPCA的一种称为联合核主成分分析(Joint Kernel Principle Component Analysis,JKPCA)的变型,能够从输入和输出空间引出先验信息用于特征提取.首次将联合核映射应用于特征提取领域,而且在图像数据集上的实验结果表明,JKPCA是可行并有效的.