基于LTSA的FS-SVDD方法及其在化工过程监控中的应用

基于支持向量数据描述(SVDD)方法的非高斯过程监控和故障诊断具有众多优点。然而在对SVDD离线建模时需要在整个训练样本集上操作,对大样本集计算量相当大,也不利于在线操作时模型的更新。对此提出一种基于特征样本的SVDD(FS-SVDD),采用特征样本提取方法用少数几个特征样本代替原始数据集进行训练,显著降低了建模复杂度。同时,针对传统的线性降维算法如主成分分析(PCA)存在的提取过程数据非线性结构能力不足的缺点,首先用局部切空间排列(LTSA)方法提取出低维子流形,进行有效的维数约减;接着在这个低维子流形上执行SVDD算法;最后,利用相应统计指标进行过程监控。在TE过程上的仿真表明上述方法的有效性。

基于小波包能量流和LTSA的垮落煤岩特征提取

针对综放工作面垮落煤岩识别的技术问题,采集了放煤过程中垮落煤岩冲击液压支架后尾梁的振动信号,并提出了一种基于小波包能量流和LTSA的特征提取方法。该方法首先利用小波包变换把振动信号分解成一系列的时频子空间;为了观察原信号能量在各层时频子空间的分布特征,计算了小波包分解每一层各个时频子空间的能量,构成了一个小波包能量矩阵,称为小波包能量流;然后利用局部切空间排列(Local Tangent Space Alignment,LTSA)挖掘小波包能量流的低维流形。为了验证小波包能量流低维流形的有效性,把该特征向量输入BP神经网络来识别垮落煤岩。结果表明:基于小波包能量流和LTSA提取的特征向量可以准确简约地表征垮落煤岩,BP神经网络的识别率达到100%。

基于LTSA标准的应用软件远程教学系统

本文在详细研究IEEE P1484.1标准草案的基础上,提出了一个新的远程软件教学系统(EPSS)。嵌入浏览器的客户端应用程序通过DCOM与远端服务器通信,学习者在服务器的监控和指导下完成应用程序相关功能的学习。系统最大的特点是将LTSA体系结构应用于实际。最后,简要介绍了系统用到的DCOM、钩子、屏幕取词等几项关键技术。

基于EEMD-SVD-LTSA的高速列车蛇行演变特征提取框架

高速列车一旦出现蛇行失稳,列车的运行安全会受到严重威胁。在出现蛇行失稳前,高速列车会进入小幅蛇行发散状态,因此监测列车小幅蛇行演变趋势可以预测列车的运行状况,然而现有的文献鲜有对小幅蛇行演变特征进行研究,为此,提出一种基于EEMD-SVD-LTSA的高速列车特征提取框架,识别其演变趋势是小幅发散还是小幅收敛,进而预测列车运行状况。通过在线实验数据验证表明,提出的框架能成功提取高速列车小幅收敛、小幅发散的运行特征,且使用LSSVM的识别率达到100%,从而及时预测高速列车的运行状态,保障列车的运行安全。

基于LTSA-Greedy-SVDD的过程监控

为解决实际工业过程中的非线性和非高斯问题,实现有效的过程监控,提出了一种基于局部切空间排列算法的过程监控方法。首先运用局部切空间排列算法对标准化后的正常样本数据提取出低维子流形以实现维数约减。之后利用Greedy方法提取特征样本以支持向量数据描述方法建立监控模型,最后采用相应统计量进行过程监控。以田纳西伊斯曼(TE)模型为仿真平台,仿真结果说明了该方法的有效性。

基于LTSA的ICA方法及其在化工过程监控中的应用

独立成分分析(ICA)方法在线性非高斯过程的监控领域得到了成功应用,当过程数据非线性较强时效果不理想。局部切空间排列(LTSA)方法能够从在高维空间中呈现高度扭曲的数据集中发现隐含在其中的非线性结构。本文结合ICA和LTSA二者的优点,提出LTSA-ICA过程监控方法,首先用LTSA从高维数据空间中提取出低维子流形,然后在这个低维子流形上执行线性ICA算法,在保留ICA对非高斯过程处理优势的同时,较好地解决了非线性的问题。在田纳西-伊斯曼(TE)过程上的仿真表明上述方法的有效性。

基于LTSA算法的透平通流结垢在线检测方法研究

汽轮机低压缸通流结垢工况下,朗肯循环中关键测点相比于正常运行时可能发生变化。对系统观测数据中所存在的复杂非线性关系,提出了一种基于LTSA算法的汽轮机结垢故障在线检测方法,并在此过程中构造了虚拟统计量,成功地检测了汽轮机系统中的结垢故障,这验证了该方法的有效性。

基于LLTSA的转子故障数据集降维方法

特征数据集降维是机械故障智能诊断的关键步骤之一。常见的数据集降维方法难以准确的从高维非线性数据集中获取反映转子运行状态的敏感特征信息,导致故障模式识别精度降低。局部切空间排列算法(LTSA)对部分高维非线性数据集达到较好降维效果。但该算法不适合处理高曲率分布、稀疏不均匀分布等高维数据源。为此,在LTSA算法的基础上结合线性分块思想,提出线性局部切空间排列算法(LLTSA)。该算法充分考虑了数据集的整体与局部结构,将数据样本空间划分为一组最大线性块,使降维后的同类数据具有更好的聚类性。通过高维非线性转子振动数据时域特征数据集对该算法进行验证,结果表明经该算法降维后的数据集具有较好的聚类与分类性能。

基于线性LTSA算法维数约减的软件缺陷预测研究

软件缺陷预测是软件开发过程中的一项重要技术,针对软件缺陷数据集的高维、小采样造成预测精度下降的问题,采用线性局部切空间排列算法对数据集降维处理,选用支持向量机作为基础分类器进行二值分类,建立软件缺陷预测模型,采用二维混淆矩阵评价模型的预测精度.实验结果表明,与其他模型相比,该模型可用较少的邻域点约简至更低的维度,不需要重新学习样本空间的流行几何结构,直接映射新的样本点,且预测时间耗费成本由13. 726 9 s降低至6. 217 s,给定参数区间寻优时间耗费由267. 442 1 s降低至165. 98 s,有效提高了软件缺陷预测的效率.

增量LTSA算法在转子故障数据集降维中的应用

针对传统流形学习算法不具有增量学习能力;故难以处理新增数据与大规模海量数据集的问题,由此,提出一种用于机械转子故障数据集降维的增量局部切空间的排列算法(ILTSA)。该算法首先采用局部切空间排列算法对原始训练样本进行降维处理,获得其低维流形结构,然后通过增量学习算法对新增样本进行处理。得到所有数据的低维嵌入坐标,最后通过转子故障数据集验证了该方法的有效性,取得了良好的分类效果,有利于实时动态故障监测与诊断。

基于LTSA与K-最近邻分类器的故障诊断

针对局部切空间排列算法(LTSA)的效果受近邻数k值影响较大的缺点,提出基于聚类准则的LTSA与K-最近邻分类器的故障诊断模型。基于振动信号的时域特征构建高维特征矩阵;对高维矩阵进行标准化预处理,依据聚类准则确定局部切空间排列中的最佳近邻数k,运用LTSA提取高维矩阵的低维特征向量;将提取的低维特征向量利用K-最近邻分类器进行故障模式识别。采用轴承诊断实验系统进行验证,结果表明,基于聚类准则的优化方法可有效地克服近邻数k选择的盲目性,提高了局部切空间的降维精度和故障模式识别正确率,其在轴承时域特征维数约简方面,效果优于主成分分析(PCA)与拉普拉斯特征映射(LE),适用于轴承故障诊断。

LTSA和KECA相结合的轴承故障诊断

针对轴承的工况复杂,其振动信号呈现非线性、非平稳特性。传统算法不能充分挖掘出非线性、非平稳信号内部本质信息,提出了基于局部切空间排列算法(LTSA)与核熵成份分析(KECA)相结合的故障诊断方法。该方法首先将滚动轴承振动信号一维时间序列重构到高维相空间,并估计数据的本征维数;然后利用局部切空间排列算法对数据集进行维数约简,得到初始的低维流形结构特征向量空间的第一行特征,对其进行快速傅里叶变换(FFT),从其频谱中分别提取滚动轴承内环、外环的故障特征频率及它们分别对应的倍频和频谱能量等7个变量作为故障特征向量;最后采用KECA对滚动轴承的故障特征向量进行模式识别,KECA可实现根据熵值大小进行特征分类,具有较强的非线性处理能力,从而实现故障的识别与诊断。采用Case Western Reserve大学提供的轴承实验数据对算法进行了验证,结果表明该方法可有效提取滚动轴承的故障特征,可以对滚动轴承的故障类型精确分类,实现对滚动轴承准确的故障诊断。

基于CL3-AMW与LTSA的水电机组振动故障特征提取研究

水电机组结构复杂,运行环境恶劣,其运行状态受水、机、电多因素耦合影响,使得传统特征提取方法所得特征敏感性差。针对此问题,提出了基于CL3自适应多小波(CL3 adaptive multiwavelets,CL3-AMW)与局部切空间排列(local tangent space alignment,LTSA)的水电机组振动故障特征提取方法。该方法根据水电机组振动信号特点,对信号处理方法进行自适应改变,通过高维振动故障特征集的自适应构建、特征选择和特征融合三个方面提高水电机组振动故障特征敏感性。利用该方法进行特征提取实验,结果表明,与其他方法相比,所提出的方法能够提高故障特征参数敏感性,为准确识别机组振动故障奠定基础。

基于LTSA融合降维法的滚动轴承可靠性评估方法

为了保障滚动轴承在给定工况下安全平稳地运行,提出了一种基于局部切空间排列(LTSA)和威布尔比例故障率模型(WPHM)的滚动轴承可靠性评估方法。该方法提取滚动轴承整个寿命周期的时域、频域、时频域及统计等不同分析域上的特征指标,从中筛选出包含滚动轴承运行状态的特征指标,构建出高维多域特征集;利用局部切空间排列算法对高维多域特征集进行融合降维,得到可全面反映滚动轴承性能退化趋势的综合特征指标作为WPHM的响应协变量进行可靠性评估。通过滚动轴承的寿命试验,得到该试验轴承的寿命为491 min。该方法能够得出轴承在489 min左右失效,寿命误差小于1%,故验证了该方法可以对滚动轴承的运行可靠性进行有效地评估。

面向MOOC的学习管理系统框架设计

大规模在线开放课程(MOOC)是近年来远程开放教育领域出现的一种新兴在线学习模式。它体现了以学习者为中心的教学理念,改变了传统网络课程内容固定、结构化的特征,使学习者获取知识的途径从简单线性转向复杂化、网络化。学习管理系统是远程开放教育的主要媒介,当前大多数学习管理系统框架主要面向传统网络课程,仅支持学习者对课程知识的单方面访问,对以关联主义学习理论为基础,具有更多交互性的MOOC课程模式支持不够充分,因而有必要对当前学习管理系统框架进行改进。面向MOOC的学习管理系统框架,在已有的LTSA模型基础上增加了交互代理和知识代理两个元件,使学习资源数据库的知识可以随课程的进展不断更新,学习者之间可以构建学习网络,通过不同途径获取知识。

基于改进局部切空间排列的流形学习算法

局部切空间排列是一种广受关注的流形学习算法,其具备实现简单、全局最优等特点,但其难以有效处理稀疏采样或非均匀分布的高维观测数据。针对这一问题,该文提出一种改进的局部切空间排列算法。首先,提出一种基于L1范数的局部切空间估计方法,由于同时考虑了距离和结构因素,该方法得到的切空间较主成分分析方法更为准确。其次,在坐标排列步骤为了减小排列误差,设计了一种基于流形结构的加权坐标排列方案,并给出了具体的求解方法。基于人造数据和真实数据的实验表明,该算法能够有效地处理稀疏和非均匀分布的流形数据。

改进型vivaldi天线

常规vivaldi天线存在后向辐射大，主辐射方向增益低的缺点。通过优化常规vivaldi天线贴片形式的方法，改变天线表面的电流分布，得到其改进形式-兔耳形vivaldi天线。对改进型vivaldi天线的电性能进行了分析，设计并制作了一付工作在6～18GHz的改进型vivaldi天线，与常规vivaldi天线相比，天线增益在整个频带内均有显著的提高。

利用流形技术的遥感高光谱图像边缘检测

对于遥感高光谱影像,"光谱边界"还未被明确的定义,这是因为谱空间中存在多维的复杂性。一个新的光学边界定义的提出要基于流形学习的数学趋近方法。要考虑谱空间中的光谱特性以及像空间的像函数不连续性。使用EO-1高光谱图像试验分析表明基于光谱边界的方法拥有描述高光谱影像边界轮廓的令人期待的表现。

局部切空间排列算法及其在人脸识别中的应用

目的探索基于流形学习的人脸识别方法,将流形学习中的局部切空间排列算法(LT-SA)应用于人脸识别.方法利用样本点领域的切空间表示局部的几何性质,将局部切空间排列起来构造流形的全局坐标;用高斯核近似映射关系;在降维空间中用线性判别分析技术(LDA)提取特征;使用最近邻分类器进行分类识别;在Yale和CMU PIE人脸数据库上进行仿真实验.结果实验表明在Yale数据库上LTSA+LDA算法比已有LLE+LDA方法、LLTSA方法平均识别率分别高7.22%、19.11%;在CMU PIE数据库上分别高3.71%、29.56%.结论笔者提出的LTSA+LDA算法能较为有效地将局部切空间排列算法应用于人脸识别,显著提高了识别率.

基于盾构机运行参数的局部切空间排列与Xgboost融合的地质类型识别

针对土压平衡盾构机掘进过程难以实时感知掌子面地质类型的问题,提出了局部切空间排列(LTSA)与极限梯度提升(Xgboost)相结合的盾构机掌子面地质类型实时识别方法。首先,通过分析众多盾构机运行参数与掌子面地质性质的相关性,选取177个盾构机运行参数作为模型输入;其次,利用LTSA算法从高维盾构机运行参数中提取内蕴低维特征作为分类模型输入参数,基于Xgboost的识别模型实现掌子面地质类型识别;最后,采用新加坡某地铁施工数据验证算法的有效性和优越性。研究结果表明:所提算法对该工程沿线5种地质类型的识别准确率达到98.48%;采用本文方法所得的识别准确率相比于将运行参数直接作为模型输入的识别准确率提升20.96%,相比于采用总推进力、推进速度、刀盘总扭矩和刀盘转速4维特征作为输入,本文所提出方法的识别准确率提升50.16%。LTSA算法能够减少所选盾构运行参数中的冗余信息并保留其中的地质特征,解决了输入参数维度过高造成的识别模型准确率下降和训练效率降低的问题。