基于核方法的Web挖掘研究

基于词空间的分类方法很难处理文本的高维特性和捕获文本语义概念.利用核主成分分析和支持向量机,提出一种通过约简文本数据维数抽取语义概念、基于语义概念进行文本分类的新方法.首先将文档映射到高维线性特征空间消除非线性特征,然后在映射空间中通过主成分分析消除变量之间的相关性,实现降维和语义概念抽取,得到文档的语义概念空间,最后在语义概念空间中采用支持向量机进行分类.通过新定义的核函数,不必显式实现到语义概念空间的映射,可在原始文档向量空间中直接实现基于语义概念的分类.利用核化的GHA方法自适应迭代求解核矩阵的特征向量和特征值,适于求解大规模的文本分类问题.试验结果表明该方法对于改进文本分类的性能具有较好的效果.

基于神经网络在线学习的脱硝系统入口氮氧化物预测

针对脱硝系统入口氮氧化物静态软测量预测模型不能满足变负荷时需求的问题,建立了一种基于神经网络在线学习的软测量模型.利用粒子群算法对静态神经网络的参数进行寻优,结合预报误差和当前预测误差的大小在线更新网络的权值、阈值和学习速率,可以满足不同负荷下的需求,利用电厂的实际运行数据对模型进行了验证.结果表明:在不同负荷下,建立的神经网络在线学习模型的准确性高,实时性好,泛化能力强,可以很好地对入口氮氧化物进行预测,为脱硝系统入口氮氧化物在线测量和监测提供了一种有效的方法.

面向在线产品评论数据的有效性建模与测度研究

为提高对虚假评论的识别精度并对评论数据的有效性进行准确预测,提出一种面向在线产品数据的有效性建模与测量方法。通过结合基于核主成分的特征提取方法和最小二乘支持向量机对在线产品的虚假评论进行识别,基于排序Logit构建回归模型对量化的评论数据进行有效性判别预测。实验结果表明,该方法在虚假评论识别和数据有效性分析方面效果良好,可以为消费者提供更为精确的消费参考、为商业机构提供更具辨识意义的评论数据,具有良好的应用价值。

基于核主成分分析的智能电网盲在线虚假数据注入攻击

根据电力系统的各种量测信息,智能电网采用状态估计得出电网当前的运行状态,因此精确的状态估计对维持智能电网的合法操作至关重要。虚假数据注入攻击可以篡改由数据采集与监控系统采集到的测量信息,对电网状态估计造成安全威胁。现有多数虚假数据注入攻击是基于已知电网拓扑结构,而在未知电网拓扑结构的情况下构造高性能的虚假数据注入攻击更具有现实意义。提出一种盲在线虚假数据注入攻击方法,采用核主成分分析（kernel principal component analysis,KPCA）在尽可能多的保留数据内部非线性关系的情况下,把测量数据向量通过核函数投影到高维空间,在高维空间对测量数据进行线性变换,因此可求得近似电网拓扑结构矩阵,并且该方法只需要使用少量的测量值便可构造在线攻击。最后在IEEE 14节点和118节点标准测试系统中进行大量仿真实验,并与完美攻击、随机攻击和其他盲攻击进行比较分析,验证了所提攻击方法的有效性。

基于主元分析与核偏最小二乘的CVT误差在线检测方法

针对CVT定期离线检测方式难于及时发现其误差变化的情况,本文提出一种基于PCAKPLS的CVT误差在线检测方法。该方法首先利用主元分析将电网波动与CVT的状态进行分离,将CVT的状态映射在残差子空间中并建立Q统计量,根据Q统计量判断CVT的状态。然后对正常运行的CVT采用核偏最小二乘法实时检测其误差。最后通过仿真,结果表明该方法能够准确地进行CVT误差检测及故障检测,是CVT误差在线检测的一种有效方法。

基于核PCA与在线支持向量机的电子鼻气体分类研究

通过电子鼻系统获取的数据具有维数高、非线性变化等特点,不利于后续算法的识别或分类。因此,提出了基于核主元分析(KPCA)与在线支持向量机(Online-SVM)的电子鼻系统识别新算法。首先采用KPCA算法对采集到的原始数据进行特征提取,达到降维与去噪的目的,然后使用在线支持向量机对数据进行预测,最后与基于径向基函数的神经网络算法(RBF)预测结果进行对比分析。实验结果表明,新算法在电子鼻信号处理领域相对较优,具有较好的价值。

基于KPCA和PSO-SVM的木材干燥过程在线优化建模研究

针对木材干燥过程样本数据存在较多噪声的问题,采用核主成分分析方法对木材干燥数据进行预处理,然后利用粒子群优化的支持向量机建立木材干燥系统的在线预测模型,并进行在线预测。仿真研究表明,对数据预处理后,降维训练样本建立的木材干燥模型能够获得很好的预测精度,计算量小,速度快。在线模型能够实时反映系统当前状态,在线优化模型结构并预测系统下一步输出,实现了木材含水率特性变化的动态预测。模型输出误差小、泛化能力强,能够满足实际干燥过程在线预测控制的需要,具有良好的实际应用价值和工业前景。

基于PCA和多约简SVM的多级说话人辨识

提出一种基于主成分分析(PCA)和多约简支持向量机(SVM)的多级说话人辨识方法。首先用PCA对注册说话人进行快速粗判决,再用多约简SVM进行最后决策。此多约简SVM有两个约简步骤,即用PCA和样本选择算法分别减少训练数据的维数和个数。理论分析和实验结果表明:该方法可以大大减少系统的存储量和计算量,提高训练和识别时间,并具有较好的鲁棒性。

结合非线性频谱和核主元分析的机器人用RV减速器故障诊断

针对机器人用RV减速器故障诊断准确率低问题,采用基于非线性输出频率响应函数频谱与核主元分析(KPCA)相结合的方法诊断RV减速器故障。利用RV减速器性能测试平台采集减速器在正常状态和故障状态下的输入和输出数据;采用批量估计算法得到每种状态下的前4阶频谱值,将其作为故障特征送入KPCA进行压缩,通过设置主元累计贡献率将400维数据压缩至5维;将KPCA生成的低维数据送入支持向量机分类器进行训练和测试。试验结果表明:与仅把振动信号时域或频域作为数据集进行故障诊断的方法相比,所提方法的故障诊断准确率分别提升了27.50%和8.34%,达到了96.67%,所提方法在RV减速器的故障诊断上有效。

在线压缩核主元分析的自适应过程监控

对于动态系统,传统的核主元分析(KPCA)方法处理的效果不理想.滑动窗口核主元分析方法能适应动态系统的正常参数漂移,但是该方法处理大量的样本时需要较长的运算时间.因此,提出一种在线压缩核主元分析的自适应过程监控方法.该方法在大量的样本中选定较小的训练集作为初始压缩集进行建模,对在线实时采集的数据进行分析,判断新的样本是否正常.若为正常样本,判断该样本是否加入压缩集中,在加入压缩集的同时自动更新在线KPCA模型.将该方法应用到数值例子和田纳西-伊斯曼(TE)过程,仿真结果验证了该方法的有效性.

基于传递熵的MPCA间歇过程监测方法

传统统计分析方法忽略了变量间作用关系,而传递熵可以有效地表达变量间作用关系,因此提出了一种基于传递熵的MPCA间歇过程监测方法.利用传递熵表达变量间的作用关系,在计算传递熵时采用非参数核密度估计法,利用该方法不依赖于数据先验分布知识的特点来处理非高斯分布的过程数据,通过构建传递熵矩阵,结合滑动窗,实现对间歇过程变量间信息传递的动态表达,最后对传递熵矩阵进行多向主元分析方法(MPCA)建模,实现间歇过程监测.通过青霉素发酵的仿真,结果表明与传统多变量统计过程控制(MSPC)方法作对比,本文监测方法能更及时准确地监测到过程异常.

基于时段及过渡区域的KICA间歇过程监测方法

针对间歇过程时段的切换存在过渡区域,同时,间歇过程数据有着强非线性的特点,提出一种基于时段及过渡区域的KICA间歇过程监测方法。该方法基于MPCA及k-means聚类算法对间歇过程进行子时段划分,并基于第一主元贡献率差值识别时段间的过渡区域,在此基础上,对稳定时段建立统一KICA监测模型,而过渡区域针对各时刻滑动窗口进行KICA建模监测。将该方法应用于青霉素发酵过程在线监测,实验结果表明,相比sub..PCA监测方法,本文基于时段及过渡区域的KICA监测方法能更及时、准确的检测到过渡区域的异常。