基于主成分分析和支持向量机的鲁棒稀疏线性判别分析方法

为了提高人脸图像的识别率、识别效率和鲁棒性,提出一种基于主成分分析（Principal Component Analysis, PCA）和支持向量机（support Vector machine,SVM）的鲁棒稀疏线性判别分析方法,通过ORL和YaleB人脸库、COIL20物体库和UCI机器学习库中部分数据集,将本文方法与线性判别分析、鲁棒线性判别分析、基于 范数和巴氏距离的鲁棒线性判别分析、鲁棒自适应线性判别分析和鲁棒稀疏线性判别分析等六种方法进行比较。实验结果表明,在ORL人脸库、COIL20物体库和UCI机器学习库的部分数据集中,在原始图像条件下,本文方法的识别率均值依次为92.80%,97.76%和89.61%,均高于其它5种方法。在YaleB人脸库加入椒盐噪声的条件下,本文方法的识别率均值为81.35%,比其它五种方法高1.37%以上。     

基于鲁棒主元分析的SAR图像目标分割

合成孔径雷达(SAR)图像的目标分割,是SAR图像自动目标识别的关键预处理步骤。与一般SAR图像目标区域分割方法不同,鲁棒主元分析融合了主元分析(PCA)与压缩感知(CS)理论中稀疏矩阵的先进思路,利用多帧具有相似性的SAR图像,构建一个观测矩阵D,通过求解一个凸优化问题,重建出一个低秩矩阵A和一个稀疏矩阵E。将矩阵A和E的列向量矩阵化,即可完成SAR图像目标与背景的分离。实验结果表明,鲁棒主元分析算法避免了复杂的SAR图像背景建模,针对同一目标的多帧SAR图像,所提方法对SAR图像目标和背景的分割问题具有可行性和有效性;与经典的最优阈值分割算法相比,误分率明显降低。     

基于稀疏表示模型的显著目标检测

针对基于鲁棒主成分分析的显著目标检测方法，在显著目标出现不同颜色时不能产生一致的显著值，提出基于稀疏表示模型的显著目标检测方法. 该方法用l₁范数约束显著目标的表示系数，并引入拉普拉斯图正则项保持显著目标超像素的近邻关系，使特征相似的超像素有相似的表示系数，检测出的显著目标内部更平滑，显著值趋于一致. 在2个公开的显著目标数据集上的实验表明，所提方法是有效的.     

基于鲁棒主元分析的故障诊断方法

针对工业过程的建模数据中含有离群点的情况,提出了一种基于鲁棒主元分析(PCA)的故障诊断方法.该方法使用广义极大似然估计(M估计)代替最小二乘估计,将传统的主元分析问题转化为一个加权的重构误差优化问题,然后通过改进的非线性迭代部分最小二乘(NIPALS)算法来求得问题的最优解,在此基础上建立主元模型并构造监控统计量检测过程故障.在连续搅拌反应器(CSTR)仿真系统上的应用结果表明,鲁棒PCA方法能够消除离群点对主元模型的影响,比PCA方法分析过程数据更为准确,能更有效地诊断过程故障.     

基于鲁棒主元分析的故障诊断方法

针对工业过程的建模数据中含有离群点的情况,提出了一种基于鲁棒主元分析(PCA)的故障诊断方法.该方法使用广义极大似然估计(M估计)代替最小二乘估计,将传统的主元分析问题转化为一个加权的重构误差优化问题,然后通过改进的非线性迭代部分最小二乘(NIPALS)算法来求得问题的最优解,在此基础上建立主元模型并构造监控统计量检测过程故障.在连续搅拌反应器(CSTR)仿真系统上的应用结果表明,鲁棒PCA方法能够消除离群点对主元模型的影响,比PCA方法分析过程数据更为准确,能更有效地诊断过程故障.     

基于鲁棒主成分分析和多个色彩通道的显著性检测

显著性检测在图像分割、物体检测、视觉效果评估等领域有非常广泛的用途。为了增强这种图像预处理技术的实用性,同时对人眼视觉系统的机理进行研究和模拟,该文提出了一种基于鲁棒主成分分析和多个色彩通道的显著性检测方法。将图像的多个色彩空间重构成每一列都线性相关的矩阵,然后将显著性区域看作是矩阵的稀疏成分,将背景信息看作是低秩成分。经过对新矩阵进行鲁棒主成分分析后就可以将显著性区域提取出来。最后加入人眼视觉系统中的显著性先验和中心先验机理,使得提出的模型更加合理。实验结果表明:该方法在量化指标和视觉效果方面超过了当前很多先进的方法,验证了这种假设的合理性。     

基于核函数主元分析的SVM建模方法及应用

为有效克服线性建模方法在非线性建模方面的不足,将核函数思想引入到主元分析方法(PCA)中,有效提取实验数据中的非线性特征信息,并将其作为支持向量机(SVM)的输入变量,建立工业过程软测量模型。该方法应用于丙烯腈聚合过程中转化率的预报,结果表明:该方法的预测精度优于PCA-SVM方法和KPCA-NN方法。     

一种新的广义鲁棒主成分分析(GRPCA)算法研究及应用

为恢复被混合噪声污染的低秩矩阵,提出了一种新的广义鲁棒主成分分析（GRPCA）算法。它通过最小化核范数、1范数和2,1范数的组合问题,从观测矩阵中分离出低秩部分和混合噪声部分,并用随机排序的交替方向乘子法求解。利用本文方法进行垃圾邮件分类的实验结果表明,与经典的主成分分析（PCA）和鲁棒主成分分析（RPCA）算法相比,本文方法可以有效提高垃圾邮件分类的精确度和稳定性。     

基于RPCA的群稀疏表示人脸识别方法

针对训练样本图像和测试样本图像均存在光照、污染、遮挡等情况下的人脸识别问题,提出一种基于鲁棒主成分分析的群稀疏表示人脸识别方法(group sparse representation face recognition method based on robust principal component analysis, GSR-RPCA)。该方法将人脸图像由空域变换到对数域,增强人脸图像的对比度,并通过结构非相关鲁棒主成分分析算法从训练样本图像矩阵D中分解出干净的低秩部分人脸图像矩阵A和误差图像矩阵E,以增强恢复数据的鉴别力;学习A与D之间的低秩映射关系矩阵P,并用P将存在遮挡的测试样本映射到其潜在的子空间下,得到干净的测试样本y;计算y在A上的群稀疏表示系数,并利用类关联重构残差对测试人脸进行识别,获得测试人脸的所属类别。在CMU PIE,Extended Yale B和AR数据库上的实验结果显示,提出方法具有较高的识别率和较强的鲁棒性。     

基于鲁棒稀疏PCA的工业异常检测

主元分析(principal component analysis, PCA)方法由于原理简单计算方便,被普遍应用于工业无监督异常检测,但具有异常值敏感且所得主元非稀疏等问题。针对传统鲁棒稀疏PCA没有从根本上解决异常值敏感问题且没有给定稀疏度的确定方式,提出了一种改进的工业异常检测方法IRSPCA(improved robust sparse PCA)。具体地,在对L₁范数最大化处理以及L₀范数惩罚项引入的基础上,提出了用于平衡稀疏性和方差的稀疏性准则,基于该准则开发了一种两阶段稀疏度选择策略,并利用遗传算法求得了主元稀疏度的最优解。另外,设计了基于预测误差平方和(squared prediction error, SPE)统计量的异常值剔除策略,用于增强方法的整体鲁棒性。通过数值仿真和真实烟支成品检测两个案例开展了实验验证。结果显示IRSPCA综合性能均优于传统PCA和鲁棒稀疏PCA方法,充分验证了方法的有效性和优越性。     

基于主元分析与支持向量机的制冷系统故障诊断方法

利用主元分析(PCA)法提取制冷系统特征向量,对典型人工智能方法所建故障诊断模型的性能进行理论研究与应用分析,确定了以支持向量机(SVM)算法为基础的故障诊断模型;针对SVM直接解决多种分类问题的困难,分析了3种多类SVM算法,确定了基于“一对其他（One vs others）”多类SVM算法的故障诊断模型,并提出基于PCA与SVM组合的PCA SVM故障诊断模型,同时,利用实验数据加以验证.结果表明：PCA SVM模型可将16个原始变量转化为相互独立的主元,并可提取前4个主元用于故障诊断而将正常与故障的模式分离,对故障的诊断率不低于98.57%,优于单纯SVM模型,且PCA SVM模型的训练速度比SVM模型快约130~350倍;PCA SVM模型对小样本的处理能力优于BP神经网络模型,其诊断正确率较高,训练耗时较少（约1/240）.     

Combination Method of Principal Component Analysis and Support Vector Machine for On-line Process Monitoring and Fault Diagnosis

IntroductionOn-line process monitoring and fault diagnosis are keyfactor to ensure product quality and operation safety .Inlastdecade research, the approach of fault detection anddiagnosis could be classified into three categories[1 ,2]:methods based on causal models , methods based onknowledge and methods based on multivariate statistics .Forthe model method ,it is difficult toidentify model parametersand esti mate model states , especially for complex chemicalprocess ; whereas for knowledge …     

IPCA在故障检测与分离中的应用

基于ＰＣＡ模型，综合利用Ｔ＾２检验值，Ｑ检验值和故障补偿等集成化主元分析（ＩＰＣＡ）方法对系统的工况故障和仪表故障进行检测和分离，并对仪表故障进行补偿，该方法既能进行故障检测，又能对不同的故障进行分离。仿真实例表明，这种方法是有效的。     

基于主成分分析法的电潜泵故障诊断

电潜泵（Electric Submersible Pump,ESP）举升技术在非自喷高产井和高含水井中应用广泛,ESP在生产过程易发生故障,进而导致作业中断,造成严重经济损失。如何有效利用传感器、数据采集系统,SCADA系统实时采集的ESP系统生产数据,对ESP的工作状态进行提前预估至关重要。采用主成分分析法（PCA）对泵实时生产数据进行研究分析,根据电潜泵生产数据之间线性组合进行特征提取,降低生产数据的维度,创造新的主元空间,用很少的主元重新评估ESP生产系统,得出ESP井故障原因并预估ESP剩余使用寿命。主成分分析采用霍特林平方统计算法和平方误差分析算法建立诊断模型,该模型可以预估ESP剩余作业时间并确定泵出现故障的主因。以渤海油田为例,对ESP井实时数据进行主成分建模,预测泵故障的主因及故障时间,对比ESP实际生产作业时间,验证PCA进行故障诊断的可行性。证明PCA作为模式识别的一种方法可以有效监测ESP健康状况,预测ESP故障的主因。     

基于多特征融合与机器学习的井架钢结构智能诊断

为了解决复杂的井架钢结构损伤识别问题,创新的将时域多参数信息融合与机器学习结合起来,根据井架钢结构的加速度响应信号,提出了一种基于主成分分析和支持向量机的井架钢结构损伤识别方法。首先利用加速度传感器提取在冲击载荷下井架钢结构加速度响应信号,进而获得其多个时域特征：脉冲因子、裕度因子和峭度;然后依据主成分分析法将以上特征进行融合,在保证尽可能多的信息被保留的情况下形成一个新的综合性特征;此时将该特征数据输入支持向量机模型进行损伤识别。利用以上理论进行仿真模拟计算和识别,同时利用ZJ70型井架钢结构实验室模型进行试验分析。结果表明：利用该方法识别井架钢结构单一或多处损伤准确率较高,并且简单易行耗时较少。     

Combination Method of Principal Vector Machine for On-line Process Monitoring and Fault Diagnosis

On-line monitoring and fault diagnosis of chemical process is extremely important for operation safety and product quality. Principal component analysis （PCA） has been widely used in multivariate statistical process monitoring for its ability to reduce processes dimensions. PCA and other statistical techniques, however, have difficulties in differentiating faults correctly in complex chemical process. Support vector machine （SVM） is a novel approach based on statistical learning theory, which has emerged for feature identification and classification. In this paper, an integrated method is applied for process monitoring and fault diagnosis, which combines PCA for fault feature extraction and multiple SVMs for identification of different fault sources. This approach is verified and illustrated on the Tennessee Eastman benchmark process as a case study. Results show that the proposed PCA-SVMs method has good diagnosis capability and overall diagnosis correctness rate.     

基于稀疏表示的轴承早期故障特征提取

低速重载机械设备中的滚动轴承由于承受巨大载荷,极易出现内外环故障. 在故障早期阶段,反映故障特征的冲击成分很微弱,极易被噪声覆盖而难以识别. 为准确诊断轴承早期故障,提出基于稀疏表示的故障特征提取方法. 该方法利用K-SVD字典训练算法构造出能准确匹配冲击成分的字典,克服了参数化字典缺乏自适应性的问题;稀疏编码过程中,采用批处理正交匹配追踪算法(batch orthogonal matching pursuit,Batch-OMP)对振动信号进行分解,以逼近信号的峭度值最大原则作为分解结束条件,自适应确定出分解次数;最后,通过对重构的特征成分进行包络谱分析得出故障类型. 对仿真信号和轴承振动信号进行故障特征提取,结果表明所提方法能准确提取出冲击成分,验证了其有效性和实用性.      

模拟电路故障诊断的最小二乘支持向量机方法研究

介绍模拟电路故障诊断的现状及特点,提出一种基于最小二乘支持向量机的模拟电路故障诊断新方法.该方法可以对模拟电路有效地进行故障诊断,有较高的诊断效率.     

基于改进核主元分析的故障检测

针对电主轴系统特点,提出基于改进核主元分析(KPCA)的故障检测方法,引入混合核函数的定义,将多项式核和径向基核的混合核方法与主元分析方法(PCA)相结合,解决采用单一核函数诊断故障时的高误诊率问题.首先对数据进行预处理,然后使用混合核函数对数据矩阵进行映射,映射到高维特征空间,使非线性数据变量变为线性数据变量,并使用PCA提取变量数据的高维空间相关特征确定主元个数,最后根据混合非线性主元特征计算出的T2和Q统计量,实现在线故障检测.该方法改进传统核函数的选取方法,充分考虑工业过程中的非线性,更精确地描述工业过程特性,可以准确、有效地检测出电主轴系统故障.对田纳西-伊斯曼(TE)过程以及电主轴系统的应用实例证明该方法的可行性.