基于核PCA和FDA的凝汽器非线型过程监控和故障诊断

提出了基于核主元分析和Fisher判别分析相结合的非线性统计过程监控和故障诊断新方法.该方法首先利用非线性核函数将数据从原始空间映射到高维空间,然后在高维空间中利用线性Fisher判别分析法提取数据最优的核Fisher判别矢量和特征矢量,通过计算特征矢量之间的欧式距离来实现过程监控.若系统发生故障,则根据当前故障的判别矢量和历史故障数据集中所含故障的最优核Fisher判别矢量的相似度进行故障诊断.所提出的方法能有效的捕获过程变量之间的非线性关系,汽轮机特征故障数据集仿真试验验证了该方法的有效性.     

优化动态核主元分析的工业过程故障监测方法

针对现代生产工业过程中数据的非线性多模态特征,提出了一种基于人工大猩猩部队优化动态核主元分析(GTO-DKPCA)的故障监测方法。利用自回归移动平均时间序列模型和核主成分分析(KPCA)方法构建DKPCA模型,对过程各阶段的批次数据进行DKPCA处理。通过正常数据和故障数据特征构建自适应度函数,利用人工大猩猩部队优化算法对DKPCA核参数进行优化,以发现最优的非线性特征;通过计算各时间点的霍特林统计量T²和平方预测误差(SPE)统计量进行故障监测。青霉素发酵过程故障监测结果表明,GTO-DKPCA方法比多向核主元分析(MKPCA)和多动态核主元分析(BDKPCA)有更好的监测效果,适应性和准确性更高。     

KPCA和FCM的击穿电压预测建模

针对变压器油击穿电压在线测量困难,提出核主元分析(KPCA)和模糊C均值聚类(FCM)的变压器油击穿电压预测模型。首先,通过KPCA提取输人数据的非线性主元;然后采用FCM将提取的主元集分成具有不同聚类中心的子集,同时,采用差分进化算法对KPCA核参数和FCM聚类数寻优,分别为每一子集建立最小二乘支持向量机(LSSVM)子模型;最后通过子模型切换策略得到模型的最终输出。实验结果表明,提出的预测模型具有较好的泛化能力和预测精度。     

PCA与KPCA在综合评价中的应用

分别用主成分分析( PCA )与核主成分分析( KPCA )对实例数据进行综合评价得分的计算, 并比较分析. 结果表明, 在综合评价的应用中PCA 简单 实用, KPCA 则存在两方面问题: ( 1 )核函数与核参数的选取严重影响综合得分的计算, ( 2 )很难解释核主成分. 以PCA 分析为参照, 调整KPCA核参数 能收到更好的效果.     

基于改进SVM的网页过滤系统研究

〖HJ*3/8〗对比分析了几种常见的网络文本分类方法。其中,支持向量机具有较高的分类准确率。提出支持向量机改进算法,将多项式核函数和径向基核函数加权组合成混合核函数。该核函数克服了支持向量机中单个核函数的局限性,可兼顾算法的学习能力和泛化能力。对建立的网页过滤模型进行仿真实验,证明改进的SVM网页过滤模型能提高过滤的准确率和效率。     

多变量统计过程控制的现状与展望

统计过程控制是过程监控与故障诊断的方法。在多变量统计过程控制中,传统的方法主要包括主元分析和偏最小二乘,这些方法存在着诸多缺陷。设计时可以应用非线性主元分析、非线性偏最小二乘、动态主元分析、自适应主元分析、多尺度主元分析等方法进行改进。研究中要重视带噪声的监控模型、过程模型信息与经验知识相结合等问题,同时可以把一些新的降维技术用于统计过程控制中。     

一种用于电类实验测量数据判决的改进KNN算法北大核心

电类实验教学过程中人工评判学生所测数据工作烦琐,影响了教学质量和效率。该文提出了改进的K近邻(K-nearest neighbors,KNN)分类算法,即基于均值漂移、安全间隔和核主成分分析(KPCA)的M-KPCA-KNN(KNN based on margin and KPCA)算法,以判断学生测量数据正确与否和错误原因。首先利用KPCA对高维实验数据进行降维,然后利用均值漂移向量找到不同类别数据的最密集位置,并在不同类别数据的边界设置安全间隔,最后,将与待测样本距离最近的k个数据设置权重,计算每个类别的权重和,权重和最大的类别为待测样本的类别。与现有的KNN算法相比,M-KPCA-KNN算法不仅提高了分类正确率,而且降低了时间复杂度。     

改进的核密度模型的检验

利用改进的核密度模型所得到的束缚核子内价夸克和海夸克的动量分布函数,对轻子-核DIS过程的核效应给出了满意的解释,从而对该模型进行了检验．     

基于混合核的超球面支持向量机车牌字符识别

在车牌字符识别应用中,超球面支持向量机核函数的选取一直采用单一核函数方案,存在识别正确率不高或过程较繁琐的问题。针对以上不足,将单一径向基核函数、混合核函数分别应用到超球面支持向量机的决策函数中,找到径向基核函数参数和混合核线性组合交叉概率的最优取值,提出一种超球面混合核支持向量机(MHS-SVM)。将Computational Vision研究小组数据集转换为一维矢量提取特征,采用此算法进行识别验证。试验结果表明,较已有的欧拉数特征分类和组合支持向量机,混合核方案过程简洁,具有更高的识别正确率,同时拥有较好的识别速率。     

一类非线性时滞积分不等式中未知函数的估计

通过对一类具有弱奇异核的非线性时滞积分不等式进行讨论,给出了这一类不等式中未知函数的估计,并且利用构造辅助函数的方法,运用换元、放大、求导、积分等分析技巧证明了主要的结果.     

改进的双重Q2重标度模型与核Drell-yan过程的核效应

针对双重Q2重标度模型存在的问题,提出了改进的双重Q2重标度模型,利用该模型所得到的束缚核子内部分子分布函数,对核Drell-Yan过程给出了满意的解释.     

基于多层神经网络和PReLU函数的后非线性BSS算法

本文提出了一种以多层神经网络来估计概率密度函数的后非线性盲源分离算法.该算法将PReLU函数作为激活函数,并对概率密度函数进行自适应逼近,以最小互信息作为基本准则来构建目标函数测试独立性.最后用改进后的自然梯度算法推导出分离矩阵和迭代公式,以此来更新目标函数.仿真实验证明所提算法可以有效分离非线性混合信号.     

基于核独立成分分析的静息态fMRI数据研究（英文）

为了方便提取静息态默认网络,降低功能核磁共振（fMRI）数据复杂度,克服独立成分分析只适合于源信号线性混合的限制,提出了特征降维和非线性变换的框架.首先采用主成分分析对fMRI信号的时间维度进行降维,将原始维度为153 594×128的fMRI数据降至153 594×5,以达到降低计算复杂度的目的,并保留95%的信息成分.然后利用基于高斯核的非线性独立成分分析即核独立成分分析来分析静息态fMRI数据并提取默认网络.实验结果表明,在分析静息态fMRI数据的过程中,核独立成分分析不仅能准确提取默认网络,而且降低了噪声,所得到的结果优于普通独立成分分析.     

基于混合优化的RBF神经网络集成的降水预报模型

针对传统的单个RBF神经网络集成中个体的隐节点个数和初始参数难以客观确定的不足,为了提高泛化能力,提出一种以高斯核函数的混合优化的RBF神经网络的方法,首先引入正交最小二乘法动态客观的获取数据中心的个数、数据中心及权值;然后通过计算隐层中心点间最小距离作为扩展常数;最后使用剃度法调节权值、中心及扩展常数使网络参数和结构达到最优.该方法结合了正交最小二乘法和剃度算法的优点,通过从结构和算法两方面的调整提升了单个的传统的RBF网络的性能.并将上述优化混合的RBF神经网络与主成分分析方法相结合建立模型.本文以广西5月逐日降水事先初选的众多预报因子进行主成分分析算法提取有效的几个综合因子,然后使用混合算法优化的径向基网络建立降水预测模型.结果表明,该模型具有较好的收敛效果和泛化能力,在预报性能上明显优于同期的T213降水预报,具有一定的普遍适用性.     

基于核主成分降维的RBF网络降水预测

针对径向基函数神经网络（RBF网络）的隐层节点数、中心和宽度难以确定的问题,为提高网络性能,首先采用模糊聚类分析法对样本数据进行初始聚类,以初始分类间的最小距离作为初始宽度;然后引入正交最小二乘法训练出新的数据中心、个数及权值,修改宽度为当前数据中心间的最小距离;最后采用梯度下降法训练并调整中心、宽度及权值;几种算法进行的组合优化改进,使网络泛化性能更优.由于降水影响因子众多,采用了核主成分分析法（KPCA）对样本数据进行特征提取降维预处理.对广西5月3区的日降水量使用上述模型进行预报实验,结果表明,该模型具有较好的泛化性能,预报准确率高于T213降水预报模式,具有一定的推广价值.     

基于伴随求解的核主泵轴向力优化方法（英文）

目的:核主泵轴向力过大容易造成水润滑轴承磨损,因此在保证扬程和效率性能的同时需要降低核主泵轴向力。本文旨在建立目标性能与叶轮几何形状的函数关系,探究基于伴随求解的扭曲叶轮的变形方案,在保证扬程不变的条件下同步优化叶轮的轴向力和效率,并找到影响该综合性能的叶轮关键区域。创新点:1.提出一种同步改进多个目标性能的叶轮形状优化方法;2.将伴随求解和径向基函数网格变形相结合以实现核主泵叶轮三维曲面优化。方法:1.通过理论分析,建立基于径向基函数网格变形的伴随优化方法,并在开源平台编写迭代程序;2.通过公式推导,构建扬程、效率和轴向力对应的目标函数(公式(19)～(21)),并运用正交实验确定各个目标函数的参数因子;3.通过迭代计算,在保证扬程不变的条件下实现轴向力和效率的同步优化,确定影响该综合性能的关键区域(图8),并获得叶轮的改进设计方案;4.通过流场分析,对比改进前后流场内部的压力和流速分布情况(图9和10),并验证改进方案的可行性和有效性。结论:1.与传统的随机算法相比,该优化方法直接沿梯度方向进行迭代优化,可以避免使用大量样本数据来寻找优化路径;2.该优化方法将伴随求解和径向基函数网格变形相结合,实现了流场计算和结构变形的自动化,可以保证流场网格光滑高效地更迭;3.叶轮靠近出口边的下半部分是同步优化核主泵轴向力和效率的关键区域。     

基于RBF核的SVM分类应用研究

支持向量机(Support Vector Machine,SVM)在解决小样本、非线性及高维模式识别中具有优势,但核函数的选取没有定论,且其参数对SVM模型的性能起重要作用。针对这些问题,文章建立了基于SVM的分类模型,并通过UCI数据集验证了径向基核函数(Radial Basis Function,RBF)较其他核函数的有效性,其中核参数的选取采用改进的网格搜索法进行寻优。分类实验结果表明,选择RBF核函数的分类准确度较其他核函数提高了2.5%到35%。     

一种改进的SMO分类算法

针对序列最小优化(SMO)算法对大规模数据集训练速度慢、分类精度不够高的问题,提出了一种改进方法。该方法对SMO算法的核函数进行改进,通过增大二次项系数的绝对值提高分类正确率,并结合网格搜索法优化基于核函数改进的SMO算法的有关参数。实验结果表明,该算法显著提高了分类的正确性,缩短了算法的建模时间。     

一种深层过程神经网络及其在信号分类中的应用

针对时变信号小样本集建模分类问题,提出一种深层多尺度径向基过程神经网络（DLMS-RBFPNN）。该模型由时变信号输入层、多尺度径向基核变换层、全连接层和感知机分类器构成。兼顾时变信号的频谱特征和分布形态的多样性,基于径向基过程神经网络,通过将不同宽度参数的Gauss核函数进行线性叠加,构成多尺度核,完成不同尺度上对过程信号形态特征的提取、辨识和相似性度量。通过在径向基核函数层之上叠加全连接层和分类器,实现时变信号不同尺度特征的融合和分类。DLMS-RBFPNN具有较少的模型参数,适用于小样本集建模,在机制上可提高对时变信号过程细节特征和趋势特征的辨识及记忆能力。在分析DLMS-RBFPNN性质的基础上,建立一种基于动态聚类算法的核中心函数确定方法以及基于PSO的模型参数优化求解算法。以旋转机械基于示功图信号的故障诊断为例进行实验,结果验证了模型和算法的有效性。     

图核结合神经网络的蛋白质分类方法

由于蛋白质的多样性及其结构的复杂性,采用传统按照属性简单线性组合的函数方法难以实现正确分类。图核方法则为此提供了一个解决方案,通过图核方式将蛋白质具有的结构信息提取出来,将两图的相似性比较转化为两图各顶点之间匹配度的比较。提出混合矩阵的点边相似核,将图的邻接矩阵看作各顶点样本向量,通过寻找两图最相似的顶点对进行核值计算。此外,还提出将图核与神经网络相结合,利用神经网络良好的分类性能提高分类准确率。实验结果表明,采用该方法比原有方法的分类准确率提高了15%~30%。