针对间歇过程固有的批次不等长问题,也为了克服传统解决批次间同步问题方法存在的数据浪费、扭曲原始过程变量的自相关及交叉相关关系的严重缺陷,提出基于多约束的动态时间规整(dynamic time warping,DTW)方法,按照轨迹中点与点的模式...针对间歇过程固有的批次不等长问题,也为了克服传统解决批次间同步问题方法存在的数据浪费、扭曲原始过程变量的自相关及交叉相关关系的严重缺陷,提出基于多约束的动态时间规整(dynamic time warping,DTW)方法,按照轨迹中点与点的模式进行动态匹配解决的同步问题.同时,引入了全局路径限制和失真度阈值限制对DTW方法进行改进,解决了传统DTW方法长时间运行造成的故障监测严重滞后的问题,同时克服了其处理过程的复杂性与其离线性导致其实际应用的困难.用多向主元分析(multiway principal component analysis,MPCA)方法将多约束DTW处理过的数据进行建模.将该方法应用到青霉素发酵过程仿真实验中,结果表明:该方法能够快速准确地对不等长批次进行规整,与传统方法相比,故障的误报率、漏报率明显降低.展开更多
为了实现快速、自动化发现土地覆盖变化这一目标,在分析传统主成分差异法、差异主成分法、多波段主成分法三种不同处理过程的基础上,结合主成分变换原理提出了一种改进的主成分分析法(modified principal component analysis,MPCA)。操...为了实现快速、自动化发现土地覆盖变化这一目标,在分析传统主成分差异法、差异主成分法、多波段主成分法三种不同处理过程的基础上,结合主成分变换原理提出了一种改进的主成分分析法(modified principal component analysis,MPCA)。操作中先将d1时相多光谱影像作主成分分析,得PC1d1,PC2d1,…,PC6d1;d2时相高分辨率全色波段PAN与PC1d1进行直方图匹配后,采用了经反复试验效果较好的3×3模板进行边缘滤波增强;然后取代PC1d1与PC2d1,PC3d1,…,PC6d1进行主成分逆变换,作者在ENVI4.0和IDL6.0工具包支持下实现了这一融合算法。以北京海淀区为例进行的试验研究表明,MPCA法不仅能够快速发现变化信息,而且增强了影像纹理,弥补了传统主成分分析法的缺陷。此外,变化信息提取精度较高,其Kappa系数比传统主成分差异法、差异主成分法、多波段主成分法依次提高了0.063,0.118,0.029,是一种比较实用的变化信息发现方法,值得推广应用。展开更多
以掺假山茶油样为气相离子迁移谱(gas chromatography-ion mobility spectrometry,GC-IMS)检测对象,利用多维主成分分析(multi-way principal component analysis,MPCA)法和偏最小二乘(partial least squares,PLS)回归分析处理二维谱图...以掺假山茶油样为气相离子迁移谱(gas chromatography-ion mobility spectrometry,GC-IMS)检测对象,利用多维主成分分析(multi-way principal component analysis,MPCA)法和偏最小二乘(partial least squares,PLS)回归分析处理二维谱图数据,探索并建立一种山茶油纯度检测方法。对配制的不同比例3种食用植物油的掺假油样进行GC-IMS检测,采用MPCA压缩并提取矩阵中的得分矩阵进行主成分分析,将提取的得分矩阵进行PLS分析,建立掺假量的定量预测模型。结果表明,MPCA处理后的主成分图可以明显区分山茶油样和掺入不同种类食用油的掺假山茶油样,且不同掺入比例组有其明显的归属区域;采用PLS对MPCA的得分矩阵进行回归分析,可实现对山茶油掺假比例的准确定量测定。该方法具有快速、准确、无损的特点,可应用推广到其他联用仪器的数据分析处理中,在食用油品质控制与评价方法中具有很大的应用前景。展开更多
为了处理张量数据,传统的学习算法常常把张量展成向量,但会造成破坏原始数据固有的高阶结构和内在相关性,导致信息丢失,或产生高维向量,使得后期学习过程中容易出现过拟合、维度灾难和小样本问题.近年提出了许多基于张量模式的分类算法...为了处理张量数据,传统的学习算法常常把张量展成向量,但会造成破坏原始数据固有的高阶结构和内在相关性,导致信息丢失,或产生高维向量,使得后期学习过程中容易出现过拟合、维度灾难和小样本问题.近年提出了许多基于张量模式的分类算法,而支持高阶张量机算法是张量分类算法中最有效的方法之一.考虑到张量的高维性和高冗余性,本文提出基于多线性主成分分析的支持高阶张量机分类算法(Multilinear Principle Component Analysis Based Support High-Order Tensor Machine,MPCA+SHTM).该算法首先利用多线性主成分分析对张量进行降维,然后利用支持高阶张量机对降维后的张量进行学习.在12个张量数据集上的实验表明:MPCA+SHTM在保持测试精度的情况下有效地降低了SHTM的计算时间.展开更多
文章在移动主成分分析(moving principal component analysis,MPCA)基础上,提出一种优化的MPCA特征——特征向量差方向角(directional angle of eigenvector variation,DAEV),并将其作为机器学习的输入建立损伤识别模型。利用双跨连续...文章在移动主成分分析(moving principal component analysis,MPCA)基础上,提出一种优化的MPCA特征——特征向量差方向角(directional angle of eigenvector variation,DAEV),并将其作为机器学习的输入建立损伤识别模型。利用双跨连续梁的仿真应变监测数据验证了以DAEV建立机器学习模型诊断结构损伤的有效性。结果表明,与MPCA特征向量相比,DAEV能更好地表征桥梁状态的变化,以DAEV为输入的机器学习模型损伤识别能力更强;对于早期损伤,以DAEV特征为输入的模型识别准确率比以MPCA特征向量为输入的模型高38%~79%。展开更多
文摘针对间歇过程固有的批次不等长问题,也为了克服传统解决批次间同步问题方法存在的数据浪费、扭曲原始过程变量的自相关及交叉相关关系的严重缺陷,提出基于多约束的动态时间规整(dynamic time warping,DTW)方法,按照轨迹中点与点的模式进行动态匹配解决的同步问题.同时,引入了全局路径限制和失真度阈值限制对DTW方法进行改进,解决了传统DTW方法长时间运行造成的故障监测严重滞后的问题,同时克服了其处理过程的复杂性与其离线性导致其实际应用的困难.用多向主元分析(multiway principal component analysis,MPCA)方法将多约束DTW处理过的数据进行建模.将该方法应用到青霉素发酵过程仿真实验中,结果表明:该方法能够快速准确地对不等长批次进行规整,与传统方法相比,故障的误报率、漏报率明显降低.
文摘为了实现快速、自动化发现土地覆盖变化这一目标,在分析传统主成分差异法、差异主成分法、多波段主成分法三种不同处理过程的基础上,结合主成分变换原理提出了一种改进的主成分分析法(modified principal component analysis,MPCA)。操作中先将d1时相多光谱影像作主成分分析,得PC1d1,PC2d1,…,PC6d1;d2时相高分辨率全色波段PAN与PC1d1进行直方图匹配后,采用了经反复试验效果较好的3×3模板进行边缘滤波增强;然后取代PC1d1与PC2d1,PC3d1,…,PC6d1进行主成分逆变换,作者在ENVI4.0和IDL6.0工具包支持下实现了这一融合算法。以北京海淀区为例进行的试验研究表明,MPCA法不仅能够快速发现变化信息,而且增强了影像纹理,弥补了传统主成分分析法的缺陷。此外,变化信息提取精度较高,其Kappa系数比传统主成分差异法、差异主成分法、多波段主成分法依次提高了0.063,0.118,0.029,是一种比较实用的变化信息发现方法,值得推广应用。
文摘以掺假山茶油样为气相离子迁移谱(gas chromatography-ion mobility spectrometry,GC-IMS)检测对象,利用多维主成分分析(multi-way principal component analysis,MPCA)法和偏最小二乘(partial least squares,PLS)回归分析处理二维谱图数据,探索并建立一种山茶油纯度检测方法。对配制的不同比例3种食用植物油的掺假油样进行GC-IMS检测,采用MPCA压缩并提取矩阵中的得分矩阵进行主成分分析,将提取的得分矩阵进行PLS分析,建立掺假量的定量预测模型。结果表明,MPCA处理后的主成分图可以明显区分山茶油样和掺入不同种类食用油的掺假山茶油样,且不同掺入比例组有其明显的归属区域;采用PLS对MPCA的得分矩阵进行回归分析,可实现对山茶油掺假比例的准确定量测定。该方法具有快速、准确、无损的特点,可应用推广到其他联用仪器的数据分析处理中,在食用油品质控制与评价方法中具有很大的应用前景。
文摘为了处理张量数据,传统的学习算法常常把张量展成向量,但会造成破坏原始数据固有的高阶结构和内在相关性,导致信息丢失,或产生高维向量,使得后期学习过程中容易出现过拟合、维度灾难和小样本问题.近年提出了许多基于张量模式的分类算法,而支持高阶张量机算法是张量分类算法中最有效的方法之一.考虑到张量的高维性和高冗余性,本文提出基于多线性主成分分析的支持高阶张量机分类算法(Multilinear Principle Component Analysis Based Support High-Order Tensor Machine,MPCA+SHTM).该算法首先利用多线性主成分分析对张量进行降维,然后利用支持高阶张量机对降维后的张量进行学习.在12个张量数据集上的实验表明:MPCA+SHTM在保持测试精度的情况下有效地降低了SHTM的计算时间.
文摘文章在移动主成分分析(moving principal component analysis,MPCA)基础上,提出一种优化的MPCA特征——特征向量差方向角(directional angle of eigenvector variation,DAEV),并将其作为机器学习的输入建立损伤识别模型。利用双跨连续梁的仿真应变监测数据验证了以DAEV建立机器学习模型诊断结构损伤的有效性。结果表明,与MPCA特征向量相比,DAEV能更好地表征桥梁状态的变化,以DAEV为输入的机器学习模型损伤识别能力更强;对于早期损伤,以DAEV特征为输入的模型识别准确率比以MPCA特征向量为输入的模型高38%~79%。
