针对主元分析(principal component analysis,PCA)中潜隐变量自相关性对故障检测的影响,提出一种基于潜隐变量自相关性子空间划分的故障检测策略(fault detection strategy based on dividing autocorrelation of latent variables,FDD...针对主元分析(principal component analysis,PCA)中潜隐变量自相关性对故障检测的影响,提出一种基于潜隐变量自相关性子空间划分的故障检测策略(fault detection strategy based on dividing autocorrelation of latent variables,FDDA).首先,应用PCA将输入空间通过线性变换分解为主元子空间(principal component subspace,PCS)和残差子空间(residual subspace,RS).其次,依据潜隐变量自相关性的强弱,将上述两个子空间分别进行二次划分.综上,原始输入空间依据方差和自相关性信息被划分成4个子空间,并利用不同的监控指标进行故障检测.子空间划分方法既可以提取输入变量间的相关性,又可以捕获潜隐变量自相关性.通过4个子空间的联合监控,可以有效地解决动态过程的故障检测问题,具有较高的故障检测率.将FDDA方法应用在TE过程和半导体蚀刻过程,并与PCA、动态PCA(dynamic PCA,DPCA)、kNN等进行对比分析,仿真实验结果验证了FDDA方法的有效性.展开更多
针对水声目标信号复杂、样本获取难度大且富含不确定信息的问题,研究了一种新的证据K类近邻识别算法(Evidence K Nearest Neighbor,EK-NN)。首先在水声目标的各类训练样本中,根据特征距离大小选取待识别目标的K近邻,并构造其基本置信指...针对水声目标信号复杂、样本获取难度大且富含不确定信息的问题,研究了一种新的证据K类近邻识别算法(Evidence K Nearest Neighbor,EK-NN)。首先在水声目标的各类训练样本中,根据特征距离大小选取待识别目标的K近邻,并构造其基本置信指派函数。然后使用证据理论中的Dempster-Shafer(D-S)规则对各类别下的近邻证据进行组合,最后再应用冲突置信的比例分配规则5(Redistribute Conflicting mass proportionally rule5,PCR5)将所有类别的组合证据进行融合,并根据融合结果和所设立的分类规则来判断目标的类别属性。根据水声目标实测数据,将新算法与其他几种常见的水声目标识别算法进行了对比分析,结果表明新算法能有效提高识别的准确率。展开更多
文摘针对水声目标信号复杂、样本获取难度大且富含不确定信息的问题,研究了一种新的证据K类近邻识别算法(Evidence K Nearest Neighbor,EK-NN)。首先在水声目标的各类训练样本中,根据特征距离大小选取待识别目标的K近邻,并构造其基本置信指派函数。然后使用证据理论中的Dempster-Shafer(D-S)规则对各类别下的近邻证据进行组合,最后再应用冲突置信的比例分配规则5(Redistribute Conflicting mass proportionally rule5,PCR5)将所有类别的组合证据进行融合,并根据融合结果和所设立的分类规则来判断目标的类别属性。根据水声目标实测数据,将新算法与其他几种常见的水声目标识别算法进行了对比分析,结果表明新算法能有效提高识别的准确率。
