基于MICA-OCSVM的间歇过程故障监测

针对多向独立成分分析(multi-way independent component analysis,MICA)需要假设过程变量服从非高斯分布的要求,以及MICA基于马氏距离构造的监控统计量会导致故障检测率降低的问题,研究了一种将多向独立成分分析与单类支持向量机(one-class support vector machines,OCSVM)相结合的MICA-OCSVM监测方法.首先采用MICA提取间歇过程所有批次的独立成分;然后分别对每个时刻的所有批次的独立成分进行OCSVM建模,利用确定的决策超平面构造非线性的监控统计量;最后计算所有建模数据的监控统计量,并利用核密度估计确定相应的控制限.将该方法应用到青霉素发酵过程仿真平台,实验结果表明:该方法相比于传统的MICA故障监测方法,无需考虑过程变量服从何种分布,能够有效利用独立成分的结构信息,故障的误报率、漏报率明显降低.     

基于多元统计投影方法的过程监控技术研究

为克服传统过程监控方法需假设过程特征信号服从多元正态分布的缺陷,提出了一种新的基于独立成分分析(ICA)和主元分析(PCA)的过程监控方法,该方法由两步组成: 第一步: 利用独立成分分析方法从过程信息中提取非正态分布特征信号,然后用Parzen窗法估计其概率密度确定控制限进行过程监控;第二步: 利用主元分析方法对剩余过程信息提取正态分布特征信号,采用Q和Hotelling T2统计量对此正态特征信号进行过程监控.通过对双效蒸发器进料浓度和加热蒸气温度发生异常的两种故障模式仿真研究表明,该方法比传统多元统计过程控制具有更少的漏报率.     

深层感知器结构设计的逐层主成分分析方法

为了解决深层感知器的结构设计问题,提出了一种逐层主成分分析方法.该方法根据训练数据集的分布特点,在适当控制信息损失的条件下,可以有效地确定每层神经元的个数.首先,依据样本维数和标签类数分别确定输入层和输出层神经元的个数;然后,对训练样本集进行主成分分析,利用降维后的维数确定第2层神经元的个数;最后,在确定其他层神经元的个数时,将上一次降维后的样本经过非线性激活函数作用,再进行主成分分析,得到降维后的样本维数即为该层神经元的个数.在MNIST手写字数据集上的实验结果表明:该方法有助于简化深层感知器的结构,在减少参数个数、缩短收敛时间和降低训练难度等方面均具有优越性.     

基于MCUSUM-ICA-PCA的微小故障检测

针对过程中难以检测到的微小、缓变故障的检测问题，以及过程中普遍存在的非高斯信息，提出一种新的多变量统计过程监测方法.把传统的单变量累计和控制图（CUSUM）扩展为多变量的形式，并与独立成分分析（ICA）和传统的主元分析（PCA）方法相结合，构成新的MCUSUM-ICA-PCA方法，采用 ICA-PCA两步信息提取策略，完整地提取出过程的非高斯和高斯信息，重新构造统计量并建立其对应的统计限.通过对Tennessee Eastman（TE）过程的仿真研究，验证了该方法的可行性和有效性，改善了该过程微小故障的检测效果，从而更好地保证过程运行的安全、稳定性.     

基于马尔可夫随机场的非监督声呐图像分割方法

针对声呐图像的特点,提出了一种新的基于马尔可夫随机场(MRF)的非监督声呐图像自动分割方法。研究发现,声呐图像混响区基本上都服从高斯分布,然而,其直方图离散化的分布效果不利于图像的自动分割,因此,通过一种快速有效的高斯金字塔模型对声呐图像进行预处理,使得处理后的声呐图像的海底混响区直方图服从高斯分布。在此基础上提出了一个能够自动确定声呐图像分类个数的模型,并通过该模型结合一种局部能量极值化的方法对马尔科夫模型的初始化参数进行估计,从而形成一种完全自动的声呐图像分割模型。最后,利用该模型对声呐图像数据进行了分割实验,并和其他典型的分割算法进行了比较,验证了该方法的有效性及快速性。     

基于多元统计信号处理的间歇过程监控方法研究

针对化工生产中日益增多的间歇过程，提出了一种基于多元统计信号处理的过程监控方法，其主要思想为将过程信息空间划分为由盲源信号描述的信号子空间、过程主元描述的信号子空间和残差信号子空间，随后对各个信号子空间构造过程统计量或分类器提取信号特征进行过程监控，该方法避免了传统多元统计过程控制 (multivariate statistical process contro，lMSPC)需假设过程特征信号服从正态分布的前提.将本方法与传统MSPC方法的性能进行了对比，并在仿真中给出了对比研究结果.通过对间歇过程的仿真研究表明，该方法不仅能够有效地检测出故障，而且有利于故障的分离和定位，从而说明该方法不仅是有效的，而且其性能优于仅能检测故障的传统MSPC过程监控方法.     

探测器交会小天体的UPF自主导航方案

采用基于目标天体信息的光学导航方案实现探测器交会小天体,利用导航相机提高了定轨精度和星历精度。在此基础上,针对深空导航的轨道确定过程中可能存在的初始估计信息误差较大、状态及量测误差不服从高斯分布等问题,将UPF(Unscented Particle Filter)引入到导航方案中。该方案利用UPF在处理非线性非高斯问题上的优势,克服了EKF、UKF、PF等传统滤波方案对非线性非高斯状态模型、量测模型的近似处理所带来的影响。数值仿真表明了该方案的可行性。     

基于独立成分分析的谱聚类方法

谱聚类是近年来一类具有较好应用前景的聚类方法。本文将独立成分分析引入到传统的谱聚类方法中,提出了一种基于独立成分分析的谱聚类算法。利用独立成分析作为预处理,消除了数据内的冗余信息,使得待聚类数据点在高阶统计量的意义下相互独立。文中对比实验证明了该方法的有效性。     

一种简化的动态独立元分析方法

在动态过程中,传统主元分析（PCA）法无法利用过程变量的自相关性对过程进行准确地分析,而且过程数据不一定满足高斯分布从而导致误报和漏报,这个问题可以采用动态独立元分析法（DICA）来解决.本文根据动态过程时间滞后的大小提出了一种简化的DICA方法,并用相应的二阶动态模型进行了仿真验证,结果表明与DICA相比,该方法同样有效且简便易行.     

基于集成主成分分析的故障检测方法

针对核主成分分析(KPCA)和主成分分析(PCA)的一些不足,提出一种基于集成主成分分析的故障检测方法。该方法将PCA与KPCA结合,利用KPCA描述过程的非线性信息并提取核主成分,再利用PCA对原始信息和核主成分一同提取线性主成分,通过构造统计量T2和SPE(或Q)进行故障检测。在TE(Tennessee-Eastman)过程上的仿真研究表明,本文提出的方法较PCA和KPCA有更高的故障检测精度。     

基于独立分量分析(ICA)与小波变换的过程监测方法

提出了一种ICA与小波变换技术相结合的过程监测方法。通过ICA方法分析出独立分量,经过小波分解后构造平均能量作为过程特征量。然后以相似度为监测指标实现过程监测。应用ICA方法比应用主分量(PCA)方法能更准确地提取非高斯分布信号信息,可以更加有效地实现对过程的监测。ICA能从原始的输入特征提取出更紧致、更适合后端处理的二次特征。由于二次特征能体现出数据中的本质信息,所以ICA方法相对于那些只考虑方差信息的特征提取方法有更好的性能。     

考虑随机风压场非高斯特性的大跨度膜屋盖风振响应

作用于大跨度膜屋盖结构上的随机风压场在统计意义上由高斯和非高斯区域构成。基于零记忆非线性转化法理论,提出了这种混合随机风压场的模拟方法,算例表明,生成的随机风压场样本能准确描述实验数据的各项统计特性。将生成的样本和利用传统方法生成的高斯随机风压样本作用于某膜屋盖结构,经风振时域分析后发现,高斯随机风压激励下结构部分构件的响应值比非高斯随机风压激励下的响应值低,这表明,随机风压荷载的非高斯特性不容忽视。文章还给出了结构不同构件的整体风振响应系数。     

基于两步子空间划分的化工过程监测方法

为了解决现代化工过程采集的数据维度高、分布复杂的问题,提出一种基于两步子空间(two step subspace division, TSSD)划分的化工过程监测方法。为了降低过程分析复杂度,将具有相似特性的变量划分为同一空间。考虑数据的复杂分布问题,将第一步得到的每个子空间划分为高斯空间与非高斯空间。利用主元分析(principal component analysis, PCA)和独立元分析(independent component analysis, ICA)方法建立检测模型并构造统计量。整合每个子空间的统计量并基于局部离群因子(local outlier factor, LOF)方法构建综合统计量。结果表明:TSSD方法对于16个故障均能取得最优的漏报率,尤其是故障10和故障16,漏报率分别为15.375%和6.75%,有效验证所提出的基于两步子空间划分的过程监测方法的优越性。     

大跨平屋盖表面非高斯风压峰值因子的研究

推导了一种计算非高斯风压时程峰值因子的解析方法。该方法利用Hermite矩模型将非高斯过程表示为标准高斯过程的表达式,并利用该表达式通过高斯过程的峰值因子最终推导出非高斯风压时程峰值因子的表达式。同时将该方法的计算结果与用极值概率分布计算的结果进行了对比,结果显示出该方法具有较好的计算效果。     

基于分数低阶统计量的时延估计算法性能分析

传统的时延估计算法大多建立在高斯模型的基础上,利用信号的二阶、高阶估计量,可以得到理想的结果.然而,现实中的信号往往都处在非高斯环境下,如通信线路瞬间尖峰和环境噪声等,这一类信号的时域波形中存在一个明显的峰值,这时利用α稳定分布模型可以较好地表述非高斯脉冲信号和噪声.因此有必要对α稳定分布模型下的,基于分数低阶统计量（FLOS）的时延估计算法进行研究.通过调整参数取值得到的仿真结果,证明了在非高斯情况下,基于FLOS的时延估计算法相对于传统算法估计效果更好.     

色噪声环境下宽带非高斯信号的测向算法

针对色噪声环境下宽带非高斯信号的DOA估计问题,提出了一种去噪与高阶累积量相结合的DOA估计新方法.该方法首先估计出噪声分量,尽可能去除噪声;然后对去噪信号进行聚焦,构造出聚焦后信号的四阶累计量矩阵.对各累计量矩阵的平均值做特征分解,再进行一维谱峰搜索,即可得到来波方向的估计值.该方法不仅适用于高斯色噪声,也适用于非高斯色噪声环境,且不需要知道噪声的原始分布信息.实验结果证明了该算法的有效性.     

小波域中的广义非局部平均去噪算法

图像小波系数的统计分布具有非高斯特性,可以用广义高斯模型进行描述．使用广义高斯分布对图像子带小波系数进行建模并估计广义高斯分布模型的参数,根据参数确定了非局部平均权值的广义表达式,在此基础上提出了一种基于广义高斯分布的小波域广义非局部平均去噪算法．仿真结果表明,相比小波域阈值去噪和小波域非局部平均去噪算法,该方法的峰值信噪比平均提高1.5～3.3dB,在边缘特征方面保持了良好的视觉效果．