导读:本文包含了加权主元分析论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:故障,微小,多维,表情,多项式,指数,过程。
加权主元分析论文文献综述
邓佳伟,邓晓刚,曹玉苹,张晓玲[1]（2019）在《基于加权统计局部核主元分析的非线性化工过程微小故障诊断方法》一文中研究指出传统统计局部核主元分析(statistical local kernel principal component analysis, SLKPCA)在构造改进残差时未考虑样本的差异性,使得故障样本信息易于被其他样本所掩盖,针对该问题,提出一种基于加权统计局部核主元分析(weighted statistical local kernel principal component analysis, WSLKPCA)的非线性化工过程微小故障诊断方法。该方法首先利用KPCA获取过程的得分向量和特征值并构建初始残差。然后设计了一种基于测试样本与训练样本之间距离的加权策略构建加权改进残差,对含有较强微小故障信息的样本赋予较大权值,以增强故障样本的影响。最后,采用基于测量变量与监控统计量之间的加权互信息构建贡献图以识别故障源变量。在连续搅拌反应釜和田纳西伊斯曼(Tennessee Eastman, TE)化工过程上的仿真结果表明,所提方法具有良好的微小故障检测与识别性能。(本文来源于《化工学报》期刊2019年07期）
郭小萍,李克勤,李元[2]（2018）在《基于近邻距离加权主元分析的故障定位》一文中研究指出随着现代工业过程越来越复杂,采集到的数据量也越来越大,数据集中各个变量之间存在相互影响,一些传统的故障定位方法不能达到满意的定位效果.因此,在主元分析(PCA)故障定位方法的基础上,采用正常工况样本近邻距离对样本进行加权的方法,将每个样本与其最近邻样本的距离作为加权因子,削弱变量之间的相互影响,降低拖尾效应,改进PCA的故障定位效果.首先,对样本进行预处理并加权;然后,利用加权后正常工况的样本建立主元监视模型,在线监视过程中,在发生故障时刻,根据之前建立的模型计算相应时刻加权样本的重构监视统计量和每个变量的重构贡献值,通过最大贡献率法对变量进行逐步定位;最后在数值案例和TE过程进行仿真研究,并与基于PCA故障定位方法进行比较,结果表明了所提方法的有效性.(本文来源于《沈阳化工大学学报》期刊2018年03期）
郭金玉,王鑫,李元[3]（2018）在《基于加权差分主元分析的化工过程故障检测》一文中研究指出针对工业生产过程的多模态和非线性特性,提出了一种新的基于加权差分主元分析的故障检测算法。首先选取原始数据样本的最近邻xf以及xf的前k个近邻,分别计算出xf的前j个近邻样本的均值mj和权值wj,利用加权差分的方法对原始数据进行预处理,剔除多模态和非线性特征;然后利用主元分析法(PCA)计算出负载矩阵P以及SPE和T2检测指标的控制限,建立PCA模型;最后将待检测数据运用加权差分法预处理后投影到PCA模型上计算检测指标,通过检测指标是否超过控制限进行故障检测。将该方法应用于数值例子和半导体生产过程来验证其有效性。(本文来源于《高校化学工程学报》期刊2018年01期）
赵帅,宋冰,侍洪波[4]（2018）在《基于加权互信息主元分析算法的质量相关故障检测》一文中研究指出质量相关的故障检测已成为近几年研究热点,它的目标是在过程监测中,对质量相关的故障检测率更高,对质量无关的故障少报警或不报警。传统主元分析算法的故障检测会对所有故障均报警,不能达到上述要求。另外,在实际工业生产中,质量变量通常难以实时获得,需要后续分析或延时得到。为此,提出一种融合贝叶斯推断与互信息的加权互信息主元分析算法。首先利用贝叶斯推断的加权方法将度量过程变量和质量变量之间相关关系的互信息进行融合,选出包含质量变量信息量最大的一组过程变量。然后对过程变量利用主元分析(principal component analysis,PCA)进行统计建模,再次根据加权互信息选出包含质量变量信息量最大的主元,建立统计量进行故障检测。最后,通过实验验证该方法的可行性和有效性。(本文来源于《化工学报》期刊2018年03期）
邱天,白晓静,郑茜予,朱祥[5]（2014）在《多元指数加权移动平均主元分析的微小故障检测》一文中研究指出主元分析(principal component analysis,PCA)是一种有效的数据分析方法,在故障诊断与状态监测方面已得到广泛应用.多元指数加权移动平均–主元分析(multivariate exponentially weighted moving average principal component analysis,MEWMA–PCA)方法用于解决PCA不能有效检出微小故障的问题.本文深入研究了MEWMA–PCA中EWMA影响主元分析进行故障检测的机制,导出了MEWMA–PCA可检出微小故障的原因.本文确定了MEWMA–PCA中遗忘因子λ、单传感器故障幅值和迟延时间三者的关系,并进行了数值仿真和火电厂磨煤机组运行状态的仿真实验.实验结果验证了MEWMA–PCA中EWMA提高PCA的监测性能的机制,并给出了根据系统实际要求来选取合适的遗忘因子值,从而在规定的时间内检出微小故障的实例.(本文来源于《控制理论与应用》期刊2014年01期）
郭小芳,张绛丽[6]（2011）在《基于加权范数的多维时间序列相似性主元分析》一文中研究指出为提高多维时间序列相似性搜索的效率,利用多维时间序列的协方差矩阵的特征值和特征向量构造加权Frobe-nius范数,将其作为多维时间序列主元之间距离,并将其用于对多维时间序列主元相似度的度量.在相似性搜索算法中分别采用不同的相似性度量方法作比较.实验结果表明,相对于其他的传统多维时间序列相似性度量方法,这种基于加权Frobenius范数的方法在查全率和查准率上具有更大的优越性.(本文来源于《江苏科技大学学报(自然科学版)》期刊2011年05期）
姜万录,吴胜强,刘思远[7]（2011）在《指数加权动态核主元分析法及其在故障诊断中应用》一文中研究指出核主元分析法能充分利用核函数来解决非线性问题,具有很好的非线性逼近能力,但传统的核主元分析不能处理动态问题。在分析核主元分析法的基础上,提出一种新的指数加权核主元分析算法,建立一个多变量加权自回归统计核主元模型,选择Q统计量来判断系统是否发生故障,给出指数加权核主元分析法诊断故障的具体计算步骤。对液压泵进行了试验,利用小波包对液压泵端盖的振动信号进行处理,提取由13个时域和时频域特征量构成的故障特征矢量。试验结果表明,与传统的核主元分析法相比,新方法能实时更新主元模型和控制限Qa,合理地利用实时动态信息,能较好地处理动态问题,通过计算比较选择合适的加权因子,能获得良好的故障诊断效果,该方法是可行而有效的。(本文来源于《机械工程学报》期刊2011年03期）
胡超,喻文健,Sheldon,X,D,Tan[8]（2010）在《加权主元分析在统计互连寄生参数提取中的应用》一文中研究指出针对随机工艺变动引起的统计寄生参数提取问题,采用Hermite多项式配置法提出加权主元分析技术来对随机变量进行消减,以减少独立变量数目,提高计算效率.在此基础上,利用并行计算技术,进一步减少统计寄生参数提取的运行时间.数值实验结果表明,相对于普通的主元分析,采用文中的加权主元分析能在同等精度情况下使寄生参数提取速度提高几倍至几十倍,而在含8个CPU计算机上的并行计算也取得了6.7倍的加速比.(本文来源于《计算机辅助设计与图形学学报》期刊2010年11期）
赵堃,华宇宁[9]（2008）在《基于小波变换及加权主元分析的人脸表情识别》一文中研究指出为了更准确地识别人脸的表情信息,采用加权主元分析识别人脸表情.首先通过小波变换进行图像分解来抽取面部区域的有效鉴别特征,然后将特征加权和主元分析相结合,根据加权重建误差最小化,计算出各类训练样本的加权子空间,最后计算测试样本到加权子空间的Mahalanobis距离,并根据距离进行分类识别.通过CMU人脸表情数据库试验证明,该方法与传统的主元分析相比可以在不增加运算量的情况下大大提高识别率.(本文来源于《沈阳理工大学学报》期刊2008年02期）
韩金玉,赵瑞[10]（2008）在《基于双向二维加权主元分析的人脸表情识别》一文中研究指出提出了一种双向二维加权主元分析方法用于人脸表情特征提取,该方法从水平和垂直两个方向对图像矩阵进行降维处理,大幅降低了所提取的特征数目;且考虑到人脸不同部位包含不同的表情信息这一特点,对各个特征赋予不同的权重系数。实验证明,与已有的二维主元分析相比较,该方法不但运算速度快,且获得了更高的识别率。(本文来源于《计算机工程与应用》期刊2008年10期）
加权主元分析论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着现代工业过程越来越复杂,采集到的数据量也越来越大,数据集中各个变量之间存在相互影响,一些传统的故障定位方法不能达到满意的定位效果.因此,在主元分析(PCA)故障定位方法的基础上,采用正常工况样本近邻距离对样本进行加权的方法,将每个样本与其最近邻样本的距离作为加权因子,削弱变量之间的相互影响,降低拖尾效应,改进PCA的故障定位效果.首先,对样本进行预处理并加权;然后,利用加权后正常工况的样本建立主元监视模型,在线监视过程中,在发生故障时刻,根据之前建立的模型计算相应时刻加权样本的重构监视统计量和每个变量的重构贡献值,通过最大贡献率法对变量进行逐步定位;最后在数值案例和TE过程进行仿真研究,并与基于PCA故障定位方法进行比较,结果表明了所提方法的有效性.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
加权主元分析论文参考文献
[1].邓佳伟,邓晓刚,曹玉苹,张晓玲.基于加权统计局部核主元分析的非线性化工过程微小故障诊断方法[J].化工学报.2019
[2].郭小萍,李克勤,李元.基于近邻距离加权主元分析的故障定位[J].沈阳化工大学学报.2018
[3].郭金玉,王鑫,李元.基于加权差分主元分析的化工过程故障检测[J].高校化学工程学报.2018
[4].赵帅,宋冰,侍洪波.基于加权互信息主元分析算法的质量相关故障检测[J].化工学报.2018
[5].邱天,白晓静,郑茜予,朱祥.多元指数加权移动平均主元分析的微小故障检测[J].控制理论与应用.2014
[6].郭小芳,张绛丽.基于加权范数的多维时间序列相似性主元分析[J].江苏科技大学学报(自然科学版).2011
[7].姜万录,吴胜强,刘思远.指数加权动态核主元分析法及其在故障诊断中应用[J].机械工程学报.2011
[8].胡超,喻文健,Sheldon,X,D,Tan.加权主元分析在统计互连寄生参数提取中的应用[J].计算机辅助设计与图形学学报.2010
[9].赵堃,华宇宁.基于小波变换及加权主元分析的人脸表情识别[J].沈阳理工大学学报.2008
[10].韩金玉,赵瑞.基于双向二维加权主元分析的人脸表情识别[J].计算机工程与应用.2008
论文知识图
