PCA和KPCA算法用于TE过程的故障检测

KPCA代码及其实例详解，关于非线性降维的新手入门教学

这项工作提出了一种提取电流波形特征以识别家用电器的方法。 短时傅立叶变换（STFT）和内核PCA技术用于提取这些特征。 一旦定义了特征，分类器 k-最近邻 (kNN)、支持向量机 (SVM)、线性判别分析 (LDA)、随机森林 (RF) 和极限学习机 (ELM) 被用于设备（​​或组合）电器）标识。 PS：ELM算法摘自http://www.ntu.edu.sg/eee/icis/cv/egbhuang.htm并适应本工作

改进核主成分分析，有数据，有算例，流形学习结合核主成分分析，自己编写，仅供参考

人工智人-家居设计-基于KPCA-RPROP的大型复杂机电系统智能预警.pdf

PCA和KPCA及TSNE降维及二维三维可视化特征matlab程序包。 代码为博主自己编写，注释超详细，可设置多种参数，自己用直接换数据文件名称即可。 亲测可用，主程序里直接有三种方法对比可视化对比图，直接运行主程序即可！ 适用人群：信号处理，机器学习，深度学习研究者对信号进行特征分析以及特征提取。 KPCA核心：用核函数将数据实现非线性映射，然后再使用PCA进行降维 t-SNE数据算法的目的 主要是将数据从高维数据转到低维数据，并在低维空间里也保持其在高维空间里所携带的信息（比如高维空间里有的清晰的分布特征，转到低维度时也依然存在）。 TSNE目的：将高维数据降维并进行可视化，输入的数据为N个样本，每个样本具有M个特征（N_sample，M_feature）。输入的标签（N_sample，）。 基本原理：通过映射变换将每个数据点映射到相应的概率分布上。具体的是，在高维空间中使用高斯分布将距离转换为概率分布，在低维空间中，使用长尾分布来将距离转换为概率分布，从而是的高维度空间中的中低等距离在映射后能够有个较大的距离，使得降维时能够避免过多关注局部特征，而忽视全局特征。

基于 PCA 与 KPCA 的 TE 过程故障检测，MATLAB代码 + 文章！内含MATLAB源代码、PDF文档、word文档，做毕设或者做相关研究的人可以用到！

对于某hub上的资源做一些微调，一共有4个demo。demo1: dimensionality reduction or feature extraction demo2: fault detection for a numerical example demo3: fault detection and fault diagnosis for TE process using KPCA demo4: fault detection and fault diagnosis for TE process using Dynamic KPCA(DKPCA)

kpca提出者自己编写的matlab程序

KPCA做故障探测完整代码