此提交包含以下文件： 1）dataset.mat 2) KPCAsurface.m 3) PCAsurface.m 4）greenmag.m dataset.mat 包含取自模拟过程示例的二维数据集。 该数据用于训练和测试内核 PCA 以进行故障检测。 训练后，为输出数据空间中的每个位置计算广泛使用的用于故障检测的 T2 和 Q 统计指标，从而生成等高线图。 然后将 99% 显着性水平检测限叠加在地图上，作为数据空间的正常（绿色）和错误（品红色）区域之间的边界。 使用等高线图，人们可以将各种内核类型和参数选择对正常和故障过程状态之间的决策边界的影响可视化。 这项工作是对参考文献 [1] 中结果的补充。 进一步的工作可以通过调查内核行为对进程监控性能的影响来进行。 [1] KES Pilario、Y. Cao 和 M. Shafiee。 非线性动态过程中早期故障监测的混合核规范变量

基于小波变换的信号奇异性检测原理,提出了信号奇异点的定位及奇异性程度的检测方法,并利用Matlab仿真平台,对故障信号实例进行了仿真和分析。仿真结果表明,与传统的Fourier分析方法相比,该方法是一种简单、有效的检测方法,特别在非平稳信号的监测和机械故障诊断领域。利用此方法可以比较精确地判断出信号发生的奇异点时刻以及奇异程度的大小,并且边缘效应要小得多。

故障检测，分别是pls和pca，计算spe和t2控制量。

依据白噪声小波变换性态与信号奇异性相比具有显著不同的特点,在大尺度下设置阈值,去掉噪声信号而保留图像细节信号引起的模极大值点。在阈值设置问题上,采用自适应阈值的方法,克服单一阈值不能在每级尺度上将信号与噪声作最大分离的缺点。实验表明,与单一阈值去噪方法相比,该方法不仅可以保留图像边缘信息,而且能提高去噪后图像的峰值信噪比 2～5 dB。

一个自适应软阈值去噪的原程序，很实用，我用它解决了很多问题

PCA和KPCA算法用于TE过程的故障检测

提出一种基于非下采样Contourlet变换的径向基神经网络(RBF)自适应阂值去噪方法。在NSCT域通过RBF神经网络使目标误差函数GCV(T)的最小化,从而确定最优阂值,再通过软阂值函数去噪。利用NSCT的平移不变性来抑制伪Gibbs失真,从而能完整地保留图像的纹理和边缘等信息。实验结果表明,该方法可以有效去除高斯噪声,提高图像的峰值信噪比。

自适应阈值选择 基于小波函数分解的心电信号去噪

图像是人类感知世界的视觉基础，然而在人类通过视觉获取的大量图像信息中，并不是所有的信息内容都是我们所需要的，所以需要把图像分成若干个特定的、具有独特性质的区域。本文对图像分割方法进行了研究，给出了一种基于模糊逻辑的自适应阈值图像分割方法，并将其应用于车牌图像中，在MATLAB环境下对两幅典型图像通过Otsu方法、脉冲耦合神经网络算法和本文所提算法进行仿真分析，结果对比分析显示本文方法在综合方面略优于其他两种对比方法。