Gauss完全主元消去法 matlab代码

高斯列主元消去法的数学原理及matlab成粗源代码

4基于PCA_RBF神经网络的WSN数据融合轴承故障诊断_徐桂云.caj

C语言实现列主元高斯消元法.cpp

主元分析（PCA）MATLAB实现（NIPLS）+实例

LU分解法且是列主元三角分解法MATLAB代码，有详细注释，顺着思路看容易理解

核主成分分析算法，可以应用于过程监测和预警方面，计算SPE和T2指标进行表征。还可以进行降维。

高斯列主元消去法解线性方程组的实现

核主元分析KPCA的降维特征提取以及故障检测应用-KPCA_v2.zip 本帖最后由 iqiukp 于 2018-11-9 15:02 编辑      核主元分析（Kernel principal component analysis ，KPCA）在降维、特征提取以及故障检测中的应用。主要功能有：（1）训练数据和测试数据的非线性主元提取（降维、特征提取） （2）SPE和T2统计量及其控制限的计算 （3）故障检测 参考文献： Lee J M, Yoo C K, Choi S W, et al. Nonlinear process monitoring using kernel principal component analysis[J]. Chemical engineering science, 2004, 59: 223-234. 1. KPCA的建模过程（故障检测）： （1）获取训练数据（工业过程数据需要进行标准化处理） （2）计算核矩阵 （3）核矩阵中心化 （4）特征值分解 （5）特征向量的标准化处理 （6）主元个数的选取 （7）计算非线性主成分（即降维结果或者特征提取结果） （8）SPE和T2统计量的控制限计算 function model = kpca_train % DESCRIPTION % Kernel principal component analysis % %       mappedX = kpca_train % % INPUT %   X            Training samples %                N: number of samples %                d: number of features %   options      Parameters setting % % OUTPUT %   model        KPCA model % % % Created on 9th November, 2018, by Kepeng Qiu. % number of training samples L = size; % Compute the kernel matrix K = computeKM; % Centralize the kernel matrix unit = ones/L; K_c = K-unit*K-K*unit unit*K*unit; % Solve the eigenvalue problem [V,D] = eigs; lambda = diag; % Normalize the eigenvalue V_s = V ./ sqrt'; % Compute the numbers of principal component % Extract the nonlinear component if options.type == 1 % fault detection     dims = find) >= 0.85,1, 'first'); else     dims = options.dims; end mappedX  = K_c* V_s ; % Store the results model.mappedX =  mappedX ; model.V_s = V_s; model.lambda = lambda; model.K_c = K_c; model.L = L; model.dims = dims; model.X = X; model.K = K; model.unit = unit; model.sigma = options.sigma; % Compute the threshold model.beta = options.beta;% corresponding probabilities [SPE_limit,T2_limit] = comtupeLimit; model.SPE_limit = SPE_limit; model.T2_limit = T2_limit; end复制代码2. KPCA的测试过程： （1）获取测试数据（工业过程数据需要利用训练数据的均值和标准差进行标准化处理） （2）计算核矩阵 （3）核矩阵中心化 （4）计算非线性主成分（即降维结果或者特征提取结果） （5）SPE和T2统计量的计算 function [SPE,T2,mappedY] = kpca_test % DESCRIPTION % Compute the T2 statistic, SPE statistic,

本文从基于数据驱动的故障诊断方法出发，主要研究了动态主元分析(DPCA)算 法离线和在线的自适应故障诊断过程，本文的主要工作和贡献如下： (1)阐述了故障诊断的研究现状，并从定性分析和定量分析角度研究了故障诊断 方法的分类，其中着重研究了DPCA算法理论及其发展过程。详细总结分析了工业过程 数据动态性(数据的自相关性)产生的原因及其影响； (2) 研究了多维小波去噪算法和自适应主元分析算法，包括递推主元分析 (RPCA))算法、滑动窗主元分析(MWPCA)算法和指数加权主元分析(EWPCA)算 法。 (3)提出了一种基于小波去噪和DPCA相结合的故障诊断方法。该方法利用小波 去噪算法对构建的动态增广矩阵数据进行处理，提高了动态PCA算法的计算效率。通 过分别对ffl纳西．伊斯曼过程(Tennessee Eastman Process，TEP)的典型故障和轧钢过程 的断带故障的仿真研究，验证了提出方法的有效性。