核主元分析KPCA的降维特征提取以及故障检测应用-KPCA_v2.zip
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,
文件下载
资源详情
[{"title":"（ 19 个子文件 733KB ） 核主元分析KPCA的降维特征提取以及故障检测应用-KPCA_v2.zip","children":[{"title":"demo4.m <span style='color:#111;'> 1.03KB </span>","children":null,"spread":false},{"title":"refs","children":[{"title":"Deng_Tian_2011_A new fault isolation method based on unified contribution plots.pdf <span style='color:#111;'> 122.95KB </span>","children":null,"spread":false},{"title":"Lee et al_2004_Nonlinear process monitoring using kernel principal component analysis.pdf <span style='color:#111;'> 420.38KB </span>","children":null,"spread":false}],"spread":true},{"title":"data","children":[{"title":"circledata.mat <span style='color:#111;'> 15.37KB </span>","children":null,"spread":false},{"title":"train.mat <span style='color:#111;'> 79.10KB </span>","children":null,"spread":false},{"title":"test.mat <span style='color:#111;'> 149.73KB </span>","children":null,"spread":false}],"spread":true},{"title":"func","children":[{"title":"kpca_train.m <span style='color:#111;'> 3.52KB </span>","children":null,"spread":false},{"title":"plotCPs.m <span style='color:#111;'> 879B </span>","children":null,"spread":false},{"title":"comtupeLimit.m <span style='color:#111;'> 1.04KB </span>","children":null,"spread":false},{"title":"computeKM.m <span style='color:#111;'> 486B </span>","children":null,"spread":false},{"title":"normalize.m <span style='color:#111;'> 1.05KB </span>","children":null,"spread":false},{"title":"CPsKPCA.m <span style='color:#111;'> 2.49KB </span>","children":null,"spread":false},{"title":"kpca_test.m <span style='color:#111;'> 1.38KB </span>","children":null,"spread":false},{"title":"plotResult.m <span style='color:#111;'> 1019B </span>","children":null,"spread":false},{"title":"computeCPs.m <span style='color:#111;'> 2.37KB </span>","children":null,"spread":false},{"title":"constructAM.m <span style='color:#111;'> 749B </span>","children":null,"spread":false}],"spread":true},{"title":"demo3.m <span style='color:#111;'> 1019B </span>","children":null,"spread":false},{"title":"demo2.m <span style='color:#111;'> 818B </span>","children":null,"spread":false},{"title":"demo1.m <span style='color:#111;'> 833B </span>","children":null,"spread":false}],"spread":true}]
评论信息
其他资源
- MATLAB提取NASA电池数据放电循环容量Capacity
- GA-PLS 遗传算法部分最小二乘
- RouterOS 6.19正式版破解版 MikroTik RouterOS L6全功能版本 虚拟机导入即用
- 基于arduinod的色彩识别追踪小车
- matlab数字图像处理之图像几何变换
- PDF文档解密工具（非暴力破解），秒解出原文件！
- c#条形码、二维码生成与打印
- 利用TensorFlow构建LSTM对多维数据进行拟合
- C程序MODBUS协议
- C语言写的网吧管理系统
- filetool.exe
- 实验三 ASP.NET服务器控件练习
- 达内培训的C# PPT原版
- 基于SSM的住院管理系统
- QCOM骁龙处理器开发技术说明书 - Sectools- Debug Policy Tool.pdf
- 三维同步荧光结合平行因子算法研究丹参粉的荧光特征
- youdaoSDK.zip
- 通信系统仿真
- IDL数学函数与统计函数汇总
- 黑马Java基础笔记
- Android 应用微信授权登录,微信分享demo 源码
- windows xp ie8卸载工具.rar
- opencv tbb
- 基于VC + + 的无人机飞控地面站软件的开发
- MATLAB环境下图像分形维数的计算
免责申明
【只为小站】的资源来自网友分享，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论 【只为小站】 经营者是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二条之规定，若资源存在侵权或相关问题请联系本站客服人员，zhiweidada#qq.com，请把#换成@，本站将给予最大的支持与配合，做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明
本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二条之规定，若资源存在侵权或相关问题请联系本站客服人员，zhiweidada#qq.com，请把#换成@，本站将给予最大的支持与配合，做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明