导读:本文包含了概率主成分分析论文开题报告文献综述及选题提纲参考文献，主要关键词:故障检测,多采样率过程,主成分分析,核方法
概率主成分分析论文文献综述
郑东磊,周乐,宋执环[1]（2019）在《基于多采样率概率核主成分分析模型的工业过程故障检测》一文中研究指出传统的基于多元统计分析的工业过程建模及其故障检测方法往往假设采样数据为同一采样率,而在实际生产过程中由于测量方式、控制需求等原因,收集的在线和离线过程变量与质量变量存在多采样率的特性。本文针对这一问题,并考虑工业数据的非线性特性,在多采样率的概率核主成分分析模型的基础上,采用核方法将模型拓展到非线性形式,提出了一种新的多采样率概率核主成分分析模型及其故障检测策略。该方法通过期望最大化训练模型参数,更准确地提取了数据的有效特征。最后,通过仿真例子验证了所提出方法的有效性。(本文来源于《第30届中国过程控制会议（CPCC 2019）摘要集》期刊2019-07-31）
高兵,孙琳,谢彪,王文佶,曲思杨[2]（2018）在《权重概率主成分分析模型的建立及应用研究》一文中研究指出目的建立权重概率主成分分析模型,通过模拟实验进行模型评价,选择最优模型进行代谢组学数据分析,为代谢组学数据分析提供降噪优化的分析方法。方法使用折刀抽样法计算变量载荷的置信区间和变异系数,利用变量载荷的变异信息设计倒数式、开根式、对数式叁种加权方式进行原始数据中的变量加权,结合概率主成分分析模型建立权重概率主成分分析模型;通过模拟实验从第一主成分载荷的估计和预测效能进行模型评价,选择最优权重概率主成分分析模型;绘制代谢组学数据主成分得分图,利用中心距离比较权重概率主成分分析模型与概率主成分分析模型在可视化分组效果。结果倒数式加权概率模型在第一主成分载荷的估计和模型预测方面优于另外两种权重概率模型。在可视化方面,权重概率主成分分析不仅缩小了模型估计的不确定性,而且增大组间的中心距离。结论构建了权重概率主成分分析模型,不仅结果解释和可视化优于概率主成分分析模型,而且为差异变量的筛选提供了一个较小的参考范围。(本文来源于《中国卫生统计》期刊2018年06期）
孙小军[3]（2018）在《基于双线性概率主成分分析的聚类算法研究》一文中研究指出聚类分析是根据事物自身的特性对被聚类对象进行类别划分的统计分析方法,在模式识别、生物医学以及图像分析等重要领域有着广泛的应用,使其成为一个十分活跃的研究方向。随着科学技术的飞速发展,数据集规模的不断扩大,各行各业中积累了大量且具有高维特性的数据,这些特征为数据分析提供了新的可能,但同时也是障碍。传统的聚类算法在处理低维数据时可以得到较稳定的聚类结果,但在高维数据的聚类过程中,会导致传统聚类算法失去聚类分析的意义,从而降低了聚类的有效性。为了能够很好地处理高维数据,聚类分析的研究方向将转移到高维空间上,包括对高维数据的预处理或者数据降维技术的运用。数据降维技术不仅可以有效解决高维数据中的‘维数灾难’问题,降低数据复杂度,还可以减少数据中的噪声和冗余,提炼出人们感兴趣的数据结构,以便能进行更好地分析和研究。为了在聚类算法中实现降维,学者们将聚类算法中的混合模型聚类方法和降维技术中的主成分分析方法进行结合,提出了混合概率主成分分析模型(MPPCA),该模型能同时实现降维和聚类。但对于高维数据(例如图像数据),MPPCA模型的处理方法是将矩阵拉直后进行运算,这样很容易造成维数灾难。为了能更好地处理高维数据,本文在现有的降维模型和聚类模型的基础上,提出了基于二维矩阵型数据的降维方法,更好地改进了高效处理高维数据的聚类方法。全文主要工作包括如下:1.在基于二维矩阵型数据降维方法的双线性概率主成分分析模型(BPPCA)的基础上,结合混合模型,提出了混合双线性概率主成分分析模型(MBPPCA),分析说明了该模型的理论性质。2.对于本文提出的模型的参数估计问题,在EM算法的基础上,给出了ECM算法和AECM算法两种方法来对参数进行估计,并分析了两种算法的计算复杂度,结果显示AECM算法的计算复杂度要明显小于ECM算法的。通过数据模拟,分析比较了两种估计算法的估计精确性和算法收敛性等两方面的性质,结果表明随着样本量的增加,两种算法的估计值不断逼近参数真实值,并且两种算法的估计精度都比MPPCA模型中的参数估计方法要高,ECM算法的收敛速度比AECM算法的要快些。3.对本文提出的模型和已有的PPCA模型在手写数字识别数据库和UMIST人脸数据库上进行试验分析,比较模型的识别效果。对于手写数字识别数据库,本文比较了MBPPCA模型和MPPCA模型在聚成不同的类别和降成不同的维数时的识别效果。结果表明对于该数据库MBPPCA模型的识别效果比MPPCA模型的差些,这与理论推导有些不符,具体原因有待进一步研究。对UMIST人脸数据库,本文比较了BPPCA模型、MPPCA模型和MBPPCA这叁个模型,在选取不同训练样本数、不同降维数和不同类别数上进行人脸识别分析,选取不同降维数上的最优识别率,结果显示MBPPCA模型在不同训练样本数和不同类别上的识别效果都要比BPPCA模型和MPPCA模型的好,说明本文提出的模型在该数据库的识别效果比较好。(本文来源于《云南财经大学》期刊2018-06-05）
赵广振,张翠肖,武辉林,高婧,李旋[4]（2018）在《基于主成分分析和概率神经网络的入侵检测方法》一文中研究指出针对神经网络在入侵检测的应用中存在入侵数据冗余信息多,数据量大,训练时间长,易陷入局部最优等问题,提出了一种基于主成分分析(PCA)和概率神经网络(PNN)的入侵检测方法。首先使用PCA对数据进行特征降维,解决了入侵数据冗余信息多的问题;然后使用PNN建立入侵检测模型;其次,使用粒子群算法(PSO)解决概率神经网络参数的优化问题;最后使用KDD99数据集对该模型进行测试。实验结果表明:该方法能够有效提高检测的效果,而且检测速度明显提高。(本文来源于《石家庄铁道大学学报(自然科学版)》期刊2018年01期）
胡爱军,南冰[5]（2017）在《基于自适应概率主成分分析的滚动轴承故障特征增强方法》一文中研究指出针对实际工程中滚动轴承微弱故障信号特征难以提取的问题,提出了一种新的自适应概率主成分分析(Adaptive Probabilistic Principal Component Analysis,APPCA)的轴承故障特征增强方法。概率主成分分析(Probabilistic Principal Component Analysis,PPCA)能够提取信号的主要故障特征,去除背景噪声干扰,但结果易受到主成分数与原始变量维数选择的影响。为了自适应实现最佳分析结果,利用粒子群算法多参数寻优特性,根据最大峭度准则确定影响PPCA的最佳影响参数组合。原信号通过APPCA方法处理后,背景噪声得到有效抑制,故障特征得到增强,最后通过包络分析识别故障特征。仿真和实验结果证明了该方法的有效性。(本文来源于《振动与冲击》期刊2017年19期）
李彬,李辉,郭淞云[6]（2017）在《基于t分布扩展概率主成分分析模型的一维距离像识别方法》一文中研究指出该文针对概率主成分分析(PPCA)模型用于1维高分辨距离像(HRRP)识别对噪声敏感的问题,对经典PPCA模型进行修正。该方法将基于高斯分布的PPCA模型扩展为基于t分布的PPCA模型,能够综合利用t分布对噪声稳健和PPCA模型自由参数少的特性。同时为了减少目标方位敏感性对HRRP统计建模的影响,进一步将t分布模型扩展为混合概率t分布模型,能够以分布趋同的原则将不同方位帧内具有相同统计特性的HRRP数据进行聚类,减少模型的失配,改善识别性能。模型参数通过期望最大值(EM)算法估计,可提高计算效率。最后,通过贝叶斯规则,以获取的统计特征识别测试数据,仿真结果表明该方法能够提高低信噪比条件下PPCA模型的稳健性。(本文来源于《电子与信息学报》期刊2017年08期）
李彬,李辉[7]（2017）在《基于混合概率主成分分析的HRRP特征提取》一文中研究指出针对主成分分析(principal component analysis,PCA)等数据压缩方法用于雷达高分辨距离像(high resolution range profile,HRRP)的特征提取,只能反映固定方位帧内HRRP线性结构,而无法准确描述目标,导致识别性能下降的问题,提出了一种基于混合概率PCA的HRRP特征提取方法。该方法利用期望最大值(Expectation maximization,EM)算法求解HRRP的一、二阶统计参数,能够真实反映数据分布,以分布趋同的原则实现不同方位帧的聚类,减少模板数量。最后通过自适应高斯分类器和Kullback-Leibler距离分类器识别获取的统计特征,可进一步改善识别性能。仿真实验验证了该方法能够在降低数据维数的同时,实现HRRP统计特征的提取,能一定程度上削弱方位敏感性的影响。(本文来源于《系统工程与电子技术》期刊2017年01期）
杨芸,李彪,王帅磊[8]（2016）在《一种鲁棒的概率核主成分分析模型》一文中研究指出大数据时代面临的数据维数越来越高,对数据降维处理越发显得重要。经典的主成分分析模型已被证明是一种有效的数据降维方法。但它在处理非线性、存在噪声和异常点的数据时存在效果较差的问题。对此,文章提出了一种鲁棒概率核主成分分析模型。该模型将核方法与基于高斯隐变量模型的极大似然框架相结合,用多元t分布作为先验分布,以同时解决主成分分析在这3个方面的弊端。提出混合鲁棒概率核主成分分析模型,使其可直接用于对混合的非线性数据进行降维和聚类分析。在不同数据集上进行的实验结果表明,与标准的混合概率核主成分分析模型相比,文中模型在数据聚类方面有更高的准确率。(本文来源于《海军航空工程学院学报》期刊2016年04期）
李肃义,嵇梦颖,徐壮,王跃洋,申博文[9]（2016）在《概率主成分分析联合支持向量机的前列腺SELDI-TOF质谱数据分析方法研究》一文中研究指出基于前列腺癌检测中获取的表面增强激光解吸/离子化飞行时间质谱(SELDI-TOF-MS)数据,提出一种概率主成分分析(PPCA)联合支持向量机(SVM)的分类方法。对临床322例血清样本的质谱数据进行特征提取,以随机选取训练样本集(225例)构造SVM判别模型,对剩余样本集(97例)进行测试。采用均方根误差、识别率与预测率指标,将所构造的PPCA-SVM模型分别与偏最小二乘(Partial least squares,PLS)和PCA-SVM模型进行比较,发现PLS模型的识别率和预测率分别为90.92%和76.38%,PCA-SVM模型分别为99.23%和84.63%,而PPCA-SVM模型分别为99.01%和90.41%。因此SELDI-TOF-MS技术结合PPCA-SVM在样品分类中具有准确、重复性好等优点,为前列腺癌早期诊断提供了一种新方法。(本文来源于《分析测试学报》期刊2016年01期）
陆超,陈捷,洪荣晶[10]（2015）在《采用概率主成分分析的回转支承寿命状态识别》一文中研究指出针对回转支承故障特征微弱以及难以提取的特点,提出一种基于概率主成分分析(probabilistic principal component analysis,PPCA)的多领域特征提取方法。该方法从振动信号的时域和时频域中提取出多个能够表征回转支承运行状态的特征向量,并将其组成高维特征集。采用PPCA从高维特征集中提取出最能够反映回转支承寿命状态信息的特征量,将其输入粒子群算法优化的支持向量机中进行寿命状态的识别。通过回转支承全寿命实验证明,基于PPCA的特征提取方法优于传统的主成分分析(principal component analysis,PCA),其相应的寿命状态识别精度提高了约8%,并且多领域、多变量的特征更能全面反映回转支承的性能退化趋势。与传统的特征提取方法相比,所提方法能够更全面有效地反映复杂恶劣环境下回转支承的故障信息,因此可以用于回转支承的健康监测领域。(本文来源于《西安交通大学学报》期刊2015年10期）
概率主成分分析论文开题报告
（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：
目的建立权重概率主成分分析模型,通过模拟实验进行模型评价,选择最优模型进行代谢组学数据分析,为代谢组学数据分析提供降噪优化的分析方法。方法使用折刀抽样法计算变量载荷的置信区间和变异系数,利用变量载荷的变异信息设计倒数式、开根式、对数式叁种加权方式进行原始数据中的变量加权,结合概率主成分分析模型建立权重概率主成分分析模型;通过模拟实验从第一主成分载荷的估计和预测效能进行模型评价,选择最优权重概率主成分分析模型;绘制代谢组学数据主成分得分图,利用中心距离比较权重概率主成分分析模型与概率主成分分析模型在可视化分组效果。结果倒数式加权概率模型在第一主成分载荷的估计和模型预测方面优于另外两种权重概率模型。在可视化方面,权重概率主成分分析不仅缩小了模型估计的不确定性,而且增大组间的中心距离。结论构建了权重概率主成分分析模型,不仅结果解释和可视化优于概率主成分分析模型,而且为差异变量的筛选提供了一个较小的参考范围。
（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。
概率主成分分析论文参考文献
[1].郑东磊,周乐,宋执环.基于多采样率概率核主成分分析模型的工业过程故障检测[C].第30届中国过程控制会议（CPCC2019）摘要集.2019
[2].高兵,孙琳,谢彪,王文佶,曲思杨.权重概率主成分分析模型的建立及应用研究[J].中国卫生统计.2018
[3].孙小军.基于双线性概率主成分分析的聚类算法研究[D].云南财经大学.2018
[4].赵广振,张翠肖,武辉林,高婧,李旋.基于主成分分析和概率神经网络的入侵检测方法[J].石家庄铁道大学学报(自然科学版).2018
[5].胡爱军,南冰.基于自适应概率主成分分析的滚动轴承故障特征增强方法[J].振动与冲击.2017
[6].李彬,李辉,郭淞云.基于t分布扩展概率主成分分析模型的一维距离像识别方法[J].电子与信息学报.2017
[7].李彬,李辉.基于混合概率主成分分析的HRRP特征提取[J].系统工程与电子技术.2017
[8].杨芸,李彪,王帅磊.一种鲁棒的概率核主成分分析模型[J].海军航空工程学院学报.2016
[9].李肃义,嵇梦颖,徐壮,王跃洋,申博文.概率主成分分析联合支持向量机的前列腺SELDI-TOF质谱数据分析方法研究[J].分析测试学报.2016
[10].陆超,陈捷,洪荣晶.采用概率主成分分析的回转支承寿命状态识别[J].西安交通大学学报.2015