导读:本文包含了鲁棒化主元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:高炉,故障检测,主成分追踪,数据驱动
鲁棒化主元分析论文文献综述
潘怡君[1]（2018）在《基于鲁棒主元分析方法的大型高炉故障检测研究》一文中研究指出高炉炼铁是国家经济体系的支柱产业,一旦发生异常工况,造成的经济损失和安全危害是非常严重的。因此,为了保证高炉设备的安全可靠地运行,异常工况检测是十分必要的。目前在大型高炉系统中,主要有叁种故障检测的方法,基于模型的方法,基于知识的方法以及基于数据驱动的方法。近些年来,随着集散控制系统的广泛发展,海量的过程数据被系统采集。基于数据驱动的方法和其他两种方法相比,不需要准确的过程机理模型以及专家知识的长时间积累,因此被广泛地应用在大型高炉系统的故障检测中。大型高炉生产过程运行在高温、高压以及高粉尘的情况下,是一个时刻发生各种物理化学反应的复杂流程,同时大型高炉是一个半自动化的生产设备,需要现场操作人员人为地调整生产参数。因此,在设备采集到的训练数据矩阵中,可能会包含大量的过程噪声、离群点以及小故障,而使用传统的数据驱动方法进行故障检测可能会导致较差的检测效果。在本文中,作者分别针对高炉过程中出现的过程噪声、离群点以及小故障叁种情况进行研究,并分别在数值仿真、TE过程、大型高炉冶炼过程上做了相应的仿真验证。全文的主要内容如下:(1)针对大型高炉系统采集到的数据包含过程噪声的问题,利用了主成分追踪方法进行故障检测,并提出了相应的基于相关系数的统计量。该方法是一个在线故障检测的方法,分别将训练矩阵和由训练矩阵与测试矩阵组成的新测试矩阵利于主成分追踪方法进行分解,得到后续用来故障检测的低秩矩阵和稀疏矩阵。其中训练矩阵分解得到的低秩矩阵包含的是过程的重要信息,稀疏矩阵包含的是过程可能存在的噪声。之后在低秩矩阵中利用Hotelling'sT2统计量,在稀疏矩阵中利用提出的基于相关系数的统计量,判断设备当前的工况。和传统的故障检测方法相比,主成分追踪方法可以有效地消除过程噪声的影响,同时对数据的特征不加以限制,数据类型可以满足非线性、非高斯性等特征。(2)针对大型高炉系统采集到的数据存在离群点的问题,提出改进的主成分追踪方法进行故障检测,并且建立了相应的统计量。该方法首先求解一个凸优化函数,得到一个低秩系数矩阵和一个稀疏矩阵。其中低秩系数矩阵包含过程变量之间的重要关系,是在移除离群点的条件下得到的变量关系,消除了离群点的影响,具有鲁棒性;稀疏矩阵包含过程中可能存在的离群点等。之后,利用低秩系数矩阵以及变量之间的相关关系,构建故障检测统计量。该方法是在移除离群点等异常值的情况下得到的过程变量关系,不仅消除了异常值的影响,还得到了变量之间的本质关系,提高了故障检测的效果。(3)针对大型高炉系统采集到的数据存在小故障的问题,提出鲁棒的主成分追踪方法进行故障检测,并对该方法的收敛性进行了证明。小故障的出现可能是因为高炉炉温的微小变化、部分进料不能正常下降等原因,是发生在一段时间内一个或多个变量上的异常工况,与离群点的特征有所不同,因此需要新的方法进行故障检测。本文提出的鲁棒主成分追踪方法是通过求解一个凸优化函数,将小故障同时从训练数据矩阵的行和列分离出来,得到一个不包含小故障的训练矩阵。之后,和主元分析方法相同,利用Hotelling'sT2统计量对高炉数据进行故障检测。文章的最后对全文做了总结,并展望了未来的研究方向。(本文来源于《浙江大学》期刊2018-04-01）
宦国强[2]（2016）在《鲁棒主元分析算法及其应用》一文中研究指出近年来,鲁棒主元分析(RPCA)问题成为信号处理领域的国际热点问题之一。作为数据分析的经典方法,RPCA被广泛应用于机器学习和计算机视觉领域。例如,视频监测,人脸识别,子空间聚类等。目前RPCA方法主要分为两大类:低秩矩阵分析方法和贝叶斯方法。此外,低秩矩阵分解(LRMF)问题也与RPCA问题密切相关。本文首先分析了低秩部分和稀疏部分的特征,然后综合贝叶斯模型、伊辛模型和信号模型建立了一种混合模型的框架,即贝叶斯-伊辛-信号(BIS)混合模型。同时从理论上证明了该模型同RPCA模型的等价性,还进一步分析了模型和截断SVD分解问题的优劣。其次,本文基于稀疏贝叶斯学习和马尔科夫随机场提出了一种新颖的BIS算法。由于RPCA问题的传统模型一般假定噪声是稀疏的,利用l1范数估计误差项,而实际中稀疏噪声有聚集效应,这导致仅利用某一类lp范数无法满足模型的精度要求。BIS算法针对矩阵分解的形式提出低秩条件限制,而稀疏部分则引入连续先验加以约束,达到了同时估计低秩矩阵和奇异值支撑矩阵的目的。此外,为保证未知矩阵的矩阵分解有低秩解,变量和参数引入相同稀疏轮廓的独立先验分布条件,并利用变分贝叶斯推断后验近似。进一步地,考虑到奇异值的空间分布特征,利用马尔科夫随机场引入连续先验来估计奇异值支撑矩阵。最后利用模拟数据和真实数据对BIS算法进行了分析和验证。实验结果表明,该算法对低秩矩阵的恢复和奇异值矩阵的检测效果显着。通过与现有的同类算法比较,BIS算法不仅提高了精度和速度,还能有效地处理更复杂的信息,具有较好的鲁棒性。(本文来源于《天津大学》期刊2016-05-01）
吴益锋,朱恒亮,曾璇[3]（2016）在《鲁棒主元分析和稀疏表示方法在模拟电路错误检测中的应用》一文中研究指出模拟电路错误检测问题,即重点是检测出模拟电路芯片存在错误后确定错误元件或参数的问题,对于进一步明确错误产生原因,在设计或制造中加以改进,有重要的意义.经典做法是通过预先设置错误,并仿真得到其对应的响应数据,构造"错误字典",然后将测试信号与错误字典进行比对,识别其属于哪一类错误类型.本文提出一种基于数据稀疏表示方法来进行错误类型识别的新方法,它计算属于不同错误类型的数据在所有类型的数据构成的空间中的展开向量,根据得到的稀疏向量来判断其所属错误类型.对于稀疏表示方法无法进行准确分类识别的情况,采用SVM作为二级分类器进行修正.存在某些错误类型,其响应数据构成的空间之间线性相关性较强,对于稀疏表示后属于其中之一类型的数据,采用传统的SVM方法来加以辅助分类.在两个实验例子中,与SVM,Ada Boost以及没有加SVM辅助分类的单纯稀疏表示方法相比较,本文方法有更高的错误类型识别正确率.(本文来源于《复旦学报(自然科学版)》期刊2016年01期）
刘中杰,曹云峰,庄丽葵,丁萌[4]（2014）在《基于鲁棒主元分析的SAR图像目标分割》一文中研究指出合成孔径雷达(SAR)图像的目标分割,是SAR图像自动目标识别的关键预处理步骤。与一般SAR图像目标区域分割方法不同,鲁棒主元分析融合了主元分析(PCA)与压缩感知(CS)理论中稀疏矩阵的先进思路,利用多帧具有相似性的SAR图像,构建一个观测矩阵D,通过求解一个凸优化问题,重建出一个低秩矩阵A和一个稀疏矩阵E。将矩阵A和E的列向量矩阵化,即可完成SAR图像目标与背景的分离。实验结果表明,鲁棒主元分析算法避免了复杂的SAR图像背景建模,针对同一目标的多帧SAR图像,所提方法对SAR图像目标和背景的分割问题具有可行性和有效性;与经典的最优阈值分割算法相比,误分率明显降低。(本文来源于《科学技术与工程》期刊2014年05期）
王健,韩志艳[5]（2013）在《鲁棒主元分析及在故障诊断中的应用》一文中研究指出在故障诊断过程中,传统的主元分析(Principal Component Analysis,PCA)算法,假设建模使用的历史数据为正常模式下采集的纯净数据,而在工业现场这一假设难以满足。针对传统PCA算法的这一缺陷,文中提出一种鲁棒PCA算法。该算法利用流形学习的思想,通过构造数据间近邻图的方式,计算各数据点的能量密度函数,并以此为依据去除历史数据中混杂的噪声和故障数据,增强PCA算法的鲁棒性。同时在文中给出了鲁棒PCA算法在故障诊断中的应用步骤,并通过对Tennessee Eastman过程的仿真研究,验证了鲁棒PCA算法在故障诊断中的可行性和有效性。(本文来源于《计算机技术与发展》期刊2013年06期）
郭金玉,刘玉芹[6]（2012）在《鲁棒主元分析在掌纹识别中的应用》一文中研究指出为了对存在异常值的图像构建低维线性子空间的描述,提出用鲁棒主元分析(RPCA)的新方法进行掌纹识别。运用图像下抽样方法降低掌纹空间的维数,在低维图像上应用RPCA提取低维的投影向量,然后将训练图像和待识别图像向投影向量上投影得到鲁棒主元特征,计算特征向量间的余弦距离进行掌纹匹配。运用PolyU掌纹图像库进行测试,结果表明,与主元分析(PCA)、独立元分析(ICA)和核主元分析(KPCA)相比,RPCA算法的识别率最高为99%,特征提取和匹配总时间0.032 s,满足了实时系统的要求。(本文来源于《计算机工程与应用》期刊2012年19期）
郑锦湖[7]（2012）在《基于一种鲁棒主元分析及其在目标检测中的应用研究》一文中研究指出主元分析是如今在矩阵降维和数据分析用的最多的工具,目前已经在故障诊断、数据压缩、信号处理和模式识别等领域有广泛的应用。然而,传统主元分析方法在许多应用里面,却显得很脆弱,而其脆弱性也将会影响到其有效性,一个被破坏或者消失的项都会使得最后变换出来的数据空间和原始空间相差甚远。但是,在实际生活中,像图像处理、医学图像和生物信息学等,错误是普遍存在的,例如光照、遮挡和噪音等的干扰,这些项有可能被破坏或者与需要分离出来的低秩结构无关。这个问题将影响主元分析法在现实中的应用。本文首先介绍了主元分析的基本理论,叙述了传统主元分析的基本方法。然后在已有工作的基础上,建立了一种鲁棒主元分析的方法：假设有一个矩阵,该矩阵是由低秩元和稀疏元相加而成的,本文的研究工作就是如何把低秩元和稀疏元从矩阵中分离出来。在理论方面：通过一些前提假设,本文证明了只要能够求解一个叫主元追求的凸规则问题,低秩元和稀疏元就能从矩阵中分离出来。在所有可行的分离中,主要的工作就是最小化核范数和l,范数的加权结合。通过本文提出的方法以及对该方法的证明,说明了鲁棒主元分析的可行性。在矩阵的一些项被破坏或者消失的情况下,本文的方法也能够将低秩元和稀疏元还原出来。在应用方面：本文讨论了解决这个最优化问题的算法,并且以目标检测为例子,通过实验,证明了本文提出的方法能够在混乱复杂的背景中检测出运动的物体,同时也和其他的主元分析方法进行了比较。(本文来源于《云南大学》期刊2012-05-01）
温冰清,申忠宇,赵瑾,龙素华[8]（2010）在《基于鲁棒主元分析方法的故障检测》一文中研究指出针对传统的PCA建模要求数据噪声服从正态分布,然而在实际的工业过程中建模数据经常含有离群点问题,提出了一种基于鲁棒主元分析的故障检测方法.该方法使用加权方差-协方差矩阵来代替传统PCA的协方差矩阵建立鲁棒PCA模型,计算此模型的SPE(Q)和T2统计量并监控这2个统计量是否超过了各自的控制限来检测是否存在故障.用Matlab进行了与传统PCA的对比仿真,结果表明,当离群点存在时传统的PCA方法很难检测出故障,而鲁棒PCA可以消除离群点的影响准确地检测出故障.鲁棒PCA比传统PCA方法分析过程数据更为准确,并能克服大多数鲁棒方法需要进行迭代的问题,能有效地检测过程故障.(本文来源于《东南大学学报(自然科学版)》期刊2010年S1期）
黄宴委[9]（2010）在《鲁棒核主元分析的数据重构》一文中研究指出针对野值点噪声对样本均值和协方差估计带来的不利影响,在线性鲁棒M位置估计方法的基础上,结合了核原理来估计协方差,提出了一种新型的鲁棒KPCA(核主元分析)算法.将所提出的算法应用于数据重构仿真实验,仿真测试结果表明当样本数据中存在野值点噪声时,由所提出的鲁棒KPCA算法实现样本数据重构时,要比KPCA具有更高的重构精度,抗野值点噪声性能更强.(本文来源于《信息与控制》期刊2010年03期）
邓晓刚,田学民[10]（2008）在《基于鲁棒主元分析的故障诊断方法》一文中研究指出针对工业过程的建模数据中含有离群点的情况,提出了一种基于鲁棒主元分析(PCA)的故障诊断方法。该方法使用广义极大似然估计(M估计)代替最小二乘估计,将传统的主元分析问题转化为一个加权的重构误差优化问题,然后通过改进的非线性迭代部分最小二乘(NIPALS)算法来求得问题的最优解,在此基础上建立主元模型并构造监控统计量检测过程故障。在连续搅拌反应器(CSTR)仿真系统上的应用结果表明,鲁棒PCA方法能够消除离群点对主元模型的影响,比PCA方法分析过程数据更为准确,能更有效地诊断过程故障。(本文来源于《中国石油大学学报(自然科学版)》期刊2008年01期）
鲁棒化主元分析论文开题报告
（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：
近年来,鲁棒主元分析(RPCA)问题成为信号处理领域的国际热点问题之一。作为数据分析的经典方法,RPCA被广泛应用于机器学习和计算机视觉领域。例如,视频监测,人脸识别,子空间聚类等。目前RPCA方法主要分为两大类:低秩矩阵分析方法和贝叶斯方法。此外,低秩矩阵分解(LRMF)问题也与RPCA问题密切相关。本文首先分析了低秩部分和稀疏部分的特征,然后综合贝叶斯模型、伊辛模型和信号模型建立了一种混合模型的框架,即贝叶斯-伊辛-信号(BIS)混合模型。同时从理论上证明了该模型同RPCA模型的等价性,还进一步分析了模型和截断SVD分解问题的优劣。其次,本文基于稀疏贝叶斯学习和马尔科夫随机场提出了一种新颖的BIS算法。由于RPCA问题的传统模型一般假定噪声是稀疏的,利用l1范数估计误差项,而实际中稀疏噪声有聚集效应,这导致仅利用某一类lp范数无法满足模型的精度要求。BIS算法针对矩阵分解的形式提出低秩条件限制,而稀疏部分则引入连续先验加以约束,达到了同时估计低秩矩阵和奇异值支撑矩阵的目的。此外,为保证未知矩阵的矩阵分解有低秩解,变量和参数引入相同稀疏轮廓的独立先验分布条件,并利用变分贝叶斯推断后验近似。进一步地,考虑到奇异值的空间分布特征,利用马尔科夫随机场引入连续先验来估计奇异值支撑矩阵。最后利用模拟数据和真实数据对BIS算法进行了分析和验证。实验结果表明,该算法对低秩矩阵的恢复和奇异值矩阵的检测效果显着。通过与现有的同类算法比较,BIS算法不仅提高了精度和速度,还能有效地处理更复杂的信息,具有较好的鲁棒性。
（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。
鲁棒化主元分析论文参考文献
[1].潘怡君.基于鲁棒主元分析方法的大型高炉故障检测研究[D].浙江大学.2018
[2].宦国强.鲁棒主元分析算法及其应用[D].天津大学.2016
[3].吴益锋,朱恒亮,曾璇.鲁棒主元分析和稀疏表示方法在模拟电路错误检测中的应用[J].复旦学报(自然科学版).2016
[4].刘中杰,曹云峰,庄丽葵,丁萌.基于鲁棒主元分析的SAR图像目标分割[J].科学技术与工程.2014
[5].王健,韩志艳.鲁棒主元分析及在故障诊断中的应用[J].计算机技术与发展.2013
[6].郭金玉,刘玉芹.鲁棒主元分析在掌纹识别中的应用[J].计算机工程与应用.2012
[7].郑锦湖.基于一种鲁棒主元分析及其在目标检测中的应用研究[D].云南大学.2012
[8].温冰清,申忠宇,赵瑾,龙素华.基于鲁棒主元分析方法的故障检测[J].东南大学学报(自然科学版).2010
[9].黄宴委.鲁棒核主元分析的数据重构[J].信息与控制.2010
[10].邓晓刚,田学民.基于鲁棒主元分析的故障诊断方法[J].中国石油大学学报(自然科学版).2008