基于核主成分分析的多输出模型确认方法

目前对于不确定性环境下多个相关的复杂计算模型进行确认的方法存在计算困难及稳定性较差的问题。针对这类复杂计算模型,提出了一种新的基于核主成分分析(KPCA)的多输出模型确认方法。该方法将核主成分分析与面积法的思想相结合,构造了一个新的易于计算且稳定性高的模型确认指标。所提方法通过核主成分分析将相关的输出变量转化为不相关的核主成分,再对每一核主成分进行模型与实验的对比,从而避免了传统多输出模型确认方法中需要求解多个输出的联合累积分布函数的困难。由于核主成分分析(PCA)方法能够有效提取分析对象的非线性成分,因此基于核主成分分析的多输出模型确认方法较基于主成分分析的模型确认方法更为稳定,这表现在相同的实验样本数据下核主成分分析的方法具有更低的出错率。另外核主成分分析通过核主成分提取,可以实现多输出模型的降维,从而降低多输出模型确认的复杂度。所提方法既可以用于一般的多输出模型的确认,也可以用于多确认点的输出模型的确认。最后通过数值算例和工程算例证明了该方法的正确性与有效性。     

K-均值聚类在CCERT系统流型辨识中的应用

流型是气水两相流的重要参数之一,对气水两相流的流动影响很大。基于电容耦合电阻层析成像(CCERT)系统,以水平管道气水两相流流型为研究对象,利用主成分分析(PCA)方法提取不同流型下采集到的电导率信息的主成分,消除不同电极对之间信号的冗余,进而结合K-均值聚类算法实现流型辨识。实验结果表明,该方法具有较高准确度,对于水平管道泡状流、层状流和环状流3种典型的气水两相流流型的静态辨识准确率可以分别达到97%、96%和99%,动态辨识准确率可以分别达到92%、90%和87%。     

两电极等离子体高能合成射流流场及其冲量实验研究

两电极等离子体高能合成射流激励器通过腔体内电极间的瞬时电弧放电加热腔内气体,在激励器出口产生压差并喷出高速射流,从而产生反作用力和冲量。针对两电极等离子体高能合成射流响应快、持续时间短的特点,设计了单丝扭摆式微冲量测量系统,并结合高速阴影系统,对两电极等离子体高能合成射流的流场发展过程及其单脉冲冲量特性进行了实验研究。实验结果表明,两电极等离子体高能合成射流响应时间小于10μs,射流持续时间约为1ms,射流前锋最大速度约为190m/s,射流流场发展过程中存在多道强压缩波,并以当地声速向下游传播。单丝扭摆式微冲量测量系统可实现μN·s量级冲量测量精度,单脉冲冲量约为32μN·s,并且在低频状态下射流总冲量随激励器放电频率成线性增加。     

基于纹理特征的地貌的统计贝叶斯划分方法研究

通过研究“嫦娥一号”拍摄的月球影像灰度图纹理特征,对月貌进行划分,提出一种利用月球纹理特征结合月球影像的灰度值,采用贝叶斯分类法来进行月球地貌的分类。月球影像的纹理特征是由灰度共生矩阵计算出来的13种纹理特征量来刻画的。具体方法是：首先,选择能将不同月球地貌区分开的最佳纹理特征及提取这些最佳纹理特征所采用的相应最优窗口尺寸;其次,对这些提取出的纹理特征进行主成分分析,去除相关性,再运用贝叶斯分类法进行月貌分类。实验表明,该方法能很好地提取出月球表面的纹理特征,并能成功地对月球地貌单元进行自动识别和分类。最后制作完成的月球地貌分区图能为月球的进一步研究提供参考,为更好地探索月球提供详细的资料。     

两种成分提取回归方法的比较分析

对两种采用成分提取进行回归建模的方法进行比较分析.指出采用主成分分析提取的主成分,虽然能很好地概括自变量系统中的信息,却往往对因变量缺乏解释能力.而采用PLS回归所提取的成分,则能在很好地概括自变量系统信息的同时,最好地解释因变量,排除无意义的信息干扰作用.     

发动机故障诊断的主成分算法

 给出了两种基于主成分分析的发动机故障诊断算法,即主成分估计算法和主成分降维算法。这两种算法可以有效地解决发动机故障诊断中的两个技术难点,即减少故障方程中故障因子的个数以及克服故障方程的多重共线性的不良影响．在主成分估计算法中提出了最优主成分个数的概念,解决了主成分个数选择的难题．还以JT9D发动机故障诊断问题为例说明主成分分析算法的应用。研究结果表明,利用主成分降维方法可以将JT9D发动机的26个故障因子压缩到9个,或者将5个单元体的10个故障因子缩减到５个综合变量。所给出的两种算法可以在故障方程存在严重多重共线性而又无约束条件可供利用的情况下给出满意的故障诊断结果。     

多参数空测数据的统计分析和疲劳载荷状态的确定

介绍多元统计分析理论在多参数空测数据统计分析中的应用和发展,以及由多参数统计分析确定疲劳载荷状态的方法。简述了统计分析程序的功能,给出了用某型战斗机实测数据进行统计分析的具体实施过程和结果。最后提出了由聚类分析结果确定疲劳载荷状态的归并原则。     

基于压缩直方图的图像分类

提出了一种颜色直方图表示的彩色图像自动归于语义类别的策略。在这个分类策略中,主成分分析用于把高维颜色直方图映射至低维特征空间,低维的特征向量用于训练支持向量机分类器。实验结果表明,尽管现有的多种图像内容描述子对分类效果的影响不同,但它们都是高度冗余的,可以在不影响分类正确性的基础上被大幅度压缩。本文研究有助于实现基于内容图像检索相关反馈所要求的快速在线学习和重新归类。     

基于虚拟主轴的分数阶趋近律同步控制策略

针对机械臂各关节高精度同步控制问题,选取与传统趋近律不同的分数阶趋近律,采用交叉耦合控制结构,提出了一种基于方差虚拟主轴的分数阶趋近律同步控制策略,并对所提的控制策略进行了稳定性证明。以两关节机械臂为研究对象进行了仿真验证。仿真结果表明:所提的控制策略可以使机械臂系统的跟踪误差和同步误差均快速收敛,且具有更快的响应速度和较强的鲁棒性。     

基于主成分分析和Melkman算法的选星策略

导航定位中的选星算法是一种关键技术，用于从卫星中选择合适数量和最佳几何分布的卫星以实现最佳定位精度。针对基于二维凸包算法的选星策略在三维卫星数据降维处理中忽略垂直方向高度位置信息的问题，提出了一种基于主成分分析(PCA)和二维凸包Melkman算法的选星策略。首先，通过PCA技术将三维卫星数据投影到新的二维坐标系，新的二维数据同时保留水平平面位置信息和垂直方向高度位置信息，旨在降低维度的同时最小化信息损失。在新坐标系下，数据经过预处理后，采用二维凸包Melkman算法进行选星。实验结果显示:相较于直接投影到站心坐标系下的二维凸包选星算法，提出的选星算法不仅更准确地描述卫星的位置信息，使问题研究更加完备，还在保持相近仿真耗时的前提下，实现了较大的几何精度因子(GDOP)性能提升。