CN109324595B - 一种基于增量pca的工业监测数据分类方法 - Google Patents

一种基于增量pca的工业监测数据分类方法 Download PDF

Info

Publication number
CN109324595B
CN109324595B CN201811091469.5A CN201811091469A CN109324595B CN 109324595 B CN109324595 B CN 109324595B CN 201811091469 A CN201811091469 A CN 201811091469A CN 109324595 B CN109324595 B CN 109324595B
Authority
CN
China
Prior art keywords
data
matrix
training
model
industrial monitoring
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811091469.5A
Other languages
English (en)
Other versions
CN109324595A (zh
Inventor
谢国
张永艳
刘涵
王文卿
梁莉莉
张春丽
孙澜澜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Daqing Xinguangyao Petroleum Machinery Manufacturing Co ltd
Original Assignee
Xian University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian University of Technology filed Critical Xian University of Technology
Priority to CN201811091469.5A priority Critical patent/CN109324595B/zh
Publication of CN109324595A publication Critical patent/CN109324595A/zh
Application granted granted Critical
Publication of CN109324595B publication Critical patent/CN109324595B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种基于增量PCA的工业监测数据分类方法，包括如下步骤：步骤1、对工业监测数据进行采集，按采样顺序排列，并记录其数据标签，将其分为训练集和测试集；步骤2、基于增量PCA方法建立模型，分别对步骤1中的训练集和测试集进行在线降维；步骤3、步骤2中的训练集作为数据对象建立支持向量机SVM分类模型，并通过对测试集数据进行分类验证该模型。本发明分别通过建立降维模型和传统的SVM分类模型，可对有标签的高维数据进行分类；该方法在保证计算量的同时，通过寻找最优超平面，对线性数据和非线性数据都可以进行二分类；可将其用于工业系统的故障检测，从而及时反映机器性能，能够采取相应措施，避免一系安全事故。

Description

一种基于增量PCA的工业监测数据分类方法
技术领域
本发明属于工业监测数据分类的技术领域，具体涉及一种基于增量PCA的工业监测数据分类方法。
背景技术
由于工业经济在我国的迅速发展，随之产生的数据呈指数级增长。不可避免地，在大量的工业数据中会存在冗余数据，这将给数据分析及后续计算带来很大的困难。如果，可以对高维数据进行降维即数据压缩，在对高维数据压缩的同时对其提取有效信息，这将给数据分析带来很大的便利。但是在现有降维方法中，主要针对的对象是离线数据，而对于不断更新的在线数据，离线降维方法是无法对更新的监测数据进行有效压缩。
发明内容
为解决上述问题，提出了一种基于增量PCA(Principal Component Analysis)的工业监测数据分类方法。该方法可实时对有标签的工业监测数据进行有效分类，相对于未降维的高维数据减小了计算量，是一种有效的数据分类方法，且对于线性数据和非线性数据都适用。
本发明采用以下技术方案：一种基于增量PCA的工业监测数据分类方法，包括如下步骤：
步骤1、对工业监测数据进行采集，按采样顺序排列，并记录其数据标签，将其分为训练集和测试集；
步骤2、基于增量PCA方法建立模型，分别对步骤1中的训练集和测试集进行在线降维；
步骤3、步骤2中的训练集作为数据对象建立支持向量机SVM分类模型，并通过对测试集数据进行分类验证该模型。
作为本发明进一步的方案，所述步骤1具体包括如下步骤：
步骤1.1、对工业系统中的传感器进行数据采样，假设采样数据为有标签数据，采集到的工业监测高维数据用X＝{x1,x2,…,xN}∈Rd×N表示，其中d表示高维数据的维数，每间隔1S进行一次采样，N表示采样数据的数目，第t个采样数据用xt表示，t∈{1,2,...,N}，xt＝[xt1 xt2 … xtd]T；
步骤1.2、对采样数据进行分配，采样数据的标签信息用Y＝{y1,y2,…,yN}∈R1×N表示，与高维数据X一一对应，选取高维数据X和数据标签Y的前百分之八十作为训练数据集和训练标签，剩下百分之二十作为测试数据集和测试标签。
作为本发明进一步的方案，所述步骤2包括如下步骤：
步骤2.1、输入高维数据X和所需参数：离线降维目标维数k＜d，在线降维目标维数l＜k，
Figure GDA0002445338020000021
w0＝0；
步骤2.2、对矩阵U、矩阵Z以及各参数进行初始化：矩阵U和Z为U＝0d×l，Z＝0d×l，w＝0，wU＝0l×1；
步骤2.3、进入for循环：当接收到第t个采样数据xt时，对参数w、残差rt和矩阵C进行更新，更新公式如下所示，而对于每个采样数据xt，其低维用st表示：
Figure GDA0002445338020000022
rt＝xt-U*UT*xt；
C＝(I-U*UT)*Z*ZT*(I-U*UT)；
步骤2.4、对初始矩阵和参数进行设置，判断是否更新矩阵C和向量rt，具体包括以下步骤：
步骤2.4.1、对初始矩阵和参数进行设置后，判断是否满足条件式
Figure GDA0002445338020000031
在满足该条件的情况下，按顺序执行步骤2.4.2～步骤2.4.3，反之，执行步骤2.5；
步骤2.4.2、先对矩阵C进行特征值分解，其最大特征值和其相对应的特征向量分别用λ、u表示，并将特征值λ赋给(wU)u；
步骤2.4.3、判断U中是否有非零列，如果有，用特征向量u代替U的第一个非0列，更新矩阵C和向量rt，更新公式如下：
C＝(I-U*UT)*Z*ZT*(I-U*UT)；
rt＝xt-U*UT*xt；
步骤2.5、由于rt的更新，矩阵Z会随之更新，具体更新过程如下；
步骤2.5.1、先对矩阵Z进行转置，矩阵Z的第l行用Zl表示，并用rt替换矩阵Z的第l行Zl，其它行元素不变；
步骤2.5.2、再对矩阵Z进行SVD分解，即[U1,Σ1,V1]←SVD(Z)，Σ1为奇异矩阵，其中的奇异值从大到小排列；
步骤2.5.3、按照公式C1＝Σ1V1和
Figure GDA0002445338020000032
进行运算，其中Σl，l表示奇异值矩阵中最小的奇异值；
步骤2.5.4、按照公式
Figure GDA0002445338020000033
进行计算，其中Σ2表示对奇异值矩阵中的所有奇异值和零元素进行平方运算，矩阵规模大小不变；
步骤2.5.5、输出更新后的矩阵Z：
Figure GDA0002445338020000041
再次对Z进行转置；
步骤2.6、低维输出：对于矩阵U中每一个非零列u，其元素按公式(wU)u＝(wU)u+<xt,u〉2更新，(wU)u为向量wU在u方向上的投影，并进行低维输出st＝UT*xt，并结束for循环；
作为本发明进一步的方案，所述步骤3包括如下步骤：
步骤2中将高维数据进行降维，降维之后用S＝{s1,s2,…,sN}表示，其中st为l维向量，t＝1,2,…,N，在步骤3中，将降维后的数据S采样个数的前百分之八十作为训练集的输入数据，其对应的标签作为训练标签，代入传统的支持向量机SVM模型并进行训练，剩下百分之二十作为测试数据集，输入训练完成的SVM模型，其输出是测试数据集的标签，并将真实数据标签与测试数据集的标签进行比较，从而可以判断该模型是否有效；
步骤3.1、将训练数据作为输入，训练标签作为输出，训练分类模型，根据方程|wx+b|＝1建立两边支持向量，该算法在训练过程中需要满足支持向量间距离尽可能大，这样可以对采样数据实现有效分类；
步骤3.2、根据方程wx+b＝0在两支持向量中间寻找最优超平面，最优超平面可以保证将不同类别的采样数据通过最优超平面分类；
步骤3.3、如果采样数据线性不可分，则通过选取核函数将采样数据映射到更高维的特征空间中，这样在高维空间中映射的采样数据就可以满足线性可分；
步骤3.4、模型训练完成后通过计算得到最优的w和b，即最优超平面，将测试数据集代入，并输出其测试标签。
本发明的有益效果是：一种基于增量PCA的工业监测数据分类方法，分别通过建立降维模型和传统的SVM分类模型，可对有标签的高维数据进行分类；该方法在保证计算量的同时，通过寻找最优超平面，对线性数据和非线性数据都可以进行二分类；对于工业监测系统而言，本发明可以通过对采样数据进行分类，可将其用于工业系统的故障检测，从而及时反映机器性能，能够采取相应措施，这样就可以避免一系安全事故。
附图说明
图1是本发明总体流程图；
图2是本发明方法中步骤2的在线降维方法的流程图。
图3是本发明方法中步骤3中的支持向量机流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的阐述。
如图1-图3所示，一种基于增量PCA的工业监测数据分类方法，具体按照以下步骤实施：
步骤1、对工业监测数据进行采集，按采样顺序排列，并记录其数据标签，将其分为训练集和测试集；
步骤1.1、对工业系统中的传感器进行数据采样，假设采样数据为有标签数据。采集到的工业监测高维数据用X＝{x1,x2,…,xN}∈Rd×N表示，其中d表示高维数据的维数，每间隔1S进行一次采样，N表示采样数据的数目。第t个采样数据用xt表示，t∈{1,2,...,N}，xt＝[xt1 xt2 … xtd]T；
步骤1.2、对采样数据进行分配，采样数据的标签信息用Y＝{y1,y2,…,yN}∈R1×N表示，与高维数据X一一对应。选取高维数据X和数据标签Y的前百分之八十作为训练数据集和训练标签，剩下百分之二十作为测试数据集和测试标签。
步骤2、基于增量PCA方法建立模型，分别对步骤1中的训练集和测试集进行在线降维；
步骤2.1、输入：高维数据X和所需参数：离线降维目标维数k＜d，在线降维目标维数l＜k，
Figure GDA0002445338020000061
w0＝0；
步骤2.2、对矩阵U、矩阵Z以及各参数进行初始化：矩阵U和Z为U＝0d×l，Z＝0d×l，w＝0，wU＝0l×1；
步骤2.3、进入for循环：当接收到第t个采样数据xt时，对参数w、残差rt和矩阵C进行更新，更新公式如下所示，而对于每个采样数据xt，其低维用st表示：
Figure GDA0002445338020000062
rt＝xt-U*UT*xt；
C＝(I-U*UT)*Z*ZT*(I-U*UT)；
步骤2.4、对初始矩阵和参数进行设置，判断是否更新矩阵C和向量rt，具体按照以下步骤实施：
步骤2.4.1、对初始矩阵和参数进行设置后，判断是否满足条件式
Figure GDA0002445338020000063
在满足该条件的情况下，按顺序执行步骤2.4.2-步骤2.4.3，反之，执行步骤2.5；
步骤2.4.2、先对矩阵C进行特征值分解，其最大特征值和其相对应的特征向量分别用λ、u表示，并将特征值λ赋给(wU)u；
步骤2.4.3、判断U中是否有非零列，如果有，用特征向量u代替U的第一个非0列，更新矩阵C和向量rt，更新公式如下：
C＝(I-U*UT)*Z*ZT*(I-U*UT)；
rt＝xt-U*UT*xt；
步骤2.5、由于rt的更新，矩阵Z会随之更新，具体更新过程如下；
步骤2.5.1、先对矩阵Z进行转置，矩阵Z的第l行用Zl表示，并用rt替换矩阵Z的第l行Zl，其它行元素不变；
步骤2.5.2、再对矩阵Z进行SVD分解，即[U1,Σ1,V1]←SVD(Z)，Σ1为奇异矩阵，其中的奇异值从大到小排列；
步骤2.5.3、按照公式C1＝Σ1V1和
Figure GDA0002445338020000071
进行运算，其中Σl，l表示奇异值矩阵中最小的奇异值；
步骤2.5.4、按照公式
Figure GDA0002445338020000072
进行计算，其中Σ2表示对奇异值矩阵中的所有奇异值和零元素进行平方运算，矩阵规模大小不变；
步骤2.5.5、输出更新后的矩阵Z：
Figure GDA0002445338020000073
再次对Z进行转置；
步骤2.6、低维输出：对于矩阵U中每一个非零列u，其元素按公式(wU)u＝(wU)u+<xt,u>2更新，(wU)u为向量wU在u方向上的投影，并进行低维输出st＝UT*xt，并结束for循环；
步骤3、基步骤2中的训练集作为数据对象建立支持向量机SVM分类模型，并通过对测试集数据进行分类验证该模型：
步骤2中将高维数据进行降维，降维之后用S＝{s1,s2,…,sN}表示，其中st为l维向量，t＝1,2,…,N。在步骤3中，将降维后的数据S采样个数的前百分之八十作为训练集的输入数据，其对应的标签作为训练标签，代入传统的支持向量机SVM模型并进行训练。剩下百分之二十作为测试数据集，输入训练完成的SVM模型，其输出是测试数据集的标签。并将真实数据标签与测试数据集的标签进行比较，从而可以判断该模型是否有效。
步骤3.1、将训练数据作为输入，训练标签作为输出，训练分类模型，根据方程|wx+b|＝1建立两边支持向量，该算法在训练过程中需要满足支持向量间距离尽可能大，这样可以对采样数据实现有效分类；
步骤3.2、根据方程wx+b＝0在两支持向量中间寻找最优超平面，最优超平面可以保证将不同类别的采样数据通过最优超平面分类；
步骤3.3、如果采样数据线性不可分，则通过选取核函数将采样数据映射到更高维的特征空间中，这样在高维空间中映射的采样数据就可以满足线性可分；
步骤3.4、模型训练完成后通过计算得到最优的w和b，即最优超平面，将测试数据集代入，并输出其测试标签。
步骤3中采用的是传统的SVM分类方法，该方法是机器学习中常见的分类方法。该方法对线性可分的数据十分有效，如果不满足该条件，则需要通过核函数将输入数据映射到高维特征空间中，建立最优模型，这样有利于寻找最优超平面，使采样数据在该特征空间中可通过最优超平面最大程度地进行分类。
本发明一种基于增量PCA的工业监测数据分类方法，通过对降维数据进行分类，进而可以判断降维方法的有效性，也即降维过程中保留数据特征信息的多少。如果方法有效，分类效果就会良好；反之，分类效果会较差。而分类是机器学习中重要的研究领域，对于工业系统中的故障检测以及文本分类等都具有非凡的意义。
以上所述为本发明较佳实施例，对于本领域的普通技术人员而言，根据本发明的教导，在不脱离本发明的原理与精神的情况下，对实施方式所进行的改变、修改、替换和变型仍落入本发明的保护范围之内。

Claims (1)

1.一种基于增量PCA的工业监测数据分类方法，其特征在于，包括如下步骤：
步骤1、对工业监测数据进行采集，按采样顺序排列，并记录其数据标签，将其分为训练集和测试集；
步骤2、基于增量PCA方法建立模型，分别对步骤1中的训练集和测试集进行在线降维；
步骤3、步骤2中的训练集作为数据对象建立支持向量机SVM分类模型，并通过对测试集数据进行分类验证该模型；
所述步骤1具体包括如下步骤：
步骤1.1、对工业系统中的传感器进行数据采样，假设采样数据为有标签数据，采集到的工业监测高维数据用X＝{x1,x2,…,xN}∈Rd×N表示，其中d表示高维数据的维数，每间隔1S进行一次采样，N表示采样数据的数目，第t个采样数据用xt表示，t∈{1,2,...,N}，xt＝[xt1xt2...xtd]T；
步骤1.2、对采样数据进行分配，采样数据的标签信息用Y＝{y1,y2,...,yN}∈R1×N表示，与高维数据X一一对应，选取高维数据X和数据标签Y的前百分之八十作为训练数据集和训练标签，剩下百分之二十作为测试数据集和测试标签；
所述步骤2包括如下步骤：
步骤2.1、输入高维数据X和所需参数：离线降维目标维数k＜d，在线降维目标维数l＜k，
Figure FDA0002445338010000011
w0＝0；
步骤2.2、对矩阵U、矩阵Z以及各参数进行初始化：矩阵U和Z为U＝0d×l，Z＝0d×l，w＝0,wU＝0l×1；
步骤2.3、进入for循环：当接收到第t个采样数据xt时，对参数w、残差rt和矩阵C进行更新，更新公式如下所示，而对于每个采样数据xt，其低维用st表示：
Figure FDA0002445338010000021
rt＝xt-U*UT*xt；
C＝(I-U*UT)*Z*ZT*(I-U*UT)；
步骤2.4、对初始矩阵和参数进行设置，判断是否更新矩阵C和向量rt，具体包括以下步骤：
步骤2.4.1、对初始矩阵和参数进行设置后，判断是否满足条件式
Figure FDA0002445338010000022
在满足该条件的情况下，按顺序执行步骤2.4.2-步骤2.4.3，反之，执行步骤2.5；
步骤2.4.2、先对矩阵C进行特征值分解，其最大特征值和其相对应的特征向量分别用λ、u表示，并将特征值λ赋给(wU)u；
步骤2.4.3、判断U中是否有非零列，如果有，用特征向量u代替U的第一个非0列，更新矩阵C和向量rt，更新公式如下：
C＝(I-U*UT)*Z*ZT*(I-U*UT)；
rt＝xt-U*UT*xt；
步骤2.5、由于rt的更新，矩阵Z会随之更新，具体更新过程如下；
步骤2.5.1、先对矩阵Z进行转置，矩阵Z的第l行用Zl表示，并用rt替换矩阵Z的第l行Zl，其它行元素不变；
步骤2.5.2、再对矩阵Z进行SVD分解，即[U1,Σ1,V1]←SVD(Z)，Σ1为奇异矩阵，其中的奇异值从大到小排列；
步骤2.5.3、按照公式C1＝Σ1V1和
Figure FDA0002445338010000031
进行运算，其中Σl,l表示奇异值矩阵中最小的奇异值；
步骤2.5.4、按照公式
Figure FDA0002445338010000032
进行计算，其中Σ2表示对奇异值矩阵中的所有奇异值和零元素进行平方运算，矩阵规模大小不变；
步骤2.5.5、输出更新后的矩阵Z：
Figure FDA0002445338010000033
再次对Z进行转置；
步骤2.6、低维输出：对于矩阵U中每一个非零列u，其元素按公式(wU)u＝(wU)u+<xt,u>2更新，(wU)u为向量wU在u方向上的投影，并进行低维输出st＝UT*xt，并结束for循环；
所述步骤3包括如下步骤：
步骤2中将高维数据进行降维，降维之后用S＝{s1,s2,…,sN}表示，其中st为l维向量，t＝1,2,…,N，在步骤3中，将降维后的数据S采样个数的前百分之八十作为训练集的输入数据，其对应的标签作为训练标签，代入传统的支持向量机SVM模型并进行训练，剩下百分之二十作为测试数据集，输入训练完成的SVM模型，其输出是测试数据集的标签，并将真实数据标签与测试数据集的标签进行比较，从而可以判断该模型是否有效；
步骤3.1、将训练数据作为输入，训练标签作为输出，训练分类模型，根据方程|wx+b|＝1建立两边支持向量，该算法在训练过程中需要满足支持向量间距离尽可能大，这样可以对采样数据实现有效分类；
步骤3.2、根据方程wx+b＝0在两支持向量中间寻找最优超平面，最优超平面可以保证将不同类别的采样数据通过最优超平面分类；
步骤3.3、如果采样数据线性不可分，则通过选取核函数将采样数据映射到更高维的特征空间中，这样在高维空间中映射的采样数据就可以满足线性可分；
步骤3.4、模型训练完成后通过计算得到最优的w和b，即最优超平面，将测试数据集代入，并输出其测试标签。
CN201811091469.5A 2018-09-19 2018-09-19 一种基于增量pca的工业监测数据分类方法 Active CN109324595B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811091469.5A CN109324595B (zh) 2018-09-19 2018-09-19 一种基于增量pca的工业监测数据分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811091469.5A CN109324595B (zh) 2018-09-19 2018-09-19 一种基于增量pca的工业监测数据分类方法

Publications (2)

Publication Number Publication Date
CN109324595A CN109324595A (zh) 2019-02-12
CN109324595B true CN109324595B (zh) 2020-06-23

Family

ID=65264839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811091469.5A Active CN109324595B (zh) 2018-09-19 2018-09-19 一种基于增量pca的工业监测数据分类方法

Country Status (1)

Country Link
CN (1) CN109324595B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738243B (zh) * 2019-09-27 2023-09-26 湖北华中电力科技开发有限责任公司 一种自适应无监督特征选择方法
CN111178391B (zh) * 2019-12-10 2023-06-30 网络通信与安全紫金山实验室 一种使用增量奇异值分解法进行产品行业平行数据集构建的方法
CN111914954A (zh) * 2020-09-14 2020-11-10 中移（杭州）信息技术有限公司 数据分析方法、装置及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331707A (zh) * 2014-11-02 2015-02-04 西安电子科技大学 基于深度pca网络和svm的极化sar图像分类方法
CN104777830A (zh) * 2015-04-01 2015-07-15 浙江大学 一种基于kpca混合模型的多工况过程监控方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120148160A1 (en) * 2010-07-08 2012-06-14 Honeywell International Inc. Landmark localization for facial imagery
CN104573740B (zh) * 2014-12-22 2018-07-03 山东鲁能软件技术有限公司 一种基于svm分类模型的设备故障诊断方法
CN104899896B (zh) * 2015-06-12 2018-03-02 西北工业大学 一种基于子空间特征的多任务学习目标跟踪方法
CN105300918B (zh) * 2015-10-26 2017-11-07 四川大学 红外光谱结合化学计量学定性识别混合炸药成分的新方法
CN105550700B (zh) * 2015-12-08 2019-04-09 国网山东省电力公司电力科学研究院 一种基于关联分析和主成分分析的时间序列数据清洗方法
CN107562908A (zh) * 2017-09-08 2018-01-09 西安理工大学 一种基于聚类的分步式数据降维方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331707A (zh) * 2014-11-02 2015-02-04 西安电子科技大学 基于深度pca网络和svm的极化sar图像分类方法
CN104777830A (zh) * 2015-04-01 2015-07-15 浙江大学 一种基于kpca混合模型的多工况过程监控方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于聚类和SVM的数据分类方法与实验研究;梁修荣，杨正益;《西南师范大学学报（自然科学版）》;20180331;第43卷(第3期);第91-96页 *

Also Published As

Publication number Publication date
CN109324595A (zh) 2019-02-12

Similar Documents

Publication Publication Date Title
Paynabar et al. Monitoring and diagnosis of multichannel nonlinear profile variations using uncorrelated multilinear principal component analysis
CN109324595B (zh) 一种基于增量pca的工业监测数据分类方法
Sun et al. Global-local label correlation for partial multi-label learning
CN107957946B (zh) 基于邻域嵌入保护算法支持向量机的软件缺陷预测方法
CN112036435B (zh) 一种基于卷积神经网络的无刷直流电机传感器故障检测方法
CN110579967B (zh) 基于同时降维和字典学习的过程监控方法
CN110472417B (zh) 基于卷积神经网络的恶意软件操作码分析方法
CN111461157A (zh) 一种基于自学习的跨模态哈希检索方法
CN112732921B (zh) 一种虚假用户评论检测方法及系统
CN112881942B (zh) 基于小波分解与经验模态分解的异常电流诊断方法和系统
CN110781970A (zh) 分类器的生成方法、装置、设备及存储介质
Liu et al. Dicnet: Deep instance-level contrastive network for double incomplete multi-view multi-label classification
CN114707598A (zh) 一种混合气体识别方法、系统、终端设备及可读存储介质
CN111340110A (zh) 一种基于工业过程运行状态趋势分析的故障预警方法
CN107944468A (zh) 基于隐空间编码的零样本学习分类方法
CN113076235A (zh) 一种基于状态融合的时序异常检测方法
Li et al. Nonlinear industrial process fault diagnosis with latent label consistency and sparse Gaussian feature learning
JP2005182696A (ja) 機械学習システム及び機械学習方法、並びにコンピュータ・プログラム
CN107943916B (zh) 一种基于在线分类的网页异常检测方法
CN111782802B (zh) 基于机器学习获得商品对应国民经济制造业的方法及系统
CN113935413A (zh) 一种基于卷积神经网的配网录波文件波形识别方法
CN112926016A (zh) 一种多变量时间序列变化点检测方法
CN113724060A (zh) 一种信用风险评估方法及系统
Cao et al. Weighted margin sparse embedded classifier for brake cylinder detection
Yu et al. A multi-model exponential discriminant analysis algorithm for online probabilistic diagnosis of time-varying faults

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220726

Address after: 163711 Guangming Industrial Park, Longfeng District, Daqing City, Heilongjiang Province

Patentee after: DAQING RUISIDE PETROLEUM MACHINERY MANUFACTURING CO.,LTD.

Address before: 710000 No. B49, Xinda Zhongchuang space, 26th Street, block C, No. 2 Trading Plaza, South China City, international port district, Xi'an, Shaanxi Province

Patentee before: Xi'an Huaqi Zhongxin Technology Development Co.,Ltd.

Effective date of registration: 20220726

Address after: 710000 No. B49, Xinda Zhongchuang space, 26th Street, block C, No. 2 Trading Plaza, South China City, international port district, Xi'an, Shaanxi Province

Patentee after: Xi'an Huaqi Zhongxin Technology Development Co.,Ltd.

Address before: 710048 No. 5 Jinhua South Road, Shaanxi, Xi'an

Patentee before: XI'AN University OF TECHNOLOGY

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240112

Address after: 163000 north of Xingsheng Road, East trunk line, Honggang District, Daqing City, Heilongjiang Province

Patentee after: Daqing xinguangyao Petroleum Machinery Manufacturing Co.,Ltd.

Address before: 163711 Guangming Industrial Park, Longfeng District, Daqing City, Heilongjiang Province

Patentee before: DAQING RUISIDE PETROLEUM MACHINERY MANUFACTURING CO.,LTD.