2.624

2020影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

LPMVP算法及其在故障检测中的应用

张沐光 宋执环

张沐光, 宋执环. LPMVP算法及其在故障检测中的应用. 自动化学报, 2009, 35(6): 766-772. doi: 10.3724/SP.J.1004.2009.00766
引用本文: 张沐光, 宋执环. LPMVP算法及其在故障检测中的应用. 自动化学报, 2009, 35(6): 766-772. doi: 10.3724/SP.J.1004.2009.00766
ZHANG Mu-Guang, SONG Zhi-Huan. LPMVP Algorithm and Its Application to Fault Detection. ACTA AUTOMATICA SINICA, 2009, 35(6): 766-772. doi: 10.3724/SP.J.1004.2009.00766
Citation: ZHANG Mu-Guang, SONG Zhi-Huan. LPMVP Algorithm and Its Application to Fault Detection. ACTA AUTOMATICA SINICA, 2009, 35(6): 766-772. doi: 10.3724/SP.J.1004.2009.00766

LPMVP算法及其在故障检测中的应用

doi: 10.3724/SP.J.1004.2009.00766
详细信息
    通讯作者:

    宋执环

  • 中图分类号: TP277

LPMVP Algorithm and Its Application to Fault Detection

More Information
    Corresponding author: SONG Zhi-Huan
  • 摘要: 针对数据信息的特征提取和降维问题, 提出一种局部保持最大方差投影 (Locality preserving maximum varianceprojections, LPMVP) 新算法. 该算法综合考虑了主元分析(Principalcomponent analysis, PCA)和局部保持投影(Locality preservingprojections, LPP)算法的优点和不足, 提出了新的优化目标, 使投影得到的低维空间不仅和原始变量空间有相似的局部近邻结构, 而且有相似的整体结构, 因而可以包含更多的特征信息. 在此基础上, 本文使用LPMVP算法把原始变量空间划分为特征空间和残差空间, 分别构造了T2和SPE统计量对过程进行监测, 建立了一种新的故障检测方法. 通过数值例子以及TE过程的仿真研究, 表明了LPMVP算法可以有效地提取数据信息, 同时也体现了较强的故障检测能力.
  • 加载中
计量
  • 文章访问数:  2133
  • HTML全文浏览量:  41
  • PDF下载量:  1257
  • 被引次数: 0
出版历程
  • 收稿日期:  2008-12-08
  • 修回日期:  2009-02-24
  • 刊出日期:  2009-06-20

目录

    /

    返回文章
    返回