论文部分内容阅读
基于核的主成分分析(Kernel Principle Component Analysis:KPCA)是目前国际上流行的一种特征提取新方法,它是利用核技巧对经典的主成分分析法(Principle Component Analysis)进行的一种非线性推广。与传统主成分分析法相比,KPCA具有能有效捕捉数据的非线性特征、对原始空间中数据的分布情况没有要求等优点,因此它在诸多领域的应用取得很好的效果。本文研究了KPCA方法,并将其应用于工业图像检测及故障诊断领域,取得了良好的效果。第一,详细论述了主成分分析PCA的原理。引入了奇异值分解(SVD)定理解决PCA方法在特征值和特征向量计算量大的问题。并用人脸图像验证了方法的正确有效性。第二,讨论了核方法的基本原理以及几种常用的典型核函数,并将核方法与PCA方法结合,阐述了基于核主成分分析(KPCA)的特征提取方法,比较了KPCA与PCA相比的优点,指出对其应用研究的重要性。第三,将KPCA方法分别引入到香烟条包端面透明纸图像的损伤检测以及航空发动机滑油滤图像的磨损特征提取中。本文通过对比实验分析,发现KPCA不仅实现了降维,而且能取得比PCA更好的识别性能,验证了KPCA方法在图像特征提取方面的优越性。第四,将KPCA应用于转子故障诊断,提出了基于KPCA的转子故障特征提取方法。该方法通过核函数映射将转子故障的非线性问题转换成高维的线性特征空间,然后对高维空间中的映射数据作主元分析,提取其非线性特征,对4种转子故障(不平衡、不对中、碰摩和油膜涡动)进行识别验证,并与PCA方法、传统频谱分析以及小波分析的特征提取方法进行了对比分析。实验结果表明,核主成分分析(KPCA)能更好地提取出转子故障的非线性特征。