检索结果-南通市图书馆

基于迁移成分分析的火星LIBS光谱数据定量分析方法

在线全文

学校读者我要写书评

暂无评论

量子电子学报 2024年第3期41卷 463-472页

作者：吴敏浩陈靖郑子宇李宣佑王爽丁宇南京信息工程大学江苏省大数据分析技术重点实验室江苏南京210044 南京信息工程大学江苏省大气环境与装备技术协同创新中心江苏南京210044 南京信息工程大学江苏省气象能源利用与控制工程技术研究中心江苏南京210044

火星土壤中的元素成分及其含量是地质演化历史的重要记录载体,可以反映火星环境、气候等信息,因此对火星土壤进行检测和分析具有重要意义。本研究提出了一种迁移成分分析(TCA)结合随机森林(RF)的LIBS定量分析方法,用于预测火星在轨标样... 详细信息

火星土壤中的元素成分及其含量是地质演化历史的重要记录载体,可以反映火星环境、气候等信息,因此对火星土壤进行检测和分析具有重要意义。本研究提出了一种迁移成分分析(TCA)结合随机森林(RF)的LIBS定量分析方法,用于预测火星在轨标样的K_(2)O质量分数。选取了383种标样在模拟火星环境下的光谱数据作为训练集,6种在轨标样在真实火星环境下的光谱数据作为测试集。使用训练集建立决策树为250棵的RF模型,其平均绝对误差(E_(MA))、均方根误差(E_(RMS))和平均相对误差(E_(MR))分别为1.117、1.148和10.104,预测性能较差。为了缩短训练集和测试集光谱数据之间的分布距离,建立TCA-RF模型并调整参数。相较于RF模型,TCA-RF模型的E_(MA)、E_(RMS)和E_(MR)分别降低了90.7%、88.1%和94.1%。而与参考模型MOC(一种偏最小二乘法结合独立成分分析的模型)对比,TCA-RF模型在预测测试集中K_(2)O质量分数≥0.15%的样品时,其准确性高于MOC模型。因此TCA-RF模型可以为探测火星土壤元素含量提供新的技术手段。

关键词：光谱学激光诱导击穿光谱火星探测迁移成分分析定量分析

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

基于迁移成分分析的发酵过程集成软测量建模

系统仿真学报 2023年第3期35卷 623-631页

作者：周阅昇熊伟丽江南大学物联网工程学院江苏无锡214122 江南大学轻工过程先进控制教育部重点实验室江苏无锡214122

青霉素发酵过程具有不确定性和多阶段等特点,不同批次发酵过程间存在工况差异,过程数据的分布不一定相同,使传统软测量模型性能下降。结合迁移学习策略和高斯混合模型,提出一种基于迁移成分分析的多模型集成软测量建模方法。该方法使用... 详细信息

青霉素发酵过程具有不确定性和多阶段等特点,不同批次发酵过程间存在工况差异,过程数据的分布不一定相同,使传统软测量模型性能下降。结合迁移学习策略和高斯混合模型,提出一种基于迁移成分分析的多模型集成软测量建模方法。该方法使用迁移成分分析求解样本间共享特征映射矩阵,适配建模过程数据与待测数据的边缘概率分布;并基于高斯混合模型对建模数据进行聚类划分,与偏最小二乘算法结合建立子模型的集成模型,完成对主导变量的预测。基于青霉素平台数据的仿真结果表明,所提方法不仅能够有效提高青霉素发酵过程软测量模型的精度,而且适应于变工况下青霉素浓度的预测。

关键词：迁移成分分析集成青霉素发酵变工况软测量

基于迁移成分分析和词包模型的变工况轴承诊断方法

在线全文

学校读者我要写书评

暂无评论

重庆大学学报 2022年第6期45卷 98-107页

作者：田威威陈俊杰林意江南大学人工智能与计算机学院江苏无锡214122 西门子中国研究院北京100000

针对不同工况下的数据无法直接训练并用于检测的问题,提出一种基于迁移成分分析和词包模型的诊断算法,对于用作训练的有标签源域数据和用作检验诊断的无标签目标域数据。首先使用短时傅里叶变换将两者转换为频域数据,其次通过迁移成分... 详细信息

针对不同工况下的数据无法直接训练并用于检测的问题,提出一种基于迁移成分分析和词包模型的诊断算法,对于用作训练的有标签源域数据和用作检验诊断的无标签目标域数据。首先使用短时傅里叶变换将两者转换为频域数据,其次通过迁移成分分析将两者的频谱能量映射到同一分布以建立相应的词包模型作为数据的特征,最后在源域数据的词包模型上训练出合适的分类器从而进行诊断。在西门子SQI-MFS平台实验数据集、凯斯西储大学公开数据集及机械故障预防技术协会MFPT(machinery failure prevention technology)数据集下的实验结果表明该算法是有效的。

关键词：迁移成分分析词包模型变工况轴承故障诊断

基于迁移成分分析的库岸跨区域滑坡易发性评价

在线全文

学校读者我要写书评

暂无评论

地球科学 2023年

作者：苏燕黄绍翔赖晓鹤陈耀鑫杨凌鋆林川谢秀栋黄斌福州大学土木工程学院

考虑到滑坡编录制作的耗时性，建立一种“可迁移”的滑坡易发性模型已越发重要。合理利用现有完整滑坡数据地区的样本集对无样本区域进行易发性预测具有重要意义。本文运用迁移成分分析(transfer component analysis，TCA)方法，结合深... 详细信息

考虑到滑坡编录制作的耗时性，建立一种“可迁移”的滑坡易发性模型已越发重要。合理利用现有完整滑坡数据地区的样本集对无样本区域进行易发性预测具有重要意义。本文运用迁移成分分析(transfer component analysis，TCA)方法，结合深度学习卷积神经网络(convolutional neural network，CNN)，尝试引入一种基于迁移学习域自适应方法的TCA-CNN模型，并以福建省两个库岸地区为例，提取11个库岸相关环境因子建立滑坡空间数据库，将有样本的池潭库区易发性模型迁移至无样本的棉花滩库区进行预测，实现跨区域滑坡易发性评价。通过对棉花滩库区进行易发性预测，结果显示：1)采用TCA方法处理后的不同研究区数据最大均值差异(maximize mean discrepancy，MMD)明显降低(0.022)，数据实现近似同分布；2)TCA-CNN模型的跨区域预测精度为0.854，高于CNN模型(0.791)，且通过历史滑坡验证其落入高、极高易发性区间的滑坡频率比占比最高(89.1%)；3)受试者工作特性(receiver operating characteristic，ROC)曲线下面积TCA-CNN模型为0.93，高于CNN模型的0.90。可见TCA-CNN模型能够有效运用建模区的样本数据实现对无样本区域的易发性评价，且相比于传统机器模型在进行跨区域预测时具有更高、更稳定的预测准确率，具备更强的泛化能力。

关键词：滑坡易发性卷积神经网络迁移成分分析库岸边坡数据缺失

基于改进变分自编码器和迁移成分分析的分布式应变异常检测方法研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于改进变分自编码器和迁移成分分析的分布式应变异常检测方法研...

作者：王芸长安大学

学位级别：硕士

分布式光纤传感器可以一次性采集沿光纤轴向分布的全结构尺度的应变。应变反映结构表面的变形信息,通过分布式应变异常检测可以检测结构表面裂缝。基于分布式应变的结构表面裂缝检测具有广泛应用前景,但目前面临至少三方面的挑战:一是... 详细信息

分布式光纤传感器可以一次性采集沿光纤轴向分布的全结构尺度的应变。应变反映结构表面的变形信息,通过分布式应变异常检测可以检测结构表面裂缝。基于分布式应变的结构表面裂缝检测具有广泛应用前景,但目前面临至少三方面的挑战:一是分布式应变信噪比往往较低,裂缝导致的异常和噪声极易混淆,有效的异常检测需要高质量的特征表征;二是刻画裂缝异常的正样本数量不足,导致常规基于有监督机器学习的检测方法难以奏效;三是模型的泛化能力不高,基于当前结构训练好的模型很难推广应用于其它结构。通常认为深度学习能够提取噪声鲁棒的高质量特征,迁移学习有助于改善模型的泛化能力。由此针对上述难点,开展基于深度学习和迁移学习的分布式应变异常检测方法研究具有重要理论和应用研究价值。具体地:1.提出基于长短期记忆网络(Long Short Memory Network,LSTM)和变分自编码器(Variational Autoencoder,VAE)的无监督异常检测方法(VAE-LSTM)。分布式应变表现为一个空间上分布的应变点序列。假定该序列由裂缝异常子序列和无裂缝正常子序列组成,并且这两类子序列具有可区分的内在特征,从而将分布式应变异常检测视为子序列二分类问题。首先将分布式应变归一化并划分为一组等长的子序列,基于LSTM的VAE模型对子序列自动编码和重构;进而计算子序列的重建概率并进行阈值门限判别,实现对裂缝异常子序列的检测和定位。2.提出基于迁移成分分析(Transfer Component Analysis,TCA)的分布式应变异常检测方法。首先将实验室环境条件下采集的数据记为源域数据,在役桥梁实测数据记为目标域数据;然后通过求解边缘分布间距离最小优化问题,基于核函数将两域数据映射到一个新的空间(潜在空间);最后在该空间基于最近邻分类器实现在役桥梁表面裂缝的检测。3.系统地开展了实验室工字梁模拟实验和在役桥梁实测实验。结果表明,所提方法不仅能够检测结构表面裂缝,而且能够克服数据信噪比低、正样本不足、模型泛化能力不高等缺陷,具有一定的实际应用价值。

关键词：结构表面裂缝检测机器学习分布式应变变分自编码器长短期记忆网络迁移成分分析

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于样本局部判别权重的加权迁移成分分析

中国矿业大学学报 2016年第5期45卷 1043-1049,1057页

作者：臧绍飞程玉虎王雪松中国矿业大学信息与电气工程学院江苏徐州221116

鉴于迁移成分分析(TCA)忽略了样本间的局部信息差异性,提出一种基于样本局部判别权重的加权迁移成分分析.首先,通过对局部近邻圆内样本分布情况的分析,为共享特征子空间中的每个样本均设计一个局部判别权重;然后,通过将局部判别权重与... 详细信息

鉴于迁移成分分析(TCA)忽略了样本间的局部信息差异性,提出一种基于样本局部判别权重的加权迁移成分分析.首先,通过对局部近邻圆内样本分布情况的分析,为共享特征子空间中的每个样本均设计一个局部判别权重;然后,通过将局部判别权重与最大均值差异相结合构造的分布差异矩阵引入进TCA的目标函数中,从而体现样本对维持局部结构的贡献度差异;最后,结合联合分布调整和线性判别分析,使算法不仅能够同时缩小领域间的边缘分布差异和条件分布差异,而且能够提高算法的类间可分特性.36组跨领域图片数据集上的实验结果表明,所提算法能够获得65.67%的平均分类精度.

关键词：局部判别权重迁移成分分析最大均值差异联合分布调整线性判别分析

基于迁移成分分析和支持向量机的肝移植并发症预测方法

在线全文

学校读者我要写书评

暂无评论

计算机应用 2021年第12期41卷 3608-3613页

作者：曹鸿亮张莹武斌李繁菀那绪博华北电力大学控制与计算机工程学院北京102206 交通数据分析与挖掘北京市重点实验室(北京交通大学) 北京100044

已有很多机器学习算法能够很好地应对预测分类问题,但这些方法在用于小样本、大特征空间的医疗数据集时存在着预测准确率和F1值不高的问题。为改善肝移植并发症预测的准确率和F1值,提出一种基于迁移成分分析(TCA)和支持向量机(SVM)的肝... 详细信息

已有很多机器学习算法能够很好地应对预测分类问题,但这些方法在用于小样本、大特征空间的医疗数据集时存在着预测准确率和F1值不高的问题。为改善肝移植并发症预测的准确率和F1值,提出一种基于迁移成分分析(TCA)和支持向量机(SVM)的肝移植并发症预测分类方法。该方法采用TCA进行特征空间的映射和降维,将源领域和目标领域映射到同一再生核希尔伯特空间,从而实现边缘分布自适应;迁移完成之后在源领域上训练SVM,训练完成后在目标领域上实现并发症的预测分析。在肝移植并发症预测实验中,针对并发症Ⅰ、并发症Ⅱ、并发症Ⅲa、并发症Ⅲb、并发症Ⅳ进行预测,与传统机器学习和渐进式对齐异构域适应(HDA)相比,所提方法的准确率提升了7.8%~42.8%,F1值达到85.0%~99.0%,而传统机器学习和HDA由于正负样本不均衡出现了精确率很高而召回率很低的情况。实验结果表明TCA结合SVM能够有效提高肝移植并发症预测的准确率和F1值。

关键词：迁移学习迁移成分分析支持向量机肝移植并发症预测

基于迁移成分分析的跨域轴承故障分类方法研究

在线全文

学校读者我要写书评

暂无评论

机电工程 2021年第5期38卷 521-527页

作者：兰雨涛胡超凡金京王衍学北京建筑大学机电与车辆工程学院北京100044 桂林电子科技大学机电工程学院广西桂林541004

针对部分轴承故障样本稀少、源域和目标域数据存在分布差异、缺乏良好的跨域特征表示,从而导致分类性能退化、故障辨识精度低等问题,提出了一种基于迁移成分分析的域自适应轴承智能故障诊断方法。首先,建立了一个新型特征表示;然后,通... 详细信息

针对部分轴承故障样本稀少、源域和目标域数据存在分布差异、缺乏良好的跨域特征表示,从而导致分类性能退化、故障辨识精度低等问题,提出了一种基于迁移成分分析的域自适应轴承智能故障诊断方法。首先,建立了一个新型特征表示;然后,通过一个用特征提取方法得到的参数核实现域自适应,将数据投射到已学习的迁移成分,让源域和目标域样本在特征子空间上的最大均值差异最小化,得到了一个降维的特征子空间,由此显著地缩小了域分布间的距离,实现了从源域到目标域的跨域特征信息迁移;最后,通过实验对所提出的故障诊断方法的有效性进行了验证。研究结果表明:所提方法的最高分类精度达到95%,平均测试准确度达到81%,比常用分类方法的准确率提升了70%左右;所提算法可以减少域分布差异和标签噪声的影响,正确、有效地对小样本数据进行分类,检测出滚动轴承的健康状态。

关键词：滚动轴承迁移成分分析跨域特征分类故障诊断

基于样本平衡化和迁移成分分析的音频场景识别

在线全文

学校读者我要写书评

暂无评论

基于样本平衡化和迁移成分分析的音频场景识别

作者：杨洪飞哈尔滨工业大学

学位级别：硕士

音频场景识别是指通过分析音频信号的特点识别出对应的场景信息。目前音频场景识别系统的主要问题在于测试样本分布与训练集样本分布之间存在差异，在此情况下使用传统的学习方法不能得到满意的识别率。为了解决这一问题，本文引入迁移... 详细信息

音频场景识别是指通过分析音频信号的特点识别出对应的场景信息。目前音频场景识别系统的主要问题在于测试样本分布与训练集样本分布之间存在差异，在此情况下使用传统的学习方法不能得到满意的识别率。为了解决这一问题，本文引入迁移学习的理论和方法。本文采用高斯直方图作为场景特征,通过迁移学习方法缩小训练集和测试集样本分布之间的差异，然后使用支持向量机（Support Vector Machine，SVM）进行识别。本文研究了当前主要的两类迁移方法：样本迁移和特征迁移。在样本迁移方面研究了样本选择偏差，改进了一种与样本选择偏差类型无关的去除偏差的方法：基于样本选择偏差的样本平衡化(Re-Balancing by SampleSelection Bias，RBSSB)，并结合核密度估计的思想，通过重新选择训练样本来去除样本选择偏差，从而对齐训练样本和测试样本之间的边缘概率分布。在特征迁移方面研究了迁移成分分析（Transfer Component Analysis，TCA）并对其进行了改进，在TCA的基础上加入最大化训练集的类间散度和最小化训练集的类内散度的优化项，提出了判别式迁移成分分析（Fisher Discriminant TransferComponent Analysis，FDTCA），使得迁移后不同类别的场景特征具有更好的区分性。并且提出了线性TCA，大大减少了特征迁移的计算量。实验结果表明：与不进行迁移相比，RBSSB和TCA均能提高音频场景识别的准确率。最后根据两类迁移的特点对二者进行了融合，实现了基于RBSSB和TCA的音频场景识别系统。实验表明，融合后的系统识别率比采用单一迁移方法的识别率更高。

关键词：音频场景识别迁移学习迁移成分分析样本平衡化样本选择偏差支持向量机