基于DPCA的线性监督分类的故障诊断方法-T2和SPE统计量的计算

该博客介绍了如何利用DPCA(动态主成分分析)进行故障诊断,特别是在线性监督分类中的应用。首先,通过z-score归一化处理数据,并创建包含过去时间窗口的动态样本矩阵。动态样本的标签与其第一个原始样本的标签保持一致。接着,对动态样本矩阵进行归一化操作,后续步骤与PCA方法类似。参考文献涉及了动态主成分分析在干扰检测和化工过程监测中的应用。
摘要由CSDN通过智能技术生成

数据预处理

训练集样本(只有正样本)为 X n ∗ m { {\rm{X}}_{ {\rm{n*m}}}} Xnm(需要列均值为零,采用z-score归一化即可,每行一个样本,样本数目n,特征维度m)。

假设时延为 l l l,则生产一个新的数据矩阵(利用过去时间内观察到的样本):
X ( l ) = [ x k T         x k − 1 T        . . .      x k − l T x k + 1 T     x k T            . . .       x k + 1 − l T       ⋮             ⋮                   ⋮              ⋮ x k + p T     x k + p − 1 T    . . .     x k + p − l T ] X(l) = \left[ \begin{array}{l} x_k^T{\rm{\,\,\,\,\,\,\,}}x_{k - 1}^T{\rm{\,\,\,\,\,\,}}...{\rm{\,\,\,\,}}x_{k - l}^T\\ x_{k + 1}^T{\rm{\,\,\,}}x_k^T{\rm{\,\,\,\,\,\,\,\,\,\,}}...{\rm{\,\,\,\,\,}}x_{k + 1 - l}^T\\ {\rm{\,\,\,\,\,}} \vdots {\rm{\,\,\,\,\,\,\,\,\,\,\,}} \vdots {\rm{\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,}} \vdots {\rm{\,\,\,\,\,\,\,\,\,\,\,\,}} \vdots \\ x_{k + p}^T{\rm{\,\,\,}}x_{k + p - 1}^T{\rm{\,\,}}...{\rm{\,\,\,}}x_{k + p - l}^T \end{array} \right] X(l)=xkTxk1T...xklTxk+1TxkT.

评论 7
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值