独立分量分析方法及其在过程监测与建模领域的应用

摘要

独立分量分析(ICA)是近二十年来逐渐发展起来的一种盲信号分离方法。它是一种统计方法，其目的是从由传感器收集到的混合信号中分离出相互独立的源信号，使得这些分离出来的源信号之间尽可能独立。它在语音识别、电信和医学信号处理等信号处理方面有着广泛的应用，目前已成为盲信号处理，人工神经网络等研究领域中的一个研究热点。 本文首先简要的阐述了ICA的发展、应用和现状，详细地论述了ICA的原理及实现过程，系统地介绍了目前几种主要ICA算法以及它们之间的内在联系，在此基础上重点分析了一种快速ICA实现算法—FastICA。 在应用方面，本文对工业过程的过程监测与故障诊断技术进行了介绍，为此以ICA算法为核心，引入一种新型的过程监测及故障诊断方法，应用ICA提取独立分量，利用I2图，Ie2图和SPE图进行故障检测，将变量重构图用于诊断故障。以三水箱系统为背景进行的实验研究，验证了该方法的有效性。另外仿照主元回归提出了独立分量回归。并将此方法应用在加热炉钢温预报中，通过仿真实验，取得了很好的效果，证明了该方法的可行性。 在本文的最后对全文做出了总结，并对ICA的进一步研究方向进行了展望。

目录

文摘

英文文摘

第一章概述

1.1引言

1.2 ICA的发展过程

1.3 ICA的应用情况

1.4本文的主要工作

第二章ICA原理及算法

2.1常用公式及定义

2.1.1熵

2.1.2互信息

2.1.3散度Kullback-Leibler(KL)

2.1.4峰度、亚高斯信号和超高斯信号

2.1.5负熵

2.2 ICA实现原理

2.2.1 ICA的模糊性

2.2.2 ICA的独立性测度准则

2.2.3 ICA信号分离的实现过程

2.3现有的几种主要ICA算法

2.3.1信息最大化法(infomax)

2.3.2负熵最大化法

2.3.3最大似然估计法

2.4 FastICA算法提出及推导

2.4.1 ICA中的信号预处理

2.4.2目标函数的选择

2.4.3定点算法

2.4.4 FastICA算法的特点

2.5本章小节

第三章ICA在过程监测及故障诊断中的应用

3.1概述

3.1.1过程监测的研究对象和基本概念

3.1.2过程监测方法分类

3.2基于独立分量分析的过程监测及故障诊断

3.2.1过程监测模型及其实现

3.2.2故障诊断方法及其实现

3.3实验结果及研究

3.3.1三水箱系统结构简介

3.3.2实验结果

3.4本章小节

第四章ICA在加热炉钢温预报中的应用

4.1建模方法简介

4.2回归分析及多元统计投影

4.2.1多元显性回归

4.2.2主元回归及部分最小二乘

4.3独立分量回归

4.4仿真研究

4.4.1轧钢加热炉的工艺流程及数据检测

4.4.2钢温预报模型的建立

第五章总结与展望

参考文献

致谢

附录1 攻读硕士学位期间发表的论文情况