文献

J-GLOBAL ID：201702268342643999   整理番号：17A1630409

カーネル主成分分析を用いた故障検出と推定【Powered by NICT】

Fault detection and estimation using kernel principal component analysis

著者 (5件)： Kallas Maya (Centre de Recherche en Automatique de Nancy, CNRS UMR 7039, Universite de Lorraine, 2 Avenue de la foret de Haye, 54518 Vandoeuvre-Les-Nancy) ,  Mourot Gilles (Centre de Recherche en Automatique de Nancy, CNRS UMR 7039, Universite de Lorraine, 2 Avenue de la foret de Haye, 54518 Vandoeuvre-Les-Nancy) ,  Anani Kwami (Centre de Recherche en Automatique de Nancy, CNRS UMR 7039, Universite de Lorraine, 2 Avenue de la foret de Haye, 54518 Vandoeuvre-Les-Nancy) ,  Ragot Jose (Centre de Recherche en Automatique de Nancy, CNRS UMR 7039, Universite de Lorraine, 2 Avenue de la foret de Haye, 54518 Vandoeuvre-Les-Nancy) ,  Maquin Didier (Centre de Recherche en Automatique de Nancy, CNRS UMR 7039, Universite de Lorraine, 2 Avenue de la foret de Haye, 54518 Vandoeuvre-Les-Nancy)
資料名： IFAC PapersOnLine  (IFAC PapersOnLine)
巻： 50  号： 1  ページ： 1025-1030  発行年： 2017年 
JST資料番号： W3101A  ISSN： 2405-8963  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 主成分分析(PCA)を用いてデータの分散を最大化する部分空間を検索するために,検出が容易で断層の存在を広く線形技術である。それにもかかわらず,実際のシステムは非線形であった。この目的のために,故障診断のためのカーネル主成分分析(KPCA)として知られているカーネルベース法を使用するために本論文で提案した。主なアイデアは,高次元特徴空間の中にデータを予測し,通常のPCAが適用される非線形変換を使用することである。検出は,この空間で定義できるが,断層の推定は,入力空間にマップを必要とする。この意味で,反復事前画像法を導出した。可能な初期点に関する研究を行った。異なる特性に基づく三初期化法を提示した。提案した技術の妥当性をシミュレートしたデータを説明した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 線形性 ,  高次元 ,  画像 ,  *主成分分析 ,  *故障検出 ,  故障診断
準シソーラス用語： 非線形変換 ,  特徴空間 ,  部分空間 ,  *カーネル主成分分析 , 【Automatic Indexing@JST】

著者キーワード (4件)： 故障診断 ,  非線形システム ,  カーネル主成分分析 ,  最適化問題

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： カーネル主成分分析 ,  故障検出 ,  推定