文献

J-GLOBAL ID：201802223343028331   整理番号：18A0186896

マルチブロックカーネル確率的主成分分析法とその応用故障検出のための【Powered by NICT】

Multi-block kernel probabilistic principal component analysis approach and its application for fault detection

著者 (3件)： Xie Ying (State Key Laboratory of Synthetical Automation of Process Industry, Northeastern University, Shenyang, Liaoning 110819, PR China, Shenyang City University, Shenyang, Liaoning 110112, PR China) ,  Zhang Yingwei (State Key Laboratory of Synthetical Automation of Process, Industry Northeastern University, Shenyang Liaoning 110819 PR China) ,  Zhai Lirong (State Key Laboratory of Synthetical Automation of Process Industry Northeastern University Shenyang, Liaoning 110819 PR China, College of Light Industry Liaoning University Shenyang Liaoning 110036 PR China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： CAC  ページ： 4273-4276  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,複雑なプロセスの分散故障診断法は,マルチブロックカーネル確率的主成分分析(MBKPPCA)に基づいて提案した。確率的モデル化フレームワークの下で,本論文では,プロセス監視にMBKPPCAを導入し,MBKPPCAにおけるパラメータを決定する問題の定性的解析を与えた。効率的な期待値最大化アルゴリズムは,モデル解析におけるパラメータ学習のために開発したアルゴリズムを提案し,大規模プロセスを監視した。非線形データをマッピングカーネル関数により高次元空間に,この方法は,プロセスの非線形特徴を除去した。電気融合したマグネシア炉研究は新しい方法のモデリングと性能を評価するために提供した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 確率モデル ,  高次元 ,  アルゴリズム ,  モデリング ,  故障診断 ,  *故障検出 ,  酸化マグネシウム ,  *主成分分析
準シソーラス用語： Kernel関数 ,  パラメータ学習 ,  モデル解析 ,  EMアルゴリズム ,  プロセス監視 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  システム・制御理論一般  (IA02010H)

タイトルに関連する用語 (4件)： 確率 ,  主成分分析法 ,  応用 ,  故障検出