芘作为多环芳烃(PAHs)类物质广泛存在于自然环境中, 亲脂性强, 对人体有致癌影响。 因此, 食用油中芘的含量的判定对品质的把控具有深远的意义。 采用拉曼光谱与人工智能算法相结合进行多环芳烃的定量分析是当前的一个研究热点。 将一毫升食用油与不同固定浓度的芘液体混合制作样本, 然后制作薄层色谱板与金粒子, 采用薄层色谱和表面增强拉曼散射(SERS)光谱相结合的方法进行实验获得光谱数据, 选取自适应迭代加权惩罚最小二乘算法进行预处理, 再采用Multi parameter-Principal Component Analysis-Back Propagation Neural Network模型方法进行定量分析。 该模型首先在预处理后的光谱中选取两个特征峰进行分峰拟合获取特征峰的高度、 半高宽、 面积等参数。 将两个特征峰的拉曼数据与通过拟合获取的参数进行归一化再采用主成分分析获取关键参数, 将获取的关键参数作为输入层输入基于L2正则化的BP神经网络中, 输出预测浓度。 实验分别采用不同的算法进行浓度预测, 实验结果表明, 通过偏最小二乘算法预测的芘浓度, 其测试集决定系数R2为0.58, 均方根误差(RMSEC)为1.85; 采用线性回归拟合特征峰面积与浓度的规律最终预测的芘浓度, 其测试集决定系数R2为0.26, 均方根误差(RMSEC)为2.28; 采用Multi parameter-Principal Component Analysis-Back Propagation Neural Network模型预测芘浓度, 其测试集决定系数R2为0.99, 均方根误差(RMSEC)为0.31, Multi parameter-Principal Component Analysis-Back Propagation Neural Network模型预测精准度更高, 误差更小。 模型是针对光谱数据信息与样本浓度之间非线性、 高维度的关系, 而建立的预测精度及建模效率均高于同类对比的算法模型。 模型拟合特征峰获取关键变量, 将关键变量与特征峰的拉曼位移都作为特征向量, 因此特征向量较为充分, 模型利用PCA提取拉曼光谱非线性特征并且采用基于L2正则化BP神经网络泛化力强的优点, 防止过拟合, 因此可以更加精准快捷地预测出芘的浓度。

多传感器组合导航系统的容错性能是其基本要求。为提高组合导航系统对突变和渐变型故障的检测能力, 设计了一种结合主元分析与组合导航的容错算法。详细介绍了多传感器组合导航系统理论, 具体介绍了基于主元分析的故障检测与辨识,并对该组合导航系统的容错性能进行分析。实验结果表明, 结合主元分析与组合导航的容错算法对导航传感器的突变型和渐变型故障均具有很好的检测能力, 对导航系统的容错性能有明显的改善。

近年来, 饮用水安全问题引起社会的广泛关注。 采用紫外-可见光吸收光谱对水质进行异常检测, 具有现场原位、 无需试剂、 分析快速等优点, 适合快速在线监测。 然而, 紫外-可见光光谱数据量大, 且易受仪器和水质正常波动的干扰, 从而影响水质异常检测结果。 提出一种基于基线校正和主元分析的紫外-可见光光谱法来检测污染物引起的水质异常, 该方法利用非对称最小二乘校正基线, 采用主元分析法从基线校正后的光谱矩阵中降维并提取特征, 然后根据残差子空间的Q统计量评估测试样本的离群点, 最后采用累计概率来更新异常报告结果。 通过苯酚注入的实验, 验证了该算法的有效性, 实验结果表明, 提出的方法与单波长法相比, 有效地提高了污染物的检出下限; 与未经基线校正采用主元分析进行的异常检测方法相比, 提高了检出率, 降低了误报率。

针对深耦合系统误差监测的需求, 根据深耦合系统中观测量的统计特性, 提出了基于PCA的深耦合误差监测方法, 该方法采用正常观测数据构建PCA模型, 再利用该模型的参数实时监控深耦合系统中的观测数据, 使用该方法检测与消除深耦合系统中的误差, 同时运用小波降噪提升误差检测的性能。最后通过仿真验证了所提方法的可行性和有效性。

采用点插值法、循环矩阵模型、拉普拉斯正则化方法和共轭梯度迭代法, 解决了空间变化图像复原过程中空间变化点扩展函数的获取、反卷积的计算模型、反问题的病态性以及复原算法等问题。在此基础上, 建立了空间变化图像复原方法, 并分析了图像复原的基本模型。最后, 通过仿真对比了提出的空间变化图像复原算法和空间不变图像复原算法, 结果表明, 空间变化算法的图像复原结果好于空间不变算法。

针对传统核主元分析法诊断动态系统故障可能会出现大量误报、漏报问题, 提出一种分步自回归核主元分析法。该方法以分步动态策略为基础建立诊断模型, 结合滑动窗口机制和指数加权思想, 通过不断加入经加权处理的实时数据更新诊断模型, 使用T2和SPE统计量判断系统是否发生故障。将该方法应用于柴油机气阀机构故障检测, 结果表明: 该方法既能充分利用原始数据和实时动态信息, 自动更新模型, 又能减小计算量, 更早监测出异常工作状态, 提高故障诊断的快速性, 还能增大故障敏感度, 使诊断结果更加准确可靠。

剪切散斑相移干涉术需要提取物体加载后的动态相位变化，因此提出一种基于主元分析的随机相移散斑图分析算法。该算法采用相关计算法从随机相移散斑图中获得随机相移条纹图，然后利用主元分析算法（PCA）从一组随机相移条纹图中提取动态相位分布。实验结果表明，相关计算法处理散斑图所得的随机相移条纹图具有较高信噪比,PCA提取的相位具有较高的精度和效率。该算法无需迭代计算，对随机相移条纹图的空间载波频率没有严格的要求，适合动态剪切散斑干涉测量。

利用主元分析从一组干涉图中提取相位和相移量, 得到相移量与驱动电压之间的对应关系, 从而实现压电陶瓷相移器的非线性校准.模拟结果表明: 主元分析法计算相移量的误差随着干涉图中条纹根数的增多而减小;当干涉图中条纹根数多于0.25时, 相移量计算误差小于0.1664rad.实验结果表明: 相移量计算误差是周期分布, 对相移器校准准确度影响小.该方法无需迭代计算, 且对干涉图中条纹根数没有严格要求, 因此是一种高效且实用的校准方法.

基于主元分析的随机相移算法在动态干涉测量中有重要的应用。目前现有文献尚不能解决该算法存在的相位符号不确定性以及无法评估提取相位结果的可靠性。为了解决该问题，利用主元分析方法从随机相移干涉条纹中同时取相位分布和相移值，然后分析相位符号、精度与相移值之间的关系，最后利用所求相移值确定相位符号并表征相位的可靠性。数值分析和实验结果验证该方法的有效性。数值模拟结果表明相位符号由相移值曲线斜率的符号决定，相位提取结果的可靠性取决于相移值的随机统计特性。