基于KPCA残差方向梯度的故障检测方法及应用.pdf,针对核主元分析(KPCA)在应用过程中非线性映射不存在原像、故障变量无法辨识、工程应用困难等问题，提出了一种改进的KPCA残差方向梯度故障检测方法。利用主元统计量和残差统计量的偏微分之间存在着相关性这一性质，对与主元统计量相关的格拉姆矩阵偏微分中间计算过程进行优化，提出一种新的KPCA残差方向梯度算法，在此基础上结合统计量形成系统故障检测的新方法。非线性系统仿真表明，改进的KPCA残差方向梯度法不仅具有较优的故障变量辨识能力，还极大地减小了计算量，缩短了计算时间。大型热力系统的应用进一步表明，无论对于单故障和多故障的情况，方法均具有较好的故障检测能力，并且不存在残差污染，易于工程实现。

介绍了一种非线性故障检测方法——核主元分析法（KPCA），通过核函数来完成非线性变换，将变量由非线性的输入空间转换到线性的特征空间。在特征空间中使用PCA计算主元，构造T2和SPE统计量检测过程故障的发生。提出了一种KPCA贡献图计算方法，根据测量变量和非线性主元的相关性，计算测量变量的贡献量绘制贡献图，用于故障变量的分离。仿真结果表明，KPCA方法可以比PCA方法更加迅速的检测到故障的发生，利用KPCA贡献图可以较好的辨识出故障变量。

文件内包含KRR、KPCA、KPCR以及KPLS的相关程序，其中KPLS相关程序又包括KerSIMPLS以及KerNIPALS可供选择，他们是用不同方法计算的PLS。同时文件中还有一个例子，分别应用这些程序实现sin函数的拟合，清晰易懂，希望对大家有所帮助。

MATLAB程序的kpca函数，程序有详解，函数可以选择四种不同的核函数进行计算，可以输入训练和测试数据

kpca的matlab程序，有比较详细的注释

采用KPCA进行人脸特征脸提取，基于osu-svm进行分类，使用的是ORL标准人脸数据库。采用网格法对参数优化后，识别正确率可达97%。具体优化的参数及识别结果见压缩包内mat文件！

内核主成分分析（KPCA） MATLAB代码，用于通过使用内核来进行非线性降维，故障检测和故障诊断。 2.1版，2020年5月6日 电子邮件： 主要特点 易于使用的API，用于训练和测试KPCA模型 多种内核功能 支持降维，故障检测和故障诊断 支持数据重建 告示 仅支持对高斯内核进行故障诊断。 使用“ Classdef ... End”定义类，因此该代码只能在R2008a版本之后应用于MATLAB。 更多详细信息和讨论，请参阅： : 此代码仅供参考。 降维演示（“香蕉”数据和“圆”数据） 数据重建演示（“圆形”数据） 故障检测演示（TE过程数据） 故障诊断演示（TE过程数据）

该程序用于降维和特征提取。程序包含主程序和子程序，程序已调通

多光谱遥感影像特征提取是保证图像分类结果精度的关键,文中介绍了多光谱遥感影像特征提取的两种主要方法。通过实验证明:KPCA较PCA具有更好的数据压缩和降维效果,影像特征提取效果优势明显。

本设计为基于matlab的人脸识别系统，可读取ORL或者YALE人脸库或者自己的人脸，采用的方法可以通过下拉框形式切换成PCA,KPCA,LDA,K-L,BP神经网络多种方式，计算识别率，也可以调用笔记本自带摄像头进行识别。具备一个人机交互式GUI界面，界面友好，识别准确，同时配备相对应的操作说明和运行效果图，直接运行GUI文件即可完美运行。另外，诸如车牌，指纹识别，图象去雾，压缩，水印，疲劳检测，人数统计，声音信号处理等均可做技术交琉，欢迎一起探讨。