基于可解釋變異性的主元選取方法.pdf

1、主元分析（rincipal component analysis，PCA）是一種多元統(tǒng)計分析建模方法，在工業(yè)過程中，它經常被應用于狀態(tài)監(jiān)測與故障診斷等方面。研究表明，主元個數(shù)作為PCA過程監(jiān)測模型中最重要的參數(shù)，直接決定了PCA的過程監(jiān)測性能。在建模過程中，選擇正確的主元個數(shù)能夠有效地提取出數(shù)據(jù)中的主要信息，排除噪聲的干擾，提高狀態(tài)監(jiān)測的效果和故障診斷的精度。常用的幾種主元選取方法有:主元累計貢獻率(cumulative percent

2、 variance，CPV)，平均特征值(averageeigenvalue，AE)，交叉驗證法（cross-validation，CV），重構誤差方差法(varianceof the reconstruction error，VRE)，故障信噪比（fault signal-to-noise ratio，SNR）等。
　　本文提出了一種新的主元選取方法，叫做基于可解釋變異性的主元選取方法（variability explained

3、 by principal component，VEPC）。通過計算每個變量的變異性能夠被各個主成分解釋的百分比，分別選取各個變量滿足相應條件的主元，并且求出它們的合集，就可以得到最終選取的主元。本文首先詳細介紹了可解釋變異性主元選取方法的定義及計算方法，接著引出了可解釋變異性主元選取方法中所用到的兩種法則:可解釋性累計貢獻率法和可解釋性平均貢獻率法，并且對兩種法則的特性進行了詳細分析，得出可解釋性平均貢獻率適應性更強的結論。接著，本文