1) multi-way principle component
多向主元
2) MPCA
多向主元分析
1.
In order to reduce the variations of the product quality, multivariate statistical process control methods based on Multi-way Principal Component Analysis (MPCA) are used for on-line batch process monitoring.
为提高间歇生产的可重复性,提高批次之间产品的一致性, 多向主元分析法 (MPCA) 广泛应用于间歇生产过程的监控。
2.
Based on multi-way principal component analysis(MPCA), the paper investigates the on-line simulation research on lysine fermentation process, proposes a off-line way of quality assessment, and introduces the operation procedure of MPCA in batch process.
基于多向主元分析,对赖氨酸分批发酵过程进行了在线统计监控的仿真研究,详细介绍了多向主元分析运用于间歇过程的操作程序,并提出了离线质量评估方法。
3.
Multiway Principal Component Analysis (MPCA) is an effective method for batch process monitoring and fault diagnosis, but it could not monitor the nonlinear and dynamic system efficiently.
多向主元分析 (MPCA)是应用于间歇生产过程故障监测与诊断中的一种较为有效的方法 ,但由于其自身的线性化特点 ,使之在复杂的非线性动态系统处理中显得力不从心 。
3) multiway kernel principal component analysis(MKPCA)
多向核主元分析
1.
A method based on multiway kernel principal component analysis(MKPCA) was proposed to capture the nonlinear characteristics of normal batch processes.
为此提出了一种多向核主元分析(MKPCA)算法用于间歇过程的建模与在线监测。
4) multiway principal component analysis
多向主元分析
5) multiway principle component analysis (MPCA)
多方向主元分析
1.
It integrates the time-lagged windows of process dynamic behavior with the multiway principle component analysis (MPCA).
基于传统的多方向主元分析(MPCA)常会导致误诊断,且对批生产过程难以保证在线状态监测和故障诊断的实时性,提出了一种改进的MPCA方法,该方法采用多模型非线性结构代替传统MPCA单模型线性化结构,克服了后者不能处理非线性过程和实时性问题,并避免了MPCA在线应用时预报未来测量值带来的误差,提高了批过程性能监测和故障诊断的准确性。
6) multiway principal component analysis (MPCA)
多向主元分析
1.
The key to the new method is that whenever a new batch detected by improved moving window multiway principal component analysis (IMWMPCA) successfully remains within the bounds of normal operation,its batch data are added to the historical database of normal data and a new multiway principal component analysis (MPCA) model is developed based on the revised data.
针对传统的多向主元分析(MPCA)模型批过程监测的缺陷。
补充资料：主成分分析
| 主成分分析 principal component analysis 将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法。又称主分量分析。在实际课题中，为了全面分析问题，往往提出很多与此有关的变量（或因素），因为每个变量都在不同程度上反映这个课题的某些信息。但是，在用统计分析方法研究这个多变量的课题时，变量个数太多就会增加课题的复杂性。人们自然希望变量个数较少而得到的信息较多。在很多情形，变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠。主成分分析是对于原先提出的所有变量，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息。主成分分析首先是由K.皮尔森对非随机变量引入的，尔后H.霍特林将此方法推广到随机向量的情形。信息的大小通常用离差平方和或方差来衡量。 |
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条