KPCA用于TE过程的程序matlab）

pca用于对TE的过程故障诊断中，很好用的一个程序。希望采纳

function qn=kpca（dtrainkernelqFaCa）;
% KPCA -核主成分分析
%
% 使用 [trainFeatbj]=kpca（datakernelp1p2）
% 输入 data - 原始数据文件名
%      kernel - 核函数
%      p1 p2 - 核函数参数
%      q - 投影后的维数
% 输出    trainFeat - 映射到特征空间的样本

%训练样本
% global pp1FaCa
global pp1
[m n]=size（dtrain）;
k=zeros（mm）;
% 计算核矩阵
 for i=1:m
       for j=1:m
          k（ij） = svkernel（kerneldtrain（i:）dtrain（j:））;
       end
 end
D=mean（k1）;%列均    运行时注意查看一下D和C是否与原来的J和J’相等
% C=mean（k2）;%行均
E=mean（D）;
J=repmat（Dm1）;
% J‘
% J1=repmat（D‘1m）;
% J2=repmat（C‘m1）;%利用这种方法得到的结果和利用J和J‘得到的结果是一样的
k=k-J-J‘+repmat（Emm）; %将核矩阵中心化
[pcsevalue]=eigs（kq‘LM‘）; %核矩阵的特征向量和特征值;这里的q只是粗选q个最大的特征值，这样应该可以减小后面的计算量
%注意：使用eigs函数取的最大的q个特征值后，matlab将自动将这些特征值当做是一个q阶矩阵产生的
%的特征值。为此，在下面计算贡献率时，它将q个特征值的贡献率当做为100%，将和实际的样本贡献率发生很大的差别
% evoctor=pcs;%%%%%%%%%
%EIGS（AKSIGMA） and EIGS（ABKSIGMA） return K eigenvalues based on SIGMA:
       %‘LM‘ or ‘SM‘ - Largest or Smallest Magnitude
%特征向量规范化
sqrtL=1./sqrt（diag（evalue））;
invsqrtL=diag（sqrtL）;
clear sqrtL
%sqrtL=diag（sqrt（evalue））;
%invsqrtL=diag（1./diag（sqrtL））;%注意，这里最后得到的invsqrtL变量是以ai为元素的对角矩阵！！！！！！！！！！！！
% pcs=invsqrtL*pcs‘;%这里是是根据公式将a的模值等于特征值的根号分之一
pcs=invsqrtL*pcs‘;


value=sum（evalue）;
eev=value;
Tnew=pcs*k‘;%映射到主成分空间；取对应主元个数个ai系数
Tnew=Tnew‘;%%测试样本经过投影映射后得到的主元矩阵%Tnew是m1*pnum维的
es=inv（diag（eev））;
for i=1:m
    T2（i）=Tnew（i:）*es*Tnew（i:）‘;
end
c1=ones（m1）;
ep=（1/（m^2））*sum（sum（k））;
epp=repmat（epm1）;
SPE=c1-（2/m）.*sum（k2）+epp-diag（Tnew*Tnew‘）;%对于每一个新样本的SPE值是按照《故障诊断与容错控制》PPT上140页的公式2.64计算的，
tts=length（SPE）;
ttt=1:1:tts;
figure（2）
plot（tttSPE‘g-o‘）;
num=ceil（0.08*m）;%去掉总数的10%，将其当作误差
sortts1=sort（T2‘descend‘）;
sortts2=sort（SPE‘descend‘）;
ddt=sortts2（1:num）;
tt=length（ddt）;
qn=[];
for i=1:tt
    qn=[qnfind（ddt（i）==SPE）];
end

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        2201  2009-03-21 10:05  kKKKKKPCA.m