Multi-way PCA——多维主成分分析

????作者简介:大家好,我是车神哥,府学路18号的车神????

⚡About—>车神:从寝室到实验室最快3分钟,最慢3分半(那半分钟其实是等红绿灯)

????个人主页:应无所住而生其心的博客_府学路18号车神_CSDN博客

????点赞➕评论➕收藏 == 养成习惯(一键三连)????

????本系列主要以学习Go语言打怪升级为标准,实现自我能力的提升为目标⚡

⚡希望大家多多支持????~一起加油 ????


专栏


《Golang · 过关斩将》


《LeetCode天梯》


《Neural Network》


《Python》


《Algorithm》


最近在项目中,发现批次过程(Batch Process)的应用还比较广泛,主要是面临一个三维特征的问题,平时我们面临的问题一般都只是二维的,一个是特征维度,另外一个是样本或者时刻(单指的采样时刻);但是会存在这样一个问题,当我们遇到的是一个采样时间很长,或者是连贯性不是那么好的实验样本时,但从采样时刻来进行特征提取,会在时间特性上有所丢失,由此我们应该加上不同时刻,而不只是单个时间段的采样点,或许是day1、day2、…的采样点,这样考虑会出现定义更为准确的结果。因为包含了时空特征进去,所有批次处理过程技术就由此诞生。


或许到这里你还不是特别明白是什么意思,接着看下面你就懂了。


目前用的最多的,效果最好的,永远是最经典的方法——Macgregor Method,也称作Multi-way PCA。


1994的paper,放在这里:Monitoring Batch Processes Using Multiway Principal Component Analysis


这是在谷歌学术上的,可能得想点办法才能刚打开哟!~


Multi-way PCA

Multi-way PCA——多维主成分分析

Multi-way PCA——多维主成分分析

Multi-way PCA——多维主成分分析

上述算法中的矩阵运算为:

Multi-way PCA——多维主成分分析

图2清楚地显示,这个版本的MPCA解释了从参考数据库计算出的测量变量的平均轨迹的变化。从每个变量中减去平均轨迹可以消除过程的主要非线性行为。t-score向量的第i个元素对应于第i批,并总结该批相对于数据库中其他批在其整个持续时间内的总体变化。P加载矩阵总结了测量变量关于其平均轨迹的时间变化,它们的元素是权重,当在批内的每个时间间隔应用于每个变量时,给出该批的t分数。

Multi-way PCA——多维主成分分析

阴影区域表示M PCA 解释的变化

其实方法很简单,就是切片,然后再处理,意思就是化繁为简,将三维转化为二维再进行特征提取!


上一篇:<LeetCode天梯>Day047 汉明距离(位运算+内置函数) | 初级算法 | Python


下一篇:<LeetCode天梯>Day046 位1的个数(内置函数+位运算) | 初级算法 | Python