主成分分析(PCA)及动态主成分分析(Dynamic PCA)模型原理分析
纯理论推导,建议慢食!!!
建议推一遍公式,挺好的。
主成分分析(PCA Model, PM)
PCA是一种统计方法,广泛应用于工程和科学应用中,与傅里叶分析相比,尤其适用于质量监测。
设x∈Rm\boldsymbol{x} \in \mathfrak{R}^{m}x∈Rm表示mmm个传感器矢量的样本测量值。
假设每个传感器有NNN个样本,数据矩阵X=[x1x2⋯xN]T∈RN×m\mathbf{X}=\left[\begin{array}{llll} \boldsymbol{x}_{1} & \boldsymbol{x}_{2} & \cdots & \boldsymbol{x}_{N} \end{array}\right]^{T} \in \mathfrak{R}^{N \times m}X=[x1x2⋯xN]T∈RN×m,由代表样本xiTx^T_ixiT的每一行组成。
正常数据矩阵XXX的一个重要要求是,它应具有丰富的正常变化,以代表过程的共同原因变化。矩阵XXX被缩放为零均值,通常为PCA建模的单位方差。矩阵XXX通过奇异值分解(SVD)分解为得分矩阵TTT和加载矩阵PPP,
X=TPT+X~(1)\mathbf{X}=\mathbf{T P}^{T}+\tilde{\mathbf{X}}\tag{1}X=TPT+X~(1)
其中T=XPT=XPT=XP包含 lll 个左前导奇异向量和奇异值,P 包含lll个右前导奇异向量,X~\tilde{\mathbf{X}}X~ 是残差矩阵。因此,T 的列是正交的,P 的列是正交的。将样本协方差矩阵表示为
S=1N−1XTX(2)\mathbf{S}=\frac{1}{N-1} \mathbf{X}^{T} \mathbf{X}\tag{2}S=N−11XTX(2)
作为SVD的替代方法,可以对 S 进行特征分解,以获得 P 作为 S 的 lll 个前导特征向量,特征值表示为
Λ=diag{λ1,λ2,…,λl}(3)\mathbf{\Lambda}=\operatorname{diag}\left\{\lambda_{1}, \lambda_{2}, \ldots, \lambda_{l}\right\}\tag{3}Λ=diag{λ1,λ2,…,λl}(3)
第 iii 个特征值可与得分矩阵 T 的第 iii 列相关,如下所示:
λi=1N−1tiTti≈var{ti}(4)\lambda_{i}=\frac{1}{N-1} \mathbf{t}_{i}^{T} \mathbf{t}_{i} \approx \operatorname{var}\left\{\mathbf{t}_{i}\right\}\tag{4}λi=N−11tiTti≈var{ti}(4)
这是第iii个得分向量ti∈RN\mathbf{t}_{i} \in \mathfrak{R}^{N}ti∈RN的样本方差。主成分子空间(PCS)是Sp=span{P}\mathcal{S}_{p}=\operatorname{span}\{\mathbf{P}\}Sp=span{P},剩余子空间(RS)SrS_rSr是SpS_pSp的正交补。将测量空间划分为PCS和RS,使得RS仅包含微小的奇异值,这些奇异值对应于通常具有较小变化的子空间,或者主要是噪声的子空间。因此,残差类似于根据质量平衡和能量平衡建立的数学模型中的方程误差。
样本向量x∈Rm\mathbf{x} \in \mathfrak{R}^{m}x∈Rm可以分别投影到PCS和RS上,
x^=Pt=PPTx∈Sp(5)\hat{\boldsymbol{x}}=\mathbf{P} \boldsymbol{t}=\mathbf{P P}^{T} \boldsymbol{x} \in \mathcal{S}_{p}\tag{5}x^=Pt=PPTx∈Sp(5)
其中,
t=PTx∈Rl(6)\boldsymbol{t}=\mathbf{P}^{T} \boldsymbol{x} \in \mathfrak{R}^{l}\tag{6}t=PTx∈Rl(6)
为 lll 个潜在变量得分的向量。
残差向量:
x~=x−x^=(I−PPT)x∈Sr(7)\tilde{\boldsymbol{x}}=\boldsymbol{x}-\hat{\boldsymbol{x}}=\left(\mathbf{I}-\mathbf{P P}^{T}\right) \boldsymbol{x} \in \mathcal{S}_{r}\tag{7}x~=x−x^=(I−PPT)x∈Sr(7)
因为 SpS_pSp 和 SrS_rSr 是正交的,
x^Tx~=0(8)\hat{\boldsymbol{x}}^{T} \tilde{\boldsymbol{x}}=0\tag{8}x^Tx~=0(8)
且
x=x^+x~(9)\boldsymbol{x}=\hat{\boldsymbol{x}}+\tilde{\boldsymbol{x}}\tag{9}x=x^+x~(9)
其中,一个重要的概念是,数据的PCA模型,x^\hat{\boldsymbol{x}}x^由潜变量 t∈Rm\mathbf{t} \in \mathfrak{R}^{m}t∈Rm 参数化。
动态主成分分析(Dynamic PCA Models, DPM)
同样的PCA分解可以扩展到表示时间相关的动态过程数据,通过传递函数矩阵提取与测量向量相关的潜在变量。在潜变量建模中,测量变量不分为输入变量和输出变量。
相反,所有变量都与许多潜在变量相关,以表示它们的相关性。
设zkz_kzk时间kkk时所有的变量的集合。
扩展变量向量可以定义为
xkT=[zkTzk−1T⋯zk−dT](9)\boldsymbol{x}_{k}^{T}=\left[\boldsymbol{z}_{k}^{T} \mathbf{z}_{k-1}^{T} \cdots \boldsymbol{z}_{k-d}^{T}\right]\tag{9}xkT=[zkTzk−1T⋯zk−dT](9)
PCA潜在变量得分可根据(5)计算,如下所示:
tk=PT[zkTzk−1T⋯zk−dT]T(10)\mathbf{t}_{k}=\mathbf{P}^{T}\left[\mathbf{z}_{k}^{T} \mathbf{z}_{k-1}^{T} \cdots \mathbf{z}_{k-d}^{T}\right]^{T}\tag{10}tk=PT[zkTzk−1T⋯zk−dT]T(10)
根据(10)将PPP划分为d+1d+1d+1块
PT=[P0TP1T⋯PdT](11)\mathbf{P}^{T}=\left[\begin{array}{llll} \mathbf{P}_{0}^{T} & \mathbf{P}_{1}^{T} & \cdots & \mathbf{P}_{\mathrm{d}}^{T} \end{array}\right]\tag{11}PT=[P0TP1T⋯PdT](11)
由(10) 可以用传递矩阵的形式表示,
tk=∑i=0dPiTzk−i≡A(q−1)zk(12)\boldsymbol{t}_{k}=\sum_{i=0}^{d} \mathbf{P}_{i}^{T} \boldsymbol{z}_{k-i} \equiv A\left(q^{-1}\right) \boldsymbol{z}_{k}\tag{12}tk=i=0∑dPiTzk−i≡A(q−1)zk(12)
其中,A(q−1)=∑i=0dPiTq−iA\left(q^{-1}\right)=\sum_{i=0}^{d} \mathbf{P}_{i}^{T} \boldsymbol{q}^{-i}A(q−1)=∑i=0dPiTq−i是矩阵多项式,q−i\boldsymbol{q}^{-i}q−i是后移算子。等式(12)表明,潜在变量是过去数据的线性组合,其降序方差最大。这个概念类似于卡尔曼滤波器状态向量。投影(4)包含测量的滤波或平滑估计。
在闭环控制系统的情况下,过程输入和输出变量通常对一些主要的过程扰动作出响应。主要扰动起潜变量的作用。因此,潜在变量模型可以在向量zkz_kzk中包括过程输入和输出。
❤坚持读Paper,坚持做笔记❤!!!
To Be No.1哈哈哈哈
创作不易,过路能❤关注、收藏、点个赞❤三连就最好不过了
ღ( ´・ᴗ・` )
『
她有心,她的心在我这里
』
主成分分析(PCA)及动态主成分分析(Dynamic PCA)模型原理分析相关推荐
- Holt-Winters模型原理分析
Holt-Winters模型原理分析及代码实现(python) from:https://blog.csdn.net/u010665216/article/details/78051192 引言 最近 ...
- Holt-Winters模型原理分析及代码实现(python)
引言 最近实验室老师让我去预测景区内代步车辆的投放量,于是乎,本着"一心一意地输出年富力强的劳动力"这份初心,我就屁颠屁颠地去找资料,然后发现了Holt-Winters模型 , 感 ...
- 【Java】静态代理和动态代理简单实现和原理分析
静态代理 1.定义抽象接口 首先将业务功能抽象出来,比如购买机票,所有的航空公司都提供一个购买的渠道,那么将这个购买行为抽象作为一个接口AirLine public interface AirLine ...
- 动态人脸识别的简要原理分析
前言:今天在电脑压箱底的位置竟然找到了当年大学毕业的毕业设计,当时做的是一个安全检测系统,其中有一个模块是人脸识别,从中摘出来三张图片和大家分享,时间已久,下面全是即兴书写,如有bug,敬请百度,谢谢 ...
- JDK动态代理的底层实现原理
JavaEE的开发中,许多框架用到了动态代理机制,例如Spring的AOP编程. 这里不介绍动态代理和静态代理概念,有兴趣的朋友自行百度. Java中的动态代理一般就两种:1. JDK自带 : 2. ...
- 主成分分析(Principle Component Analysis)PCA的核心思想是什么?PCA算法的优缺点?增量PCA模型, 随机PCA, 模型、 核化PCA分别是什么?使用时如何选择?
主成分分析(Principle Component Analysis)PCA的核心思想是什么?增量PCA模型, 随机PCA, 模型. 核化PCA分别是什么?使用时如何选择? 主成分分析(Princip ...
- pca 主成分分析_超越普通PCA:非线性主成分分析
pca 主成分分析 TL;DR: PCA cannot handle categorical variables because it makes linear assumptions about t ...
- 学习,使用主成分分析 (Principal components analysis,PCA)处理数据必看文章
强烈推荐如下高质量博文: https://blog.csdn.net/watkinsong/article/details/8234766#commentsedit 我的pca迷惑 迷惑一 刚开始接触 ...
- R语言主成分分析(Principle Component Analysis、PCA)
R语言主成分分析(Principle Component Analysis.PCA) 利用正交变换把可能线性相关变量表示的观测数据,转换为由少数几个线性无关变量(主成分)表示的数据.(重构原始特征空间 ...
- pca主成分分析结果解释_主成分分析(PCA)原理精讲 | 统计学专题
引言:当数据维度较高时,我们很难通过普通的方法做图,更不能分析样本间的关系.故我们接下来学习降维度.可视化的主成分分析(Principal Component Analysis,PCA). 1.何时使 ...
最新文章
- 详解:Camera-IMU内外参标定原理
- 【牛客每日一题】 4.13 Xorto(前缀异或和,枚举优化/映射)
- How to go between HK and Shenzhen (Futian)?
- Apache Ignite与Apache Hive的个人理解与总结
- 105. Leetcode 121. 买卖股票的最佳时机 (动态规划-股票交易)
- 组件中props参数的应用
- mybatis基础学习3---特殊sql语句(备忘)
- python里元组和列表的共同点和不同点_Python_列表,元组和字典的异同
- Oracle之自治事务
- visdom可视化工具
- R语言-数据清洗-缺失值处理
- 多个漏洞可导致施耐德电气继电器遭重启或设备遭接管
- Struts2学习日记(二)简单的Struts2登陆实现(Action继承ActionSupport类)
- 约5亿条!华住旗下酒店开房信息泄露于“暗网”售卖,你改密码了吗?
- 计算机源代码英语,计算机源代码编写规范(国外英文资料).doc
- 蓝桥杯2022年第十三届决赛真题-迷宫
- java线性方程组求解_java解线性方程组
- YAWL工作流软件的介绍和使用
- 今日简报 每日精选12条新闻简报 每天一分钟 知晓天下事 4月23日
- Retrying connect to server: xxx.xxx.xxx.xxx:8032. Already tried 0 time(s)