车手只需要车和手，压力来自轮胎

最近Paper在做实验，推荐一个故障诊断的开源数据集，如果用到记得引用上源数据出处哦~

最近在研究工业过程中动态特性的故障诊断、监测。下面总结一下有关动态特性的一些方法和普遍研究的内容。

机器学习之Borderline-SMOTE算法介绍及Python实现，内附源代码鸭！~

你一定要知道的预测评价指标MSE、RMSE、MAE、MAPE、SMAPE！！！

批次处理过程——Multi-way PCA！~

????作者简介：大家好，我是车神哥，府学路18号的车神????????个人主页：应无所住而生其心的博客_府学路18号车神_优快云博客????点赞➕评论➕收藏 == 养成习惯（一键三连）????⚡希望大家多多支持????~一起加油 ????专栏《Fault Diagnosis》其他专栏：《LeetCode天梯》《Neural Network》《Python》《Algorithm》数据降维方法及Python实现前言大纲线性数据降维主元分析（PCA）偏最小二乘法（PLS）独立成分

还有两天就国庆了，小伙伴们是不是已经按捺不住内心的小鸡冻了呀！！！有没有人和车神哥一起敲代码，科研报国！！！（虽然菜鸡一个，但是心还是有的）最近测试了一个关于SFA（之前博客写过的）算法，现在在做实际项目应用，说实话，实际与理论确实有很大的偏差，需要做到很多次的调试与核验，emmmmmmm，最终应用效果咱们另做打算。项目背景具体算法咱们就不多说了，可以在这里看看。简要说下项目背景，这个项目当然是国家自然。。。。。。。。噼里啪啦噼里啪啦的一大堆，哈哈哈哈，没有没有，就一个很简单的模型测试实验，不.

搜罗了很多正则化的解释，发现在不同的地方有着不同的含义却又有着相似的味道。下面，来细品！机器学习机器学习中，如果参数过多，模型过于复杂，容易造成过拟合（overfit）。即模型在训练样本数据上表现的很好，但在实际测试样本上表现的较差，不具备良好的泛化能力。为了避免过拟合，最常用的一种方法是使用正则化，例如 L1 和 L2 正则化。但是，正则化项是如何得来的？其背后的数学原理是什么？L1 正则化和 L2 正则化之间有何区别？本文将给出直观的解释。...

⚡最近很烦⚡有一阵子没更新了，感觉整个暑假被忽悠了，六月份找Boss指明了一个Direction，然后整个暑假都在忙于补充Proposal相关的Knowledge，但是，被忽悠局局长Boss给忽悠了（谁人能明白其中的难受），干工科的master怎么可能不依靠数据，本来就知道拿不到数据，还跟着让指哪儿打哪儿,最终项目还是拿不到，唉~，Project always Project（Boss），一心就只有Project，这还让等到Sep去Proposal，调研的都白费了，谁爱去Proposal谁去。终究或许还.

事情是这样的，就是某天在本菜日常"飙车"回宿舍的途中，想着曾经有个项目在对数据进行预处理的时候，用过一个操作，本来就已经对数据进行了标准化处理，然而在甲方（注意这里是万恶之源）对我算法代码的阅读时提出了，没有进行归一化处理的疑惑，顿时间，我想了想，好像是这么一回事哈，一个转身像超人一样消失在甲方面前，回去加了两行代码（归一化处理），跑完发现，咦~~好像真的效果提高了不少诶。故引发了我对下面的内容的思考，并想多说两句，望各位看官批评指点！！！（上面不算，不能计时哈o(╥﹏╥)o）其实有很多博主已经做了对标

在故障诊断中，我们常常会面对大量的且维数很高的数组，通过我们需要先对数据集进行划分及预处理，而预处理阶段极为重要的一步就是对数据进行降维特征提取，通过某种数学变换将原始高维空间转变成一个低维的子空间。然鹅，我们常用到的基本就只有两个，一个是主成分分析（PCA），另一个则是今天所要介绍的Fisher判别分析（Fisher Discriminant Analysis，FDA）。主成分分析的基本思想：设法将原来众多具有一定相关性（比如P个指标，即主成分），重新组合成一组新的互相无关的综合指标来代替原来的指标

过程监控中会用到很多中方法，如主成分分析（PCA）、慢特征分析（SFA）、概率MVA方法或独立成分分析（ICA）等为主流算法。其中PCA主要多用于降维及特征提取，且只对正太分布（高斯分布）数据样本有效；SFA被用来学习过程监控的时间相关表示，SFA不仅可以通过监测稳态分布来检测与运行条件的偏差，还可以根据时间分布来识别过程的动态异常，多用于分类分析；概率MVA方法，多以解决动力学、时变、非线性等问题。今天要介绍的是独立成分分析（ICA），由浅入深，细细道来。此外文末还附有ICA可实现的代码哟~不要错过

随着对数据驱动的工业检测与诊断方法的逐步深入，过程监测的多元统计需要总结的东西越来越多，那么今天来整理一下。内容较多，理论较复杂，建议细品，你品！最好推一遍~It’s time to conclude PLS！！！PCA和偏最小二乘（PLS）是从数据中描述正常情况的首选方法。天气热，冰凉一下吧~ 偏最小二乘法（PLS）基本原理偏最小二乘多用于寻求两个矩阵（X和Y）的基本关系，也就是一种在这两个向量空间中对协方差结构建模的隐变量方法。偏最小二乘模型将试图找到X空间的

最近研究的故障检测新的方法，发现一个基于故障重构的贡献方法，准确的说是一种基于沿变量方向重建故障检测指标的贡献分析新方法。在检测到导致故障检测指标超出控制极限的故障情况后，沿每个变量方向使故障检测指标最小化的重构量被定义为该变量的基于重构的贡献（RBC）。Reconstruction Based Contribution（RBC）RBC方法在几个方面优于传统的贡献图。结果表明，即使在传感器故障的情况下（将其作为简单故障进行了讨论），传统的贡献图也不能保证故障传感器具有最大的贡献，无论故障大小如何。

随着对CCA的深入研究，是时候对CCA进行一下总结了。本菜鸡主要研究方向为故障诊断，故会带着从应用角度进行理解。 典型相关分析基本原理从字面意义上理解CCA，我们可以知道，简单说来就是对不同变量之间做相关分析。较为专业的说就是，一种度量两组变量之间相关程度的多元统计方法。关于相似性度量距离问题，在这里有一篇Blog可以参考参考。首先，从基本的入手。当我们需要对两个变量X，YX，YX，Y进行相关关系分析时，则常常会用到相关系数来反映。学过概率统计的小伙伴应该都知道的