Wyszukiwarka
Abstrakt
Kernel Principal Component Analysis (KPCA), an example of machine learning, can be considered a non-linear extension of the PCA method. While various applications of KPCA are known, this paper explores the possibility to use it for building a data-driven model of a non-linear system-the water distribution system of the Chojnice town (Poland). This model is utilised for fault detection with the emphasis on water leakage detection. A systematic description of the system's framework is followed by evaluation of its performance. Simulations prove that the presented approach is both flexible and efficient.
Autorzy (3)
Cytuj jako
Pełna treść
pobierz publikację
pobrano 8 razy
- Wersja publikacji
- Accepted albo Published Version
- Licencja
-
otwiera się w nowej karcie
Słowa kluczowe
Informacje szczegółowe
- Kategoria:
- Publikacja w czasopiśmie
- Typ:
- artykuł w czasopiśmie wyróżnionym w JCR
- Opublikowano w:
-
International Journal of Applied Mathematics and Computer Science
nr 22,
ISSN: 1641-876X - Język:
- angielski
- Rok wydania:
- 2012
- Opis bibliograficzny:
- Nowicki A., Grochowski M., Duzinkiewicz K.: Data-driven models for fault detection using kernel pca:a water distribution system case study// International Journal of Applied Mathematics and Computer Science. -Vol. 22, nr. iss. 4 (2012),
- Weryfikacja:
- Politechnika Gdańska
wyświetlono 86 razy
Publikacje, które mogą cię zainteresować
MultiRegional PCA for leakage detection and localisation in DWDS - approach
- A. Borowa,
- K. Mazur,
- M. Grochowski
- + 2 autorów
2007
MultiRegional PCA for leakage detection and localisation in DWDS - Chojnice case study
- K. Jezior,
- K. Mazur,
- A. Borowa
- + 2 autorów
2007
Leakage detection and localisation in drinking water distributionnetworks by MultiRegional PCA
- K. Duzinkiewicz,
- A. Borowa,
- K. Mazur
- + 3 autorów
2008