摘要:核熵成分分析(KECA)特征提取过程中只保留了数据的最大瑞丽熵(Renyi)信息，没有充分利用数据的类别信息。由于监督学习算法线性判别分析(LDA)能够有效提取特征中的类别信息，因此提出KECALDA(KEDA)的特征提取方法。首先KECA依据最小Renyi熵损失策略对数据进行维数约简；然后在KECA特征空间使用LDA算法获取具有判别信息的低维特征并输入到支持向量机(SVM)分类器中，利用天牛须优化算法(BAS)得到最佳性能的SVM分类器，从而建立故障诊断模型。将KEDABASSVM方法应用于田纳西伊斯曼化工过程(TE)进行仿真实验，结果表明：当采用基于距离测度的矩阵相似性优化确定KEDA中所选用的径向基函数(RBF)核参数时，相比KECA和LDA算法，KEDA特征提取后多类型故障诊断准确率达到99.7%，验证了KEDA-BAS-SVM在多类型故障诊断领域的优越性。

摘要:针对引发泥石流灾害的致灾因子复杂多样而造成模型输入数据维度过大和极端梯度提升树容易陷入局部最优导致预测模型准确率不高的问题，提出一种基于GWOXGBoost算法模型的泥石流灾害预测方法。首先，对传感器采集到的原始数据进行预处理，得到规范数据，然后通过线性判别分析法进行数据降维得到耦合性低且贡献率较高的致灾因子作为模型输入，对泥石流灾害是否发生进行预测；其次使用灰狼优化算法对模型超参数进行寻优；最后以磨子沟监测数据进行仿真验证。结果表明：经过预处理和线性判别分析法降维后的规范数据解决了模型输入的维数灾难问题，GWO-XGBoost泥石流灾害预测模型的预测准确率为96.64%，相较于随机森林模型、支持向量机模型和极端梯度提升树模型的预测准确率分别提高了6.69%，5.13%和3.86%，丰富了泥石流灾害预测方法并为相关决策部门提供了全新的思路。