基于模糊推理系統(tǒng)的工業(yè)過(guò)程數(shù)據(jù)挖掘.pdf

1、工業(yè)過(guò)程數(shù)據(jù)收集和存儲(chǔ)技術(shù)的迅猛發(fā)展導(dǎo)致快速增長(zhǎng)的大量數(shù)據(jù)，這些數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)庫(kù)、數(shù)據(jù)倉(cāng)庫(kù)或其它種類的數(shù)據(jù)存儲(chǔ)介質(zhì)中。從海量的數(shù)據(jù)中挖掘隱藏的、有用的信息和知識(shí)，能夠?yàn)楣I(yè)過(guò)程的在線監(jiān)測(cè)、故障診斷、模型辨識(shí)、控制策略設(shè)計(jì)和預(yù)測(cè)等提供強(qiáng)有力的決策支持。 工業(yè)過(guò)程數(shù)據(jù)挖掘應(yīng)用的主要任務(wù)是選擇和建立有效的、適合工業(yè)過(guò)程數(shù)據(jù)特征的挖掘方法。基于模糊推理系統(tǒng)的數(shù)據(jù)挖掘方法能夠使用同一模型結(jié)構(gòu)(模糊IF-THEN規(guī)則)分別執(zhí)行描述式和預(yù)測(cè)式

2、數(shù)據(jù)挖掘任務(wù)，提取的規(guī)則模式易于操作人員的理解和管理者的決策支持。對(duì)于復(fù)雜的工業(yè)過(guò)程，它能夠用一種自然的方式評(píng)價(jià)輸入變量的重要性，以選擇最相關(guān)的變量描述系統(tǒng)的動(dòng)態(tài)行為。定義隸屬度函數(shù)的靈活性有助于在不同的粒度空間上尋找系統(tǒng)的操作模型，挖掘工業(yè)過(guò)程變量之間內(nèi)在的關(guān)系和規(guī)律，有效地解決工業(yè)過(guò)程的實(shí)際問(wèn)題。論文主要的研究工作如下： (1)針對(duì)傳統(tǒng)的、基于梯度的模糊推理系統(tǒng)學(xué)習(xí)方法中存在的收斂速度和振蕩之間的沖突問(wèn)題，以及動(dòng)量項(xiàng)學(xué)習(xí)方法

3、中動(dòng)量項(xiàng)因子的選擇難題，提出一種改進(jìn)的、基于梯度的、用于模糊推理系統(tǒng)參數(shù)優(yōu)化的實(shí)時(shí)學(xué)習(xí)算法(G-RTL)。通過(guò)引入與均方誤差相關(guān)的動(dòng)態(tài)誤差傳遞因子，使得在相同學(xué)習(xí)率系數(shù)的前提下，與傳統(tǒng)的、基于梯度的學(xué)習(xí)方法和動(dòng)量項(xiàng)學(xué)習(xí)方法相比，在處理大規(guī)模樣本集時(shí)具有較高的收斂速度和精度，并且學(xué)習(xí)過(guò)程是穩(wěn)定的，非常適用于工業(yè)過(guò)程的在線學(xué)習(xí)。通過(guò)經(jīng)典的倒車控制問(wèn)題和與經(jīng)典。BP網(wǎng)絡(luò)逼近性能比較的仿真結(jié)果表明本方法是有效的。 (2)針對(duì)工業(yè)過(guò)程系統(tǒng)

4、高維數(shù)據(jù)、非線性的特點(diǎn)，提出一種基于歸一化方差信息的自適應(yīng)模糊規(guī)則挖掘方法(NV-AMFR)?；跀?shù)據(jù)挖掘技術(shù)和Mamdani模糊模型，從一個(gè)簡(jiǎn)單的初始結(jié)構(gòu)出發(fā)，使用G-RTL學(xué)習(xí)算法優(yōu)化模糊推理系統(tǒng)的參數(shù)向量，利用優(yōu)化后獲得的模糊規(guī)則的置信度度量和隸屬度函數(shù)歸一化方差信息，確定輸入空間中模糊規(guī)則的密度需要加強(qiáng)的區(qū)域，以及用于劃分論域上模糊子集數(shù)目的需要增加的輸入變量，從而可以在不同的粒度空間上有效地挖掘過(guò)程變量之間內(nèi)在的聯(lián)系和規(guī)律，而

5、且還能夠用一種易理解的方式評(píng)價(jià)輸入變量對(duì)系統(tǒng)輸出的影響程度，以選擇最相關(guān)的變量描述系統(tǒng)的動(dòng)態(tài)行為，給出了一個(gè)新的、更合適的模型結(jié)構(gòu)。非線性函數(shù)逼近的數(shù)值例子仿真驗(yàn)證了本方法的有效性。 (3)針對(duì)工業(yè)過(guò)程數(shù)據(jù)庫(kù)中普遍存在的不一致性、不完整性和歷史性，提出一種推理空缺模糊規(guī)則的最鄰近擴(kuò)散方法(ND-EMR)?；谀：评硐到y(tǒng)和樣本數(shù)據(jù)分布的先驗(yàn)知識(shí)，使用改進(jìn)的G-RTL實(shí)時(shí)學(xué)習(xí)算法，通過(guò)確定最優(yōu)輸出模糊子集的質(zhì)心和模糊規(guī)則的置信度度

6、量，推理樣本數(shù)據(jù)未覆蓋區(qū)域上的空缺模糊規(guī)則，并構(gòu)造一個(gè)完備的模糊規(guī)則集，從而有效地解決了樣本數(shù)據(jù)未覆蓋的區(qū)域上系統(tǒng)的不可預(yù)測(cè)問(wèn)題。結(jié)合混沌時(shí)間序列預(yù)測(cè)問(wèn)題以及與WM方法比較的仿真結(jié)果，表明本方法不僅有效而且可以適于不能預(yù)測(cè)的情況。 (4)基于模糊T-S預(yù)測(cè)模型，結(jié)合多種數(shù)據(jù)挖掘技術(shù)，提出一個(gè)基于數(shù)據(jù)挖掘的復(fù)雜工業(yè)過(guò)程智能控制新方法。使用G-RTL實(shí)時(shí)學(xué)習(xí)算法，快速而準(zhǔn)確地辨識(shí)模糊T-S預(yù)測(cè)模型；基于所辨識(shí)的模糊T-S預(yù)測(cè)模型，對(duì)