異常數(shù)據(jù)檢測(cè)及其在神經(jīng)模糊建模中的應(yīng)用.pdf

1、近年來(lái)，基于神經(jīng)網(wǎng)絡(luò)與模糊邏輯的神經(jīng)模糊建模已經(jīng)被用于將專(zhuān)家領(lǐng)域知識(shí)轉(zhuǎn)化為計(jì)算機(jī)表達(dá)的知識(shí)建模，其中最突出的方法是Jang于1993年提出的自適應(yīng)神經(jīng)模糊建模(ANFIS)方法。一般應(yīng)用ANFIS建模的數(shù)據(jù)都是清潔的或者假定清潔的，如果數(shù)據(jù)是清潔的，可能比較容易達(dá)到滿意的結(jié)果；但是如果數(shù)據(jù)是不清潔的，即含有異常數(shù)據(jù)，那么它們必然對(duì)ANFIS建模產(chǎn)生不利影響。 本文所做的工作是對(duì)蓄電池剩余電量數(shù)據(jù)和飛機(jī)油箱剩余油量數(shù)據(jù)進(jìn)行異常數(shù)據(jù)

2、檢測(cè)并應(yīng)用ANFIS建模。首先對(duì)異常數(shù)據(jù)的定義及常用異常數(shù)據(jù)檢測(cè)方法做了綜述，舉例闡述了分析異常數(shù)據(jù)的意義，分析了現(xiàn)有異常檢測(cè)算法的優(yōu)點(diǎn)和不足。然后通過(guò)一個(gè)函數(shù)逼近實(shí)例分析了異常數(shù)據(jù)存在對(duì)ANFIS建模的不利影響，包括建模精度和模型結(jié)構(gòu)的對(duì)比說(shuō)明。接著，提出了兩種基于傳統(tǒng)方法的改進(jìn)算法和針對(duì)以上兩個(gè)實(shí)例數(shù)據(jù)特征的偏最小二乘檢測(cè)法和主成分分析檢測(cè)法。其中，詳細(xì)說(shuō)明了主成分分析法與偏最小二乘法的檢測(cè)原理和步驟。最后，文章對(duì)兩個(gè)建模實(shí)例進(jìn)行了