版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、本文主要的研究工作是建立在對(duì)現(xiàn)有多變量統(tǒng)計(jì)過程監(jiān)測(cè)方法進(jìn)行仔細(xì)深入分析的基礎(chǔ)之上的。針對(duì)現(xiàn)有方法存在的缺點(diǎn)和不足,本文基于局部特征強(qiáng)化對(duì)多變量統(tǒng)計(jì)過程監(jiān)測(cè)方法進(jìn)行了以下幾個(gè)方面的研究:
1.基于非負(fù)矩陣分解的局部(部分)組成特征強(qiáng)化及故障檢測(cè)
非負(fù)矩陣分解(Nonnegative Matrix Factorization,NMF)是一種基于“局部(部分)構(gòu)成整體”思想的特征提取方法,能夠產(chǎn)生基于局部(部分)的數(shù)據(jù)表示
2、。與基于整體的方法相比,NMF能夠很好地反映數(shù)據(jù)或被研究對(duì)象內(nèi)在隱含的組成結(jié)構(gòu)特征,并且還可以避免引入過多無關(guān)的信息,抑制許多外界不利的影響。在基于NMF的故障檢測(cè)研究中,本文首先從兩個(gè)方面改進(jìn)了 NMF不具有良好統(tǒng)計(jì)特性的缺點(diǎn),然后分別驗(yàn)證了各自的故障檢測(cè)效果。
(1)本文對(duì) NMF的第一項(xiàng)改進(jìn)是使得 NMF能夠具有一定的保持?jǐn)?shù)據(jù)方差信息的能力。為了實(shí)現(xiàn)這一目的,本文提出了一種基于方差保持正則項(xiàng)的方差保持非負(fù)矩陣分解(Var
3、iance-preserved Nonnegative Matrix Factorization,VNMF)模型,給出了求解該模型的數(shù)值迭代算法,并通過給出的定理與證明說明了該算法的有效性?;诖四P?,本文設(shè)計(jì)了相應(yīng)的故障檢測(cè)策略,仿真實(shí)驗(yàn)的結(jié)果證明了 VNMF在多變量過程監(jiān)測(cè)中的性能。
(2)本文對(duì) NMF的另外一項(xiàng)改進(jìn)是使得 NMF能夠在一定程度上降低低維數(shù)據(jù)變量之間的相關(guān)性。為了實(shí)現(xiàn)這一目標(biāo),本文提出了一種低相關(guān)非負(fù)矩陣
4、分解(Low-correlated NMF,LNMF)的模型。該模型利用本文設(shè)計(jì)的一種名為非負(fù)矩陣欠近似(Nonnegative Matrix Underapproximation,NMU)的低秩近似分解算法來求解非負(fù)矩陣分解問題。實(shí)驗(yàn)結(jié)果表明 LNMF不僅可以使低維數(shù)據(jù)的變量之間始終具有比較低的相關(guān)性,而且還可以使分解得到基矩陣具有更高的正交性和稀疏性?;诖四P?,本文也設(shè)計(jì)了相應(yīng)的故障檢測(cè)策略,仿真結(jié)果證明了低相關(guān) LNMF在多變量
5、監(jiān)測(cè)中的性能,也進(jìn)一步說明了NMF用于過程監(jiān)測(cè)的可行性。
2.基于集成核方法的局部非線性特征強(qiáng)化及過程監(jiān)測(cè)
現(xiàn)有基于核方法的過程監(jiān)測(cè)方法存在一定的“局部特征”問題,即單一的核函數(shù)模型并不能較為全面地揭示所關(guān)心的非線性特征。針對(duì)這一問題,本文以KPCA作為研究特例,將集成學(xué)習(xí)方法和貝葉斯推理策略與基于KPCA的過程監(jiān)測(cè)方法結(jié)合到了一起。首先利用集成學(xué)習(xí)的思想,選取一系列高斯核函數(shù)訓(xùn)練得到多個(gè) KPCA模型,然后在實(shí)時(shí)監(jiān)
6、測(cè)的時(shí)候?qū)鹘y(tǒng)的監(jiān)測(cè)結(jié)果轉(zhuǎn)化成故障后驗(yàn)概率,最后通過一種能夠強(qiáng)化報(bào)警模型結(jié)果的加權(quán)策略將多個(gè)模型的結(jié)果合成一個(gè)最終的結(jié)果。這樣做帶來的好處是監(jiān)測(cè)性能不僅對(duì)核參數(shù)的選擇更魯棒,而且還能夠在某些情況下顯著地提升基于核方法的非線性過程監(jiān)測(cè)方法的性能,仿真實(shí)驗(yàn)的結(jié)果充分證明了這一點(diǎn)。
3.基于空間-統(tǒng)計(jì)局部方法的空間局部特征強(qiáng)化及過程監(jiān)測(cè)
現(xiàn)有的基于流形學(xué)習(xí)的過程監(jiān)測(cè)方法并沒有充分利用新數(shù)據(jù)的局部信息而且還不能對(duì)數(shù)據(jù)局部結(jié)構(gòu)
7、特征的變化進(jìn)行檢測(cè)。為了處理這些問題,本文以鄰域保持映射(Neighborhood preserving embedding,NPE)作為研究特例,提出一種新的基于流形學(xué)習(xí)的過程監(jiān)測(cè)方案,把統(tǒng)計(jì)局部方法(Statistical local approach,SLA)結(jié)合到了NPE中。該方案不僅繼承了 NPE發(fā)掘數(shù)據(jù)局部結(jié)構(gòu)的能力,而且能夠通過檢測(cè)新數(shù)據(jù)的局部鄰域信息的變化實(shí)現(xiàn)在線故障檢測(cè)。此外,統(tǒng)計(jì)局部方法的引入使得我們不需要對(duì)數(shù)據(jù)分布
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于局部-全局結(jié)構(gòu)分析的統(tǒng)計(jì)過程監(jiān)測(cè)方法研究.pdf
- 基于局部線性嵌入的多模式工業(yè)過程監(jiān)測(cè)方法研究.pdf
- 基于局部切空間排列的多模式過程監(jiān)測(cè)方法研究.pdf
- 基于局部特征的拷貝檢測(cè)方法的研究.pdf
- 基于局部特征的圖像分類方法研究.pdf
- 基于間歇和連續(xù)過程特征提取的離心鑄造過程監(jiān)測(cè)方法研究.pdf
- 基于局部特征的Laplacian網(wǎng)格編輯方法研究.pdf
- 基于局部特征的視頻目標(biāo)跟蹤方法研究.pdf
- 基于局部特征的大規(guī)模圖像檢索方法研究.pdf
- 基于局部信息保持的特征降維方法研究.pdf
- 基于局部特征的場(chǎng)景文本分析方法研究.pdf
- 基于局部特征的SAR圖像地物分類方法研究.pdf
- 基于圖像局部特征點(diǎn)配準(zhǔn)方法研究.pdf
- 基于局部特征的laplacian網(wǎng)格編輯方法研究(1)
- 基于局部特征的稻田飛虱檢測(cè)方法的研究.pdf
- 基于局部特征的遙感圖像匹配方法.pdf
- 基于輪廓的圖像局部不變特征檢測(cè)方法研究.pdf
- 基于局部特征點(diǎn)的商標(biāo)圖像檢索方法研究.pdf
- 基于局部特征的面部遮擋表情識(shí)別方法研究.pdf
- 基于整體特征和局部特征的人臉識(shí)別方法的研究.pdf
評(píng)論
0/150
提交評(píng)論