本文選題：軟超球體 + 高維非線性數(shù)據　； 參考：《工程科學學報》2017年10期

【摘要】：在冶金、化工等流程型工業(yè)領域,生產中的過程控制參數(shù)往往具有高維非線性結構特征.為了解決這類高維復雜數(shù)據的異常點檢測問題,本文引入了軟超球體的概念,采用非線性核函數(shù)將原始數(shù)據映射到高維的特征空間,并在特征空間中確定軟超球體的邊界.通過檢測待識別樣本映射到特征空間的位置信息來判定過程參數(shù)的設定值是否為異常點,從而避免出現(xiàn)批量的產品質量問題.以某類汽車用鋼為應用實例,對實際生產數(shù)據進行檢測,證明了所提出的基于軟超球體的異常點識別算法對于高維的非線性數(shù)據具有良好的檢測能力.
[Abstract]:In the fields of metallurgical, chemical and other flowsheet industries, the process control parameters in production often have high dimensional nonlinear structural characteristics. In order to solve the problem of anomaly detection of complex high-dimensional data, the concept of soft hypersphere is introduced in this paper. The original data is mapped to the high-dimensional feature space by nonlinear kernel function, and the boundary of soft hypersphere is determined in the feature space. By detecting the location information that the samples are mapped to the feature space to determine whether the set value of the process parameters is an outlier or not, the problem of batch product quality can be avoided. Taking a certain kind of automobile steel as an application example, the actual production data are detected, and it is proved that the proposed anomaly point recognition algorithm based on soft hypersphere has a good ability to detect high dimensional nonlinear data.
【作者單位】： 北京科技大學計算機與通訊工程學院;鋼鐵共性技術協(xié)同創(chuàng)新中心;
【基金】：國家高技術研究發(fā)展計劃(863計劃)資助項目(2014AA041801-2)
【分類號】：TG142.1

【相似文獻】

相關期刊論文 前2條

1 劉玉英,盛文華;標準化殘差法對分析檢驗校準曲線中異常點的判別[J];吉林水利;2001年04期

2 ;[J];;年期

相關會議論文 前5條

1 張維;劉博;張小濤;;日內金融高頻數(shù)據的異常點檢測[A];全國自動化新技術學術交流會會議論文集（一）[C];2005年

2 劉曉艷;王麗珍;楊志強;陳紅梅;;基于數(shù)學形態(tài)學的模糊異常點檢測[A];第26屆中國數(shù)據庫學術會議論文集（B輯）[C];2009年

3 王倩;劉奕群;馬少平;茹立云;;面向用戶互聯(lián)網訪問日志的異常點擊分析[A];第五屆全國信息檢索學術會議論文集[C];2009年

4 王麗珍;周麗華;肖清;;基于數(shù)據倉庫的動態(tài)異常點檢測研究[A];第二十五屆中國數(shù)據庫學術會議論文集（二）[C];2008年

5 張重生;馮海軍;陳紅;梁思維;李翠平;;一種分布式數(shù)據集上top-n異常點挖掘的高效算法[A];第二十五屆中國數(shù)據庫學術會議論文集（二）[C];2008年

相關碩士學位論文 前10條

1 何歡;基于概念漂移的異常檢測技術研究[D];電子科技大學;2015年

2 楊宗羲;函數(shù)系數(shù)時序模型基于各類進化算法的估計及其異常點檢測[D];東南大學;2015年

3 江晨陽;雙線性時間序列模型的多變點估計及多個異常點挖掘[D];東南大學;2016年

4 沈琰輝;基于鄰域離散度和隔離樹的異常點檢測算法研究[D];浙江師范大學;2016年

5 夏一;金融時序模型的異常點檢測和糾正及投資咨詢實證分析[D];東南大學;2016年

6 李京亞;基于非線性降維的復雜輪廓異常點識別方法研究[D];天津大學;2016年

7 趙伯夷;基于神經網絡的異常點挖掘[D];河北大學;2011年

8 孫易木;異常點挖掘及證券行業(yè)應用實例研究[D];同濟大學;2006年

9 謝國城;基于超球體多類支持向量數(shù)據描述的醫(yī)學圖像分類方法研究[D];西北師范大學;2014年

10 蘇展;基于類中心最小超球體的快速分類法[D];華中科技大學;2006年

，

本文編號：2002822