降維是高維數(shù)據(jù)分析中最為關(guān)鍵的部分。隨著人工智能時代的到來,蘊含寶貴資源的數(shù)據(jù)呈井噴式增長。如何從海量工業(yè)監(jiān)測數(shù)據(jù)中提取有效信息成為核心問題,現(xiàn)有數(shù)據(jù)普遍存在空間維數(shù)高導(dǎo)致數(shù)據(jù)稀疏性強、矩陣分解難度增加等問題,從而加大數(shù)據(jù)分析的難度。針對以上問題,本文在研究傳統(tǒng)降維算法的基礎(chǔ)上,提出了一種分步式降維框架,并對增量正交成分分析算法進行改進,通過仿真試驗證明該降維框架和改進算法的性能有所提高。論文中的研究內(nèi)容包括以下幾個方面:1、對多種基礎(chǔ)降維算法及改進算法進行學(xué)習(xí),實現(xiàn)算法并通過可視化空間觀察不同算法的降維效果;2、提出一種基于聚類的分步式降維框架,將聚類算法和降維算法進行高效結(jié)合建立相關(guān)模型,分析降維效果。用于線性和非線性高維數(shù)據(jù),仿真結(jié)果表明該降維框架提高了分類精度,其準(zhǔn)確率在一定情況下可提高16.9%;3、對分步式降維框架進行改進,在模型的處理前期對數(shù)據(jù)維度進行預(yù)分類,代替通過先驗知識選取聚類算法的參數(shù)。將改進后的模型用于大面積軸溫缺失數(shù)據(jù)的恢復(fù),從時間和數(shù)據(jù)恢復(fù)精度兩方面分析該框架的有效性和數(shù)據(jù)恢復(fù)情況,并對該降維框架的有效范圍進行驗證。仿真結(jié)果表明在誤差精度保證的情況下時間效率... 

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究內(nèi)容與背景
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 離線降維
        1.2.2 增量降維
        1.2.3 降維準(zhǔn)則
    1.3 本文寫作安排
    1.4 本文結(jié)構(gòu)
2 數(shù)據(jù)降維相關(guān)算法
    2.1 線性降維
        2.1.1 PCA算法
        2.1.2 LDA算法
    2.2 非線性降維
        2.2.1 MDS算法
        2.2.2 LLE算法
        2.2.3 ISOMAP算法
        2.2.4 KPCA算法
        2.2.5 SNE算法及改進算法
    2.3 本章小結(jié)
3 基于聚類的分步式降維框架
    3.1 整體降維框架介紹
    3.2 數(shù)據(jù)特征之聚類處理
        3.2.1 層次聚類
        3.2.2 K均值聚類
        3.2.3 自組織映射網(wǎng)絡(luò)
        3.2.4 模糊均值聚類
    3.3 仿真實驗及結(jié)果分析
        3.3.1 分類結(jié)果分析
        3.3.2 軟測量結(jié)果分析
    3.4 本章小結(jié)
4 基于自適應(yīng)閾值的改進增量降維算法
    4.1 數(shù)據(jù)完整性及標(biāo)準(zhǔn)性處理
        4.1.1 數(shù)據(jù)完整性及標(biāo)準(zhǔn)性
        4.1.2 數(shù)據(jù)標(biāo)準(zhǔn)正則化
    4.2 施密特正交過程分析
    4.3 增量正交成分分析
        4.3.1 線性關(guān)聯(lián)規(guī)則
        4.3.2 自適應(yīng)閾值
        4.3.3 算法流程
        4.3.4 參數(shù)設(shè)置
    4.4 仿真實驗與結(jié)果分析
        4.4.1 分類結(jié)果分析
        4.4.2 重構(gòu)誤差結(jié)果分析
    4.5 本章小結(jié)
5 結(jié)論與展望
    5.1 論文總結(jié)
    5.2 論文展望
致謝
參考文獻
攻讀學(xué)位期間主要研究成果


【參考文獻】：
期刊論文
[1]基于MVU降維的捕捉數(shù)據(jù)自動分割[J]. 張奕,王科琪.  電子技術(shù)與軟件工程. 2017(19)
[2]全局與局部判別信息融合的轉(zhuǎn)子故障數(shù)據(jù)集降維方法研究[J]. 趙孝禮,趙榮珍.  自動化學(xué)報. 2017(04)
[3]融合梯度差信息的稀疏去噪自編碼網(wǎng)絡(luò)在異常行為檢測中的應(yīng)用[J]. 袁靜,章毓晉.  自動化學(xué)報. 2017(04)
[4]基于DTW的車輛軸溫監(jiān)測方法[J]. 曹源,王玉玨,馬連川,陳磊.  交通運輸工程學(xué)報. 2015(03)
[5]時間序列數(shù)據(jù)降維和特征表示方法[J]. 李海林,楊麗彬.  控制與決策. 2013(11)
[6]基于流形學(xué)習(xí)的局部保持PCA算法在故障檢測中的應(yīng)用[J]. 王健,馮健,韓志艷.  控制與決策. 2013(05)
[7]基于改進的QBC和CS-SVM的故障檢測[J]. 唐明珠,陽春華,桂衛(wèi)華.  控制與決策. 2012(10)
[8]基于WSVR和FCM聚類的實時壽命預(yù)測方法[J]. 胡友濤,胡昌華,孔祥玉,周志杰.  自動化學(xué)報. 2012(03)
[9]一種基于稀疏嵌入分析的降維方法[J]. 閆德勤,劉勝藍,李燕燕.  自動化學(xué)報. 2011(11)
[10]一種基于張量和洛侖茲幾何的降維方法[J]. 唐科威,劉日升,杜慧,蘇志勛.  自動化學(xué)報. 2011(09)

博士論文
[1]流形學(xué)習(xí)的理論與方法研究[D]. 王靖.浙江大學(xué) 2006
[2]高維數(shù)據(jù)的降維理論及應(yīng)用[D]. 譚璐.國防科學(xué)技術(shù)大學(xué) 2005



本文編號：3676719