隨著計(jì)算機(jī)技術(shù)的發(fā)展和先進(jìn)控制系統(tǒng)的應(yīng)用,現(xiàn)代工業(yè)系統(tǒng)設(shè)備和結(jié)構(gòu)日趨復(fù)雜,工業(yè)過(guò)程積累了大量的歷史數(shù)據(jù),這些數(shù)據(jù)包含過(guò)程的運(yùn)行規(guī)律、操作者經(jīng)驗(yàn)、產(chǎn)品質(zhì)量和過(guò)程出現(xiàn)的問(wèn)題等豐富的信息。如何在難以建立精確機(jī)理模型的情況下,從數(shù)據(jù)中獲取有用信息,為生產(chǎn)過(guò)程的控制和決策提供依據(jù),成為研究者和工業(yè)界廣泛關(guān)注的問(wèn)題�；诠I(yè)大數(shù)據(jù)的時(shí)間序列預(yù)測(cè),是指利用采集的大量數(shù)據(jù)預(yù)測(cè)過(guò)程的某些關(guān)鍵性能指標(biāo),以便為工業(yè)過(guò)程監(jiān)控、模型辨識(shí)、故障診斷和預(yù)測(cè)等提供支持,具有重要的理論意義和應(yīng)用價(jià)值。隨著工業(yè)過(guò)程規(guī)模和精細(xì)化程度不斷提高,采集的大量數(shù)據(jù)具有復(fù)雜特性,包括數(shù)據(jù)的非完整性、強(qiáng)非線性、多變量的互相關(guān)性,以及過(guò)程的多模態(tài)等特性。工業(yè)大數(shù)據(jù)的這些復(fù)雜特性,對(duì)現(xiàn)有的數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)模型提出了挑戰(zhàn)。為了解決這一問(wèn)題,論文在數(shù)據(jù)驅(qū)動(dòng)框架下,對(duì)具有上述復(fù)雜特性的工業(yè)時(shí)間序列預(yù)測(cè)問(wèn)題進(jìn)行研究。論文完成的研究工作主要包括:(1)針對(duì)工業(yè)大數(shù)據(jù)中具有強(qiáng)非線性特性的單變量序列,提出一種基于序列分解后特征提取的神經(jīng)網(wǎng)絡(luò)構(gòu)造算法預(yù)測(cè)模型。利用特征提取算法構(gòu)造最相關(guān)輸入后,建立基于構(gòu)造算法的神經(jīng)網(wǎng)絡(luò)模型。由于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的變化會(huì)引起網(wǎng)絡(luò)性能...

【文章頁(yè)數(shù)】：116 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究背景及意義
    1.2 工業(yè)時(shí)間序列數(shù)據(jù)特點(diǎn)
    1.3 時(shí)間序列預(yù)測(cè)的主要方法
        1.3.1 時(shí)間序列模型
        1.3.2 機(jī)器學(xué)習(xí)模型
    1.4 時(shí)間序列預(yù)測(cè)的研究現(xiàn)狀
        1.4.1 時(shí)間序列預(yù)測(cè)的國(guó)內(nèi)外研究現(xiàn)狀
        1.4.2 工業(yè)時(shí)間序列預(yù)測(cè)的國(guó)內(nèi)外研究現(xiàn)狀
    1.5 論文主要研究工作和章節(jié)安排
        1.5.1 論文主要研究?jī)?nèi)容
        1.5.2 論文章節(jié)安排
第二章 基于分解組合的單變量時(shí)間序列預(yù)測(cè)研究
    2.1 引言
    2.2 小波變換及主成分分析
        2.2.1 小波變換
        2.2.2 小波基函數(shù)的選取
        2.2.3 主成分分析
    2.3 神經(jīng)網(wǎng)絡(luò)構(gòu)造方法
        2.3.1 網(wǎng)絡(luò)結(jié)構(gòu)
        2.3.2 權(quán)值學(xué)習(xí)算法及其改進(jìn)
        2.3.3 算法實(shí)現(xiàn)
        2.3.4 算法分析
    2.4 基于分解組合的單變量預(yù)測(cè)模型
    2.5 實(shí)驗(yàn)分析
        2.5.1 數(shù)值例子
        2.5.2 實(shí)例研究
        2.5.3 分析與總結(jié)
    2.6 小結(jié)
第三章 基于特征選擇的多變量時(shí)間序列預(yù)測(cè)研究
    3.1 引言
    3.2 k近鄰互信息
        3.2.1 互信息
        3.2.2 k近鄰互信息
    3.3 基于k近鄰互信息的特征選擇
        3.3.1 參數(shù)k的選擇
        3.3.2 特征選擇的步驟
    3.4 基于特征選擇的RBF多變量時(shí)間序列預(yù)測(cè)算法
        3.4.1 RBF神經(jīng)網(wǎng)絡(luò)
        3.4.2 算法步驟
    3.5 實(shí)驗(yàn)分析
        3.5.1數(shù)值仿真實(shí)驗(yàn)
        3.5.2 工業(yè)蒸汽發(fā)生器時(shí)間序列
            3.5.2.1 k值的選擇
            3.5.2.2 特征選擇
            3.5.2.3 建立預(yù)測(cè)模型及結(jié)果分析
            3.5.2.4 模型驗(yàn)證
        3.5.3 分析與總結(jié)
    3.6 小結(jié)
第四章 基于多模態(tài)工業(yè)時(shí)間序列預(yù)測(cè)研究
    4.1 引言
    4.2 高斯混合模型及其參數(shù)的在線更新
        4.2.1 高斯混合模型
        4.2.2 參數(shù)估計(jì)
        4.2.3 高斯混合模型在聚類上的應(yīng)用
    4.3 高斯過(guò)程回歸模型
    4.4 高斯過(guò)程回歸參數(shù)優(yōu)化
        4.4.1 粒子群優(yōu)化算法
        4.4.2 DEPSO算法
    4.5 基于GMM-IGPR多模態(tài)時(shí)間序列預(yù)測(cè)模型
    4.6 實(shí)驗(yàn)分析
        4.6.1數(shù)值仿真實(shí)驗(yàn)
        4.6.2 工業(yè)繞線過(guò)程時(shí)間序列
            4.6.2.1 模型選擇
            4.6.2.2 實(shí)驗(yàn)結(jié)果
        4.6.3 分析與總結(jié)
    4.7 小結(jié)
第五章 帶有缺失數(shù)據(jù)的多變量時(shí)間序列預(yù)測(cè)研究
    5.1 引言
    5.2 缺失數(shù)據(jù)
        5.2.1 缺失數(shù)據(jù)的定義
        5.2.2 缺失數(shù)據(jù)產(chǎn)生的原因
        5.2.3 缺失數(shù)據(jù)的分類
        5.2.4 缺失數(shù)據(jù)的常用處理方法分析
    5.3 帶有缺失數(shù)據(jù)的時(shí)間序列預(yù)測(cè)模型
        5.3.1 基于高斯混合模型的多重填補(bǔ)法缺失值處理
        5.3.2 基于多重填補(bǔ)和高斯過(guò)程回歸的時(shí)間序列預(yù)測(cè)模型
    5.4 實(shí)驗(yàn)分析
        5.4.1 風(fēng)電場(chǎng)數(shù)據(jù)
        5.4.2 特征選擇
        5.4.3 模型階次的確定和新數(shù)據(jù)集的生成
        5.4.4 不同缺失值處理方法的對(duì)比
        5.4.5 不同缺失模式的對(duì)比
        5.4.6 不同預(yù)測(cè)模型的對(duì)比
        5.4.7 分析與總結(jié)
    5.5 小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
攻讀博士學(xué)位期間論文成果
致謝



本文編號(hào)：4043812