【摘要】：復(fù)雜系統(tǒng)記錄有大量的高維數(shù)據(jù)，且特征之間往往呈現(xiàn)高度耦合和強(qiáng)關(guān)聯(lián)的線性或非線性現(xiàn)象，甚至還包含無(wú)關(guān)的噪聲。與此同時(shí)，隨著復(fù)雜程度的迅速提高，系統(tǒng)異常模式也時(shí)常發(fā)生。及時(shí)診斷和排除復(fù)雜系統(tǒng)的異常模式，已成為工程人員和學(xué)者們必須解決的刻不容緩的問(wèn)題。針對(duì)此問(wèn)題，本文從模式判別模型的特征選擇角度出發(fā)，給出基于維度約簡(jiǎn)的復(fù)雜系統(tǒng)異常模式原因追溯方法。 首先，針對(duì)復(fù)雜系統(tǒng)中高維特征之間存在的線性冗余和噪聲問(wèn)題，提出基于偏最小二乘(Partial Least Squares, PLS)與虛假最近鄰點(diǎn)(False Nearest Neighbors，F(xiàn)NN)的判別模型原始特征選擇方法：通過(guò)FNN建立原始特征的相似性度量，利用PLS特征提取得到滿足建立FNN相似性度量所需正交性質(zhì)要求的主元空間，然后結(jié)合PLS與FNN給出原始特征相似性度量方法，并以此相似性度量值刻畫原始特征對(duì)類別標(biāo)簽的重要性，進(jìn)而得到線性模型下異常模式原因追溯方法。為了驗(yàn)證此方法的有效性，仿真3個(gè)線性模型下的復(fù)雜系統(tǒng)分類問(wèn)題，運(yùn)用此方法選擇導(dǎo)致異常類別的關(guān)鍵特征，并用支持向量機(jī)(Support Vector Machine, SVM)分類器分類準(zhǔn)確率說(shuō)明所選特征的正確性，實(shí)驗(yàn)結(jié)果均顯示，所選特征正是與異常分類本質(zhì)相關(guān)特征，表明了此方法的適用性與有效性。 其次，針對(duì)復(fù)雜系統(tǒng)中高維特征間存在的非線性冗余和噪聲問(wèn)題，提出基于核偏最小二乘(Kernel Partial Least Squares, KPLS)與FNN的原始特征選擇方法：核函數(shù)方法將非線性問(wèn)題轉(zhuǎn)化為線性問(wèn)題，在PLS+FNN線性特征選擇方法的基礎(chǔ)上，得到基于KPLS+FNN的非線性特征選擇方法，使之解決非線性模型下異常模式原因追溯。同樣，由仿真的3個(gè)非線性模型下的復(fù)雜系統(tǒng)分類問(wèn)題實(shí)驗(yàn)結(jié)果表明，該方法適用于非線性模型異常模式原因追溯問(wèn)題。 最后，選取經(jīng)典過(guò)程控制實(shí)例TE(Tennessee Eastman)過(guò)程做實(shí)證研究，由于其屬于非線性模型，在挑選其中3種異常模式后選用KPLS+FNN非線性特征選擇方法做異常模式原因追溯研究，并將本文結(jié)果與已有結(jié)果對(duì)比。 以上相應(yīng)仿真實(shí)驗(yàn)和實(shí)證研究結(jié)果均表明，本文提出的線性模型下PLS+FNN特征選擇方法和非線性模型下KPLS+FNN特征選擇方法均能選擇出與類別本質(zhì)相關(guān)的特征，進(jìn)而說(shuō)明了所提方法是適用和有效的，從而為復(fù)雜系統(tǒng)異常模式原因追溯提供了一種方法。
【學(xué)位授予單位】：重慶理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2013
【分類號(hào)】：N941.4
【圖文】：

建立了異常模式(或故障)與征兆之間的關(guān)系，能有效地監(jiān)測(cè)和預(yù)報(bào)異常模式。然而，盡管監(jiān)控系統(tǒng)已能有效地識(shí)別異常模式發(fā)生與否，但卻無(wú)法追溯出引起該異常模式的內(nèi)在原因。如圖1.1所示，異常模式監(jiān)測(cè)僅僅實(shí)現(xiàn)了映射關(guān)系2，映射關(guān)系1卻沒(méi)有得到有效解決，即無(wú)法得到導(dǎo)致異常模式發(fā)生的關(guān)鍵起因，進(jìn)而根本不能及時(shí)排除異常模式。倘若能追溯出導(dǎo)致異常模式發(fā)生的關(guān)鍵原始特征，借此調(diào)整其在系統(tǒng)內(nèi)取值，則可有效避免異常模式的再次發(fā)生及其引起的異常惡性循環(huán)。圖 1.1 異常模式監(jiān)測(cè)與原因追溯映射關(guān)系

特征：①與異常模式無(wú)關(guān)的特征；②有高相關(guān)性的特征，比如線性與非線性冗余�？偟膩�(lái)說(shuō)，維度約簡(jiǎn)方法可分為特征選擇和特征提取兩大類。對(duì)于特征選擇，從如圖1.2所示的一個(gè)實(shí)際的機(jī)器學(xué)習(xí)問(wèn)題看出，由于特征選圖 1.2 機(jī)器學(xué)習(xí)算法流程擇方法與接下來(lái)所研究問(wèn)題的機(jī)器學(xué)習(xí)算法間存在著密切關(guān)系，所以依據(jù)它與機(jī)器學(xué)習(xí)算法的關(guān)系，可將特征選擇方法概括為：嵌入式(Embedded)、過(guò)濾式(Filter)和封裝式(Wrapper)三類。(一)嵌入式(Embedded)特征選擇在Embedded特征選擇中，此方法自身即組成算法的一部分，嵌入到接下來(lái)所研究問(wèn)題算法中，比如決策樹(shù)算法的特征選擇[22]、基于多元線性回歸的方法等等。其中，樹(shù)的形成過(guò)程也就是特征選擇的過(guò)程；回歸方程的建立的同時(shí)特征(變量)也隨之被選擇出來(lái)。在基于多元線性回歸的特征選擇方法中，大致可以分為以下幾個(gè)方面。①簡(jiǎn)單的分析方法[23]

.3 節(jié)給出仿真實(shí)例研究及結(jié)果分析；3.4 節(jié)是本章小結(jié)。偏最小二乘特征提取為線性到非線性之間的橋梁，核函數(shù)方法(Kernel-Based Method)最初起源初 Mercer 發(fā)表的經(jīng)典論文[63]，1964 年被應(yīng)用到模式分析中，其后發(fā)展到隨著計(jì)算機(jī)的發(fā)展和維度災(zāi)難問(wèn)題的出現(xiàn)，核函數(shù)方法所呈現(xiàn)的高維分析開(kāi)始收到廣泛的重視。為了理解本課題所用的重要方法——核偏最PLS，有必要對(duì)核函數(shù)方法的基本原理和思想做介紹。核函數(shù)方法介紹圖 3.1 所示，核函數(shù)方法的基本原理就是討論在原始空間S中，數(shù)據(jù)集不可分現(xiàn)象。利用一種適當(dāng)?shù)姆蔷�性變換 ，將原始空間S 中的數(shù)據(jù)到高維空間H 中，由于S與H 的同構(gòu)性，原始空間的非線性問(wèn)題，可轉(zhuǎn)空間中的線性問(wèn)題，使問(wèn)題得以解決。

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 趙豫紅;顧一鳴;;復(fù)雜過(guò)程的可視化故障診斷方法[J];化工學(xué)報(bào);2006年09期

2 薄翠梅;張n\;張廣明;王執(zhí)銓;;基于特征樣本核主元分析的TE過(guò)程快速故障辨識(shí)方法(英文)[J];化工學(xué)報(bào);2008年07期

3 呂寧;于曉洋;;基于二階互信息特征選取的TE過(guò)程故障診斷[J];化工學(xué)報(bào);2009年09期

4 王新峰;邱靜;劉冠軍;;基于靈敏度分析的支持矢量機(jī)特征選擇[J];機(jī)械工程學(xué)報(bào);2006年04期

5 楊輝華,王行愚,王勇,何倩;基于KPLS的網(wǎng)絡(luò)入侵特征抽取及檢測(cè)方法[J];控制與決策;2005年03期

6 羅剛,張n\,牛彥杰;基于TE過(guò)程的仿真系統(tǒng)的實(shí)現(xiàn)[J];南京工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年03期

7 鄧曉剛;田學(xué)民;;基于免疫核主元分析的故障診斷方法[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年S2期

8 任珂;蔡明;李亞平;;基于概率密度距離的無(wú)監(jiān)督特征選擇方法[J];計(jì)算機(jī)工程與設(shè)計(jì);2007年19期

9 王德厚;;大壩安全與監(jiān)測(cè)[J];水利水電技術(shù);2009年08期

10 高仁祥,張世英,劉豹;基于神經(jīng)網(wǎng)絡(luò)的變量選擇方法[J];系統(tǒng)工程學(xué)報(bào);1998年02期

本文編號(hào)：2757084