基于相对密度噪声过滤分类器研究及在铝电解中的应用

发布时间：2020-04-28 02:33

【摘要】：分类器的泛化能力会受到分类噪声数据不同程度的影响,基于分类噪声过滤的方法能够显著提高分类器在含有分类噪声的数据场景下的泛化性能。其中,基于相对密度分类噪声过滤方法效果较好且适用性广,但在非均匀分布数据中会有一定的失效性且在大数据中效率较低。因此,本文针对相对密度噪声过滤方法进行了相关改进的研究并应用于铝电解工业数据中,主要研究成果如下:目前相对密度方法主要针对于均匀分布的数据集,对非均匀分布的数据处理效果较差。为此,本文基于相对密度分别提出了基于阈值的噪声过滤分类器以及基于样本的噪声过滤分类器,使得该方法在不同的数据分布下的噪声检测能力更强。两种基于相对密度的分类方法在公开数据集中较原始的相对密度模型都显示了更好的预测能力。由于原始的相对密度模型具有O(N~2)的时间复杂度,为了提高分类噪声过滤分类器的效率,基于相对密度的启发,提出了一种粒球计算框架,并且它具有可扩展、鲁棒以及高效的特点。此外,本文给出了相对密度粒球k近邻分类器的基本模型。在各个数据集上的实验结果也表明,该方法在大数据集上展现了高效的优势,并且由于粒球计算的鲁棒性,其在部分数据集上体现了更好的预测能力。为进一步验证本文方法的有效性,本文将提出的方法应用于工业铝电解数据中。由于工业铝电解历史生产数据特征较少且存在大量缺失,因此进行了一系列数据处理。对其存在缺失值进行了删除和填充,并且删除了冗余特征。基于数据分析,利用特征工程方法对原始数据构建了一系列新特征,对铝电解数据进行了标准化并进行了特征变换以及特征选择。此外,工业铝电解实际生产环境复杂,如针振引起槽电压高频波动、阳极效应使得温度骤升以及检测设备由于外部环境引起的故障等等因素使之不同程度地存在分类噪声;另外,过热度会显著影响铝电解的生产效率。因此,本文运用提出的方法对铝电解过热度进行预测,实验结果显示了新方法具有更好的预测性能。最后,基于最优的过热度预测模型,设计并完成了一个铝电解过热度预测系统。
【图文】：

样本量,样本,冗余

值处理完之后还需要进一步的其它处理。它一些场景的数据中，难免会存在一些对指样本与样本之间重复，而提高样本的独和大规模信息系统获得成功的前提。因此存在两种方式，也就是样本的冗余与特征能与其它一行或多行数据相同。特征冗余相同，除此之外，某列的所有特征值相同

过热度,冗余,样本

这里的数据冗余存在两种方式，也就是样本的冗余与特征冗余。样本冗余即某一行的数据有可能与其它一行或多行数据相同。特征冗余就是指某列属性值它一列或多列数据相同，，除此之外，某列的所有特征值相同也叫特征冗余。.4 数据分析图 3.1 样本量月分布
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TF821;TP181;TB535

【相似文献】