工业监测数据降维及应用

发布时间：2022-08-13 08:50

　　降维是高维数据分析中最为关键的部分。随着人工智能时代的到来,蕴含宝贵资源的数据呈井喷式增长。如何从海量工业监测数据中提取有效信息成为核心问题,现有数据普遍存在空间维数高导致数据稀疏性强、矩阵分解难度增加等问题,从而加大数据分析的难度。针对以上问题,本文在研究传统降维算法的基础上,提出了一种分步式降维框架,并对增量正交成分分析算法进行改进,通过仿真试验证明该降维框架和改进算法的性能有所提高。论文中的研究内容包括以下几个方面:1、对多种基础降维算法及改进算法进行学习,实现算法并通过可视化空间观察不同算法的降维效果;2、提出一种基于聚类的分步式降维框架,将聚类算法和降维算法进行高效结合建立相关模型,分析降维效果。用于线性和非线性高维数据,仿真结果表明该降维框架提高了分类精度,其准确率在一定情况下可提高16.9%;3、对分步式降维框架进行改进,在模型的处理前期对数据维度进行预分类,代替通过先验知识选取聚类算法的参数。将改进后的模型用于大面积轴温缺失数据的恢复,从时间和数据恢复精度两方面分析该框架的有效性和数据恢复情况,并对该降维框架的有效范围进行验证。仿真结果表明在误差精度保证的情况下时间效率... 

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 研究内容与背景
    1.2 国内外研究现状
        1.2.1 离线降维
        1.2.2 增量降维
        1.2.3 降维准则
    1.3 本文写作安排
    1.4 本文结构
2 数据降维相关算法
    2.1 线性降维
        2.1.1 PCA算法
        2.1.2 LDA算法
    2.2 非线性降维
        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算法及改进算法
    2.3 本章小结
3 基于聚类的分步式降维框架
    3.1 整体降维框架介绍
    3.2 数据特征之聚类处理
        3.2.1 层次聚类
        3.2.2 K均值聚类
        3.2.3 自组织映射网络
        3.2.4 模糊均值聚类
    3.3 仿真实验及结果分析
        3.3.1 分类结果分析
        3.3.2 软测量结果分析
    3.4 本章小结
4 基于自适应阈值的改进增量降维算法
    4.1 数据完整性及标准性处理
        4.1.1 数据完整性及标准性
        4.1.2 数据标准正则化
    4.2 施密特正交过程分析
    4.3 增量正交成分分析
        4.3.1 线性关联规则
        4.3.2 自适应阈值
        4.3.3 算法流程
        4.3.4 参数设置
    4.4 仿真实验与结果分析
        4.4.1 分类结果分析
        4.4.2 重构误差结果分析
    4.5 本章小结
5 结论与展望
    5.1 论文总结
    5.2 论文展望
致谢
参考文献
攻读学位期间主要研究成果


【参考文献】：
期刊论文
[1]基于MVU降维的捕捉数据自动分割[J]. 张奕,王科琪.  电子技术与软件工程. 2017(19)
[2]全局与局部判别信息融合的转子故障数据集降维方法研究[J]. 赵孝礼,赵荣珍.  自动化学报. 2017(04)
[3]融合梯度差信息的稀疏去噪自编码网络在异常行为检测中的应用[J]. 袁静,章毓晋.  自动化学报. 2017(04)
[4]基于DTW的车辆轴温监测方法[J]. 曹源,王玉珏,马连川,陈磊.  交通运输工程学报. 2015(03)
[5]时间序列数据降维和特征表示方法[J]. 李海林,杨丽彬.  控制与决策. 2013(11)
[6]基于流形学习的局部保持PCA算法在故障检测中的应用[J]. 王健,冯健,韩志艳.  控制与决策. 2013(05)
[7]基于改进的QBC和CS-SVM的故障检测[J]. 唐明珠,阳春华,桂卫华.  控制与决策. 2012(10)
[8]基于WSVR和FCM聚类的实时寿命预测方法[J]. 胡友涛,胡昌华,孔祥玉,周志杰.  自动化学报. 2012(03)
[9]一种基于稀疏嵌入分析的降维方法[J]. 闫德勤,刘胜蓝,李燕燕.  自动化学报. 2011(11)
[10]一种基于张量和洛仑兹几何的降维方法[J]. 唐科威,刘日升,杜慧,苏志勋.  自动化学报. 2011(09)

博士论文
[1]流形学习的理论与方法研究[D]. 王靖.浙江大学 2006
[2]高维数据的降维理论及应用[D]. 谭璐.国防科学技术大学 2005



本文编号：3676719