基于维度约简的复杂系统异常模式原因追溯

发布时间：2020-07-15 22:17

【摘要】：复杂系统记录有大量的高维数据，且特征之间往往呈现高度耦合和强关联的线性或非线性现象，甚至还包含无关的噪声。与此同时，随着复杂程度的迅速提高，系统异常模式也时常发生。及时诊断和排除复杂系统的异常模式，已成为工程人员和学者们必须解决的刻不容缓的问题。针对此问题，本文从模式判别模型的特征选择角度出发，给出基于维度约简的复杂系统异常模式原因追溯方法。首先，针对复杂系统中高维特征之间存在的线性冗余和噪声问题，提出基于偏最小二乘(Partial Least Squares, PLS)与虚假最近邻点(False Nearest Neighbors，FNN)的判别模型原始特征选择方法：通过FNN建立原始特征的相似性度量，利用PLS特征提取得到满足建立FNN相似性度量所需正交性质要求的主元空间，然后结合PLS与FNN给出原始特征相似性度量方法，并以此相似性度量值刻画原始特征对类别标签的重要性，进而得到线性模型下异常模式原因追溯方法。为了验证此方法的有效性，仿真3个线性模型下的复杂系统分类问题，运用此方法选择导致异常类别的关键特征，并用支持向量机(Support Vector Machine, SVM)分类器分类准确率说明所选特征的正确性，实验结果均显示，所选特征正是与异常分类本质相关特征，表明了此方法的适用性与有效性。其次，针对复杂系统中高维特征间存在的非线性冗余和噪声问题，提出基于核偏最小二乘(Kernel Partial Least Squares, KPLS)与FNN的原始特征选择方法：核函数方法将非线性问题转化为线性问题，在PLS+FNN线性特征选择方法的基础上，得到基于KPLS+FNN的非线性特征选择方法，使之解决非线性模型下异常模式原因追溯。同样，由仿真的3个非线性模型下的复杂系统分类问题实验结果表明，该方法适用于非线性模型异常模式原因追溯问题。最后，选取经典过程控制实例TE(Tennessee Eastman)过程做实证研究，由于其属于非线性模型，在挑选其中3种异常模式后选用KPLS+FNN非线性特征选择方法做异常模式原因追溯研究，并将本文结果与已有结果对比。以上相应仿真实验和实证研究结果均表明，本文提出的线性模型下PLS+FNN特征选择方法和非线性模型下KPLS+FNN特征选择方法均能选择出与类别本质相关的特征，进而说明了所提方法是适用和有效的，从而为复杂系统异常模式原因追溯提供了一种方法。
【学位授予单位】：重庆理工大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：N941.4
【图文】：

异常模式,映射关系

建立了异常模式(或故障)与征兆之间的关系，能有效地监测和预报异常模式。然而，尽管监控系统已能有效地识别异常模式发生与否，但却无法追溯出引起该异常模式的内在原因。如图1.1所示，异常模式监测仅仅实现了映射关系2，映射关系1却没有得到有效解决，即无法得到导致异常模式发生的关键起因，进而根本不能及时排除异常模式。倘若能追溯出导致异常模式发生的关键原始特征，借此调整其在系统内取值，则可有效避免异常模式的再次发生及其引起的异常恶性循环。图 1.1 异常模式监测与原因追溯映射关系

流程图,机器学习算法,流程,特征选择

特征：①与异常模式无关的特征；②有高相关性的特征，比如线性与非线性冗余。总的来说，维度约简方法可分为特征选择和特征提取两大类。对于特征选择，从如图1.2所示的一个实际的机器学习问题看出，由于特征选图 1.2 机器学习算法流程择方法与接下来所研究问题的机器学习算法间存在着密切关系，所以依据它与机器学习算法的关系，可将特征选择方法概括为：嵌入式(Embedded)、过滤式(Filter)和封装式(Wrapper)三类。(一)嵌入式(Embedded)特征选择在Embedded特征选择中，此方法自身即组成算法的一部分，嵌入到接下来所研究问题算法中，比如决策树算法的特征选择[22]、基于多元线性回归的方法等等。其中，树的形成过程也就是特征选择的过程；回归方程的建立的同时特征(变量)也随之被选择出来。在基于多元线性回归的特征选择方法中，大致可以分为以下几个方面。①简单的分析方法[23]

示意图,核函数,方法,示意图

.3 节给出仿真实例研究及结果分析；3.4 节是本章小结。偏最小二乘特征提取为线性到非线性之间的桥梁，核函数方法(Kernel-Based Method)最初起源初 Mercer 发表的经典论文[63]，1964 年被应用到模式分析中，其后发展到随着计算机的发展和维度灾难问题的出现，核函数方法所呈现的高维分析开始收到广泛的重视。为了理解本课题所用的重要方法——核偏最PLS，有必要对核函数方法的基本原理和思想做介绍。核函数方法介绍图 3.1 所示，核函数方法的基本原理就是讨论在原始空间S中，数据集不可分现象。利用一种适当的非线性变换，将原始空间S 中的数据到高维空间H 中，由于S与H 的同构性，原始空间的非线性问题，可转空间中的线性问题，使问题得以解决。

【参考文献】