本文選題：工業(yè)大數(shù)據(jù) + 實時性與魯棒性��； 參考：《西安電子科技大學(xué)學(xué)報》2016年05期

【摘要】：工業(yè)大數(shù)據(jù)具有大體量、多源性、連續(xù)采樣和價值密度低等特點,造成其數(shù)據(jù)復(fù)雜度高、實時性強(qiáng)和異常數(shù)據(jù)多.而傳統(tǒng)的特征提取方法已無法滿足復(fù)雜工業(yè)大數(shù)據(jù)的實時性要求,同時工業(yè)大數(shù)據(jù)的處理方法不同于基于互聯(lián)網(wǎng)的數(shù)據(jù)流處理方法,其對精度要求較高.針對該問題,提出一種魯棒的增量在線特征提取方法,即魯棒增量主成分分析,采用滑動窗口動態(tài)更新數(shù)據(jù),過濾窗口內(nèi)的異常數(shù)據(jù)點;然后對窗口內(nèi)數(shù)據(jù)進(jìn)行增量主成分分析,從而滿足工業(yè)大數(shù)據(jù)處理的精度及實時性要求.實驗結(jié)果表明,該方法可有效對數(shù)據(jù)流進(jìn)行實時的特征提取,并達(dá)到一定的精度要求.
[Abstract]:Industrial big data has the characteristics of large volume, multi-source, continuous sampling and low value density, which makes its data complexity, real-time and abnormal data more. However, the traditional feature extraction method can not meet the real-time requirements of complex industrial big data. At the same time, the processing method of industrial big data is different from the data flow processing method based on Internet. To solve this problem, a robust incremental on-line feature extraction method, robust incremental principal component analysis (RPCA), is proposed. The sliding window is used to dynamically update the data and the abnormal data points in the window are filtered. Then the incremental principal component analysis of the data in the window is carried out to meet the precision and real-time requirements of industrial big data processing. The experimental results show that this method can effectively extract the real-time features of the data stream and achieve certain accuracy requirements.
【作者單位】： 西安電子科技大學(xué)工業(yè)大數(shù)據(jù)技術(shù)研究中心;
【基金】：中央高�；究蒲袠I(yè)務(wù)費大數(shù)據(jù)群資助項目(BDY231423) 國家自然科學(xué)基金資助項目(51505357) 陜西省國際科技合作與交流計劃資助項目(2016-KW-048)
【分類號】：TP311.13

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 馬少華,高峰,李敏,吳成東;神經(jīng)網(wǎng)絡(luò)分類器的特征提取和優(yōu)選[J];基礎(chǔ)自動化;2000年06期

2 管聰慧,宣國榮;多類問題中的特征提取[J];計算機(jī)工程;2002年01期

3 胡威;李建華;陳波;;入侵檢測建模過程中特征提取最優(yōu)化評估[J];計算機(jī)工程;2006年12期

4 朱玉蓮;陳松燦;趙國安;;推廣的矩陣模式特征提取方法及其在人臉識別中的應(yīng)用[J];小型微型計算機(jī)系統(tǒng);2007年04期

5 趙振勇;王保華;王力;崔磊;;人臉圖像的特征提取[J];計算機(jī)技術(shù)與發(fā)展;2007年05期

6 馮海亮;王麗;李見為;;一種新的用于人臉識別的特征提取方法[J];計算機(jī)科學(xué);2009年06期

7 朱笑榮;楊德運;;基于入侵檢測的特征提取方法[J];計算機(jī)應(yīng)用與軟件;2010年06期

8 王菲;白潔;;一種基于非線性特征提取的被動聲納目標(biāo)識別方法研究[J];軟件導(dǎo)刊;2010年05期

9 陳偉;瞿曉;葛丁飛;;主觀引導(dǎo)特征提取法在光譜識別中的應(yīng)用[J];科技通報;2011年04期

10 王華,李介谷;人臉斜視圖象的特征提取與恢復(fù)[J];上海交通大學(xué)學(xué)報;1997年01期

相關(guān)會議論文 前10條

1 尚修剛;蔣慰孫;;模糊特征提取新算法[A];1997中國控制與決策學(xué)術(shù)年會論文集[C];1997年

2 潘榮江;孟祥旭;楊承磊;王銳;;旋轉(zhuǎn)體的幾何特征提取方法[A];第一屆建立和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2005）論文集[C];2005年

3 薛燕;李建良;朱學(xué)芳;;人臉識別中特征提取的一種改進(jìn)方法[A];第十三屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2006年

4 杜栓平;曹正良;;時間—頻率域特征提取及其應(yīng)用[A];2005年全國水聲學(xué)學(xué)術(shù)會議論文集[C];2005年

5 黃先鋒;韓傳久;陳旭;周劍軍;;運動目標(biāo)的分割與特征提取[A];全國第二屆信號處理與應(yīng)用學(xué)術(shù)會議專刊[C];2008年

6 魏明果;;方言比較的特征提取與矩陣分析[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議論文集[C];2009年

7 林土勝;賴聲禮;;視網(wǎng)膜血管特征提取的拆支跟蹤法[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

8 秦建玲;李軍;;基于核的主成分分析的特征提取方法與樣本篩選[A];2005年中國機(jī)械工程學(xué)會年會論文集[C];2005年

9 劉紅;陳光，

本文編號：2004012