【摘要】：復雜系統(tǒng)記錄有大量的高維數據，且特征之間往往呈現高度耦合和強關聯(lián)的線性或非線性現象，甚至還包含無關的噪聲。與此同時，隨著復雜程度的迅速提高，系統(tǒng)異常模式也時常發(fā)生。及時診斷和排除復雜系統(tǒng)的異常模式，已成為工程人員和學者們必須解決的刻不容緩的問題。針對此問題，本文從模式判別模型的特征選擇角度出發(fā)，給出基于維度約簡的復雜系統(tǒng)異常模式原因追溯方法。 首先，針對復雜系統(tǒng)中高維特征之間存在的線性冗余和噪聲問題，提出基于偏最小二乘(Partial Least Squares, PLS)與虛假最近鄰點(False Nearest Neighbors，FNN)的判別模型原始特征選擇方法：通過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要求的主元空間，然后結合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類別標簽的重要性，進而得到線性模型下異常模式原因追溯方法。為了驗證此方法的有效性，仿真3個線性模型下的復雜系統(tǒng)分類問題，運用此方法選擇導致異常類別的關鍵特征，并用支持向量機(Support Vector Machine, SVM)分類器分類準確率說明所選特征的正確性，實驗結果均顯示，所選特征正是與異常分類本質相關特征，表明了此方法的適用性與有效性。 其次，針對復雜系統(tǒng)中高維特征間存在的非線性冗余和噪聲問題，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：核函數方法將非線性問題轉化為線性問題，在PLS+FNN線性特征選擇方法的基礎上，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個非線性模型下的復雜系統(tǒng)分類問題實驗結果表明，該方法適用于非線性模型異常模式原因追溯問題。 最后，選取經典過程控制實例TE(Tennessee Eastman)過程做實證研究，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，并將本文結果與已有結果對比。 以上相應仿真實驗和實證研究結果均表明，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相關的特征，進而說明了所提方法是適用和有效的，從而為復雜系統(tǒng)異常模式原因追溯提供了一種方法。
【學位授予單位】：重慶理工大學
【學位級別】：碩士
【學位授予年份】：2013
【分類號】：N941.4
【圖文】：

建立了異常模式(或故障)與征兆之間的關系，能有效地監(jiān)測和預報異常模式。然而，盡管監(jiān)控系統(tǒng)已能有效地識別異常模式發(fā)生與否，但卻無法追溯出引起該異常模式的內在原因。如圖1.1所示，異常模式監(jiān)測僅僅實現了映射關系2，映射關系1卻沒有得到有效解決，即無法得到導致異常模式發(fā)生的關鍵起因，進而根本不能及時排除異常模式。倘若能追溯出導致異常模式發(fā)生的關鍵原始特征，借此調整其在系統(tǒng)內取值，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)測與原因追溯映射關系

特征：①與異常模式無關的特征；②有高相關性的特征，比如線性與非線性冗余�？偟膩碚f，維度約簡方法可分為特征選擇和特征提取兩大類。對于特征選擇，從如圖1.2所示的一個實際的機器學習問題看出，由于特征選圖 1.2 機器學習算法流程擇方法與接下來所研究問題的機器學習算法間存在著密切關系，所以依據它與機器學習算法的關系，可將特征選擇方法概括為：嵌入式(Embedded)、過濾式(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，嵌入到接下來所研究問題算法中，比如決策樹算法的特征選擇[22]、基于多元線性回歸的方法等等。其中，樹的形成過程也就是特征選擇的過程；回歸方程的建立的同時特征(變量)也隨之被選擇出來。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方面。①簡單的分析方法[23]

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

【參考文獻】

相關期刊論文 前10條

1 趙豫紅;顧一鳴;;復雜過程的可視化故障診斷方法[J];化工學報;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過程快速故障辨識方法(英文)[J];化工學報;2008年07期

3 呂寧;于曉洋;;基于二階互信息特征選取的TE過程故障診斷[J];化工學報;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特征選擇[J];機械工程學報;2006年04期

5 楊輝華,王行愚,王勇,何倩;基于KPLS的網絡入侵特征抽取及檢測方法[J];控制與決策;2005年03期

6 羅剛,張n\,牛彥杰;基于TE過程的仿真系統(tǒng)的實現[J];南京工業(yè)大學學報(自然科學版);2005年03期

7 鄧曉剛;田學民;;基于免疫核主元分析的故障診斷方法[J];清華大學學報(自然科學版);2008年S2期

8 任珂;蔡明;李亞平;;基于概率密度距離的無監(jiān)督特征選擇方法[J];計算機工程與設計;2007年19期

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

10 高仁祥,張世英,劉豹;基于神經網絡的變量選擇方法[J];系統(tǒng)工程學報;1998年02期

本文編號：2757084