本文關(guān)鍵詞：基于數(shù)據(jù)驅(qū)動(dòng)的非線性過(guò)程故障診斷若干問題研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著數(shù)字化技術(shù)的廣泛應(yīng)用以及網(wǎng)絡(luò)科技的快速發(fā)展,在大規(guī)�；ち鞒坦I(yè)中所采集到的時(shí)間序列數(shù)據(jù)大都呈現(xiàn)出高維、非線性、不確定性以及不完整性等特征,這對(duì)傳統(tǒng)的數(shù)據(jù)挖掘技術(shù)提出了巨大的挑戰(zhàn)。與傳統(tǒng)的數(shù)據(jù)分析相比,統(tǒng)計(jì)學(xué)習(xí)理論憑借著良好的可理解性以及對(duì)不確定性的容忍性已經(jīng)引起了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。本論文主要以工業(yè)過(guò)程監(jiān)測(cè)為研究背景,以統(tǒng)計(jì)學(xué)習(xí)中的相關(guān)理論為基礎(chǔ),集中解決了工業(yè)生產(chǎn)過(guò)程中所廣泛存在的不確定性以及非線性等問題,并在數(shù)值仿真與工業(yè)流程數(shù)據(jù)上驗(yàn)證了所提出方法的有效性和可行性。本文主要的研究?jī)?nèi)容和貢獻(xiàn)如下：Ⅰ.針對(duì)多核學(xué)習(xí)中的非凸優(yōu)化問題,提出了一種基于非精確投影法的通用多核學(xué)習(xí)模型GCISP.MKL(Generalized Convexity-based Inexact Projection for Multiple Kernel Learning)和相應(yīng)的學(xué)習(xí)算法,該方法在保證平滑性的同時(shí)能夠在有限內(nèi)存空間內(nèi)高效、準(zhǔn)確地收斂于駐點(diǎn)。對(duì)該模型廣義凸性的理論研究發(fā)現(xiàn),該通用模型的目標(biāo)函數(shù)是一種嚴(yán)格偽凸函數(shù),而約束條件是一種偽線性函數(shù),因此該優(yōu)化問題的原始問題及其對(duì)偶問題間是強(qiáng)對(duì)偶的。為了提高算法的計(jì)算效率,通過(guò)L-BFGS法對(duì)優(yōu)化問題中的Hessian矩陣進(jìn)行近似,這樣可以加快收斂速度。Ⅱ.針對(duì)封裝式特征選擇方法所存在的特征單調(diào)性問題以及大規(guī)�；み^(guò)程數(shù)據(jù)中出現(xiàn)的維度爆炸問題,提出了一種基于多核技術(shù)的非單調(diào)特征選擇算法PrimMKL-FS (Primal method for Multiple Kernel Learning-based Feature Selection).通過(guò)對(duì)多核學(xué)習(xí)的理論分析發(fā)現(xiàn),核矩陣的權(quán)重項(xiàng)對(duì)數(shù)據(jù)特征的重要程度具有指示作用,以此為基礎(chǔ)建立了相應(yīng)的優(yōu)化問題,并提出了一種基于Nesterov投影梯度下降的優(yōu)化算法直接對(duì)優(yōu)化的原始問題搜索最優(yōu)解,并利用所得到的最優(yōu)組合權(quán)重對(duì)特征權(quán)重進(jìn)行分配。Ⅲ.針對(duì)實(shí)際生產(chǎn)過(guò)程中變量間的相關(guān)性難以滿足傳統(tǒng)分析法的基本假設(shè)(即觀測(cè)變量服從Gaussian分布),提出了一種基于獨(dú)立元分析-深度網(wǎng)絡(luò)的多變量統(tǒng)計(jì)過(guò)程監(jiān)測(cè)法ICA-Sparse Autoencodera該方法利用獨(dú)立元分析法提取出非高斯分布中的隱含變量,對(duì)殘差序列運(yùn)用深度網(wǎng)絡(luò)以解決序列中的非線性問題。同時(shí),在深度網(wǎng)絡(luò)中為了避免模型陷入局部極值,提出了一種受限Boltzmann機(jī)的預(yù)訓(xùn)練機(jī)制,并利用L-BFGS算法對(duì)深度網(wǎng)絡(luò)中的參數(shù)進(jìn)行更新優(yōu)化。Ⅳ.針對(duì)傳統(tǒng)多變量統(tǒng)計(jì)過(guò)程監(jiān)測(cè)法難以得到概率性輸出的問題,設(shè)計(jì)出一種基于高斯混合模型的魯棒貝葉斯模型BRR (Bayesian Robust Regression),該模型能夠有效處理系統(tǒng)中的非確定性,同時(shí)計(jì)算出后驗(yàn)概率。針對(duì)高斯混合模型中存在的兩個(gè)主要問題：對(duì)離群點(diǎn)缺乏魯棒性以及無(wú)窮問題,在模型中引入一種準(zhǔn)確度權(quán)重來(lái)識(shí)別出過(guò)程中的離群點(diǎn)和噪聲,并捕捉數(shù)據(jù)的局部特性；在逆協(xié)方差矩陣上放置了一種逆Wishart分布的先驗(yàn)知識(shí)以避免無(wú)窮問題的出現(xiàn)；為了體現(xiàn)出模型成分重要程度的不同,將混合權(quán)重的先驗(yàn)設(shè)計(jì)為一種基于混合比例概率性參數(shù)序列的Dirichlet分布。V針對(duì)有限高斯混合模型關(guān)于混合模型的數(shù)量易產(chǎn)生過(guò)擬合現(xiàn)象的問題,提出了一種基于Dirichlet混合過(guò)程模型的非參數(shù)Bayesian故障診斷方法。該模型通過(guò)假設(shè)樣本中存在無(wú)限數(shù)量的簇,在后驗(yàn)中可以得到關(guān)于簇的數(shù)量、簇中的數(shù)據(jù)和簇相關(guān)參數(shù)的分布,在一定程度上避免了過(guò)擬合現(xiàn)象的出現(xiàn)。該方法對(duì)于混合權(quán)重附加了一種先驗(yàn)分布,并利用stick-breaking構(gòu)造法建立起一種Dirichlet混合過(guò)程模型,在變分推理過(guò)程中采用截?cái)嘧饔?并根據(jù)自由能反復(fù)修正截?cái)嗄Ｐ?使得模型選擇和推理過(guò)程有機(jī)地結(jié)合在一起。最后,在總結(jié)全文的主要研究工作基礎(chǔ)上,對(duì)這一研究領(lǐng)域的未來(lái)研究重點(diǎn)與方向進(jìn)行了展望。
【關(guān)鍵詞】：統(tǒng)計(jì)學(xué)習(xí) 機(jī)器學(xué)習(xí) 非線性過(guò)程監(jiān)測(cè) 多核學(xué)習(xí) 深度學(xué)習(xí) 高斯混合模型 狄利克雷混合過(guò)程模型
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP277
【目錄】：

• 致謝5-6
• 摘要6-8
• Abstract8-15
• 符號(hào)與縮寫15-19
• 1 緒論19-35
• 1.1 引言19-21
• 1.2 過(guò)程監(jiān)測(cè)的基本概念及研究?jī)?nèi)容21-24
• 1.3 非線性故障診斷的研究現(xiàn)狀24-31
• 1.4 本文主要內(nèi)容與創(chuàng)新點(diǎn)31-35
• 2 廣義凸條件下多核學(xué)習(xí)的非精確投影算法35-51
• 2.1 引言35-36
• 2.2 多核學(xué)習(xí)框架36-38
• 2.3 廣義凸條件下的非精確譜投影在多核學(xué)習(xí)中的應(yīng)用38-46
• 2.4 實(shí)驗(yàn)仿真46-48
• 2.5 小結(jié)48-51
• 3 基于多核技術(shù)的特征選擇在非線性故障診斷中的應(yīng)用51-65
• 3.1 引言51-53
• 3.2 基于多核學(xué)習(xí)的非單調(diào)特征選擇法53-58
• 3.3 實(shí)驗(yàn)仿真58-63
• 3.4 小結(jié)63-65
• 4 受限Boltzmann機(jī)預(yù)訓(xùn)練機(jī)制下的深度學(xué)習(xí)在故障診斷中的應(yīng)用65-83
• 4.1 引言65-66
• 4.2 預(yù)備知識(shí)66-67
• 4.3 基于L-BFGS優(yōu)化的稀疏自編碼器及預(yù)訓(xùn)練過(guò)程67-72
• 4.4 基于ICA-稀疏自編碼器的故障檢測(cè)72-73
• 4.5 實(shí)例研究73-81
• 4.6 小結(jié)81-83
• 5 一種新的Bayesian魯棒模型及其在非線性過(guò)程故障診斷中的應(yīng)用83-107
• 5.1 引言83-84
• 5.2 預(yù)備知識(shí)84-86
• 5.3 Bayesian魯棒回歸模型86-93
• 5.4 魯棒性分析和基于BRR的故障診斷93-97
• 5.5 實(shí)例研究97-105
• 5.6 小結(jié)105-107
• 6 基于Dirichlet過(guò)程的非參數(shù)貝葉斯故障診斷研究107-119
• 6.1 引言107-108
• 6.2 有限混合模型108-109
• 6.3 變分Dirichlet混合過(guò)程模型109-112
• 6.4 實(shí)驗(yàn)研究112-118
• 6.5 小結(jié)118-119
• 7 總結(jié)和展望119-123
• 7.1 研究工作總結(jié)119-120
• 7.2 研究工作展望120-123
• 參考文獻(xiàn)123-135
• 作者簡(jiǎn)歷及在學(xué)期間取得的主要科研成果135-136

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 張敏,趙猛,賈云得,王俊;基于自適應(yīng)高斯混合模型的圖像穩(wěn)定方法[J];北京理工大學(xué)學(xué)報(bào);2004年10期

2 趙征鵬,楊鑒;基于高斯混合模型的非母語(yǔ)說(shuō)話人口音識(shí)別[J];計(jì)算機(jī)工程;2005年06期

3 侯建華;熊承義;田金文;柳健;;圖像小波系數(shù)的高斯混合模型研究[J];計(jì)算機(jī)應(yīng)用;2006年03期

4 顧明亮;馬勇;;基于高斯混合模型的漢語(yǔ)方言辨識(shí)系統(tǒng)[J];計(jì)算機(jī)工程與應(yīng)用;2007年03期

5 袁禮海;李釗;宋建社;;利用高斯混合模型實(shí)現(xiàn)概率密度函數(shù)逼近[J];無(wú)線電通信技術(shù);2007年02期

6 張超瓊;苗奪謙;岳曉冬;;基于高斯混合模型的語(yǔ)音性別識(shí)別[J];計(jì)算機(jī)應(yīng)用;2008年S2期

7 許曉東;熊衛(wèi)斌;朱士瑞;;基于高斯混合模型的流量矩陣估算研究[J];計(jì)算機(jī)工程;2009年14期

8 王岐學(xué);錢盛友;趙新民;;基于差分特征和高斯混合模型的湖南方言識(shí)別[J];計(jì)算機(jī)工程與應(yīng)用;2009年35期

9 韓曉峰;;基于自回歸的高斯混合模型[J];科技風(fēng);2009年23期

10 馬超;張政石;;基于二維高斯混合模型的駕駛行為分析[J];硅谷;2011年05期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 駱俊;馬盡文;;高斯混合模型的遺傳分基融合算法[A];第十二屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2005）論文集[C];2005年

2 廖頻;沈理;;基于高斯混合模型的人臉圖象識(shí)別研究[A];2001年中國(guó)智能自動(dòng)化會(huì)議論文集（上冊(cè)）[C];2001年

3 馬盡文;何學(xué)鋒;;高斯混合模型的數(shù)據(jù)尺度可壓縮參數(shù)學(xué)習(xí)算法[A];第十四屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)(CCSP-2009)論文集[C];2009年

4 瞿俊;姜青山;董槐林;;基于高斯混合模型的層次聚類算法[A];第二十三屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2006年

5 蔡念;郭文婷;陳世文;潘晴;;融合高斯混合模型和小波變換的運(yùn)動(dòng)目標(biāo)檢測(cè)[A];第十五屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

6 龍艷花;郭武;戴禮榮;;一種應(yīng)用于SVM說(shuō)話者確認(rèn)系統(tǒng)的新型序列核[A];第九屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議論文集[C];2007年

7 劉李漫;陶文兵;田金文;;融合多高斯混合模型與Graph Cuts優(yōu)化技術(shù)的目標(biāo)自動(dòng)檢測(cè)方法[A];第十五屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

8 康永國(guó);雙志偉;陶建華;張維;徐波;;高斯混合模型和碼本映射相結(jié)合的語(yǔ)音轉(zhuǎn)換算法[A];第八屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議論文集[C];2005年

9 應(yīng)冬文;顏永紅;付強(qiáng);國(guó)雁萌;;基于約束高斯混合模型的噪聲功率譜估計(jì)[A];2010年通信理論與信號(hào)處理學(xué)術(shù)年會(huì)論文集[C];2010年

10 唐英干;劉東;關(guān)新平;;基于高斯混合模型的多分辨率圖像分割[A];第十二屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2005年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前6條

1 王益文;復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)影響力模型及其應(yīng)用[D];浙江大學(xué);2015年

2 羅林;基于數(shù)據(jù)驅(qū)動(dòng)的非線性過(guò)程故障診斷若干問題研究[D];浙江大學(xué);2015年

3 陳雪峰;圖像高斯混合模型的判別學(xué)習(xí)方法[D];北京理工大學(xué);2009年

4 賴裕平;非高斯混合模型的變分學(xué)習(xí)算法研究[D];北京郵電大學(xué);2014年

5 劉輝;miRNA靶標(biāo)預(yù)測(cè)的系統(tǒng)生物學(xué)方法研究[D];中國(guó)礦業(yè)大學(xué);2009年

6 陶建斌;貝葉斯網(wǎng)絡(luò)模型在遙感影像分類中的應(yīng)用方法研究[D];武漢大學(xué);2010年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 范苗;基于高斯混合模型的時(shí)變過(guò)程軟測(cè)量建模[D];浙江大學(xué);2015年

2 許莉薇;基于高斯混合模型林業(yè)信息文本分類的技術(shù)研究[D];東北林業(yè)大學(xué);2015年

3 車瀅霞;約束條件下的結(jié)構(gòu)化統(tǒng)計(jì)聲學(xué)模型及非平行語(yǔ)料語(yǔ)音轉(zhuǎn)換[D];蘇州大學(xué);2015年

4 張曉紅;基于候選生成的貓臉檢測(cè)[D];哈爾濱工業(yè)大學(xué);2015年

5 付娜;基于視頻的運(yùn)動(dòng)人體行為捕捉算法研究[D];北京理工大學(xué);2015年

6 王炳輝;基于層次貝葉斯自適應(yīng)稀疏的高斯混合模型[D];大連理工大學(xué);2015年

7 邱藤;基于高斯混合模型的EM算法及其應(yīng)用研究[D];電子科技大學(xué);2015年

8 張小林;基于高斯混合模型和非負(fù)矩陣分解的復(fù)雜網(wǎng)絡(luò)社區(qū)檢測(cè)[D];西安電子科技大學(xué);2014年

9 姚紹芹;基于聲道譜參數(shù)的語(yǔ)音轉(zhuǎn)換算法研究[D];南京郵電大學(xué);2015年

10 閆昊;基于高斯混合模型的文本無(wú)關(guān)說(shuō)話人年齡識(shí)別[D];蘇州大學(xué);2015年

  本文關(guān)鍵詞：基于數(shù)據(jù)驅(qū)動(dòng)的非線性過(guò)程故障診斷若干問題研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：265669