基于偏最小二乘分析法异常数据检测_纪素娟.pdfVIP

教育◎教育科研 基于偏最小二乘分析法的异常数据检测 文/纪素娟　李三杰 【摘　要】　本文首先介绍了异常数据对工业建模的不利影响，叙述了一些了常见异常数据检测方法，由此引出一种基于便最小二 乘回归分析法的异常数据检测方法；并用常见的几种检测方法和偏最小二乘分析法一同对电动汽车中蓄电池的剩余电量估计中的 异常数据进行检测，有结果得出偏最小二乘分析法具有准确率高，误报率少等优点，应具有较好的应用前景。 【关键词】　偏最小二乘2　异常数据　蓄电池剩余电量 一、引言 点确定为异常数据。 ANFIS3（自适应神经模糊推理系统）软计算4建模方法近几年 在工业建模上有着广泛的应用，但其建模对系统数据变化有较强的适 现在，再讨论一下阈值T 的确定。根据特雷西等人的研究，累 计贡献率服从以下分布： 应能力，但这都是建立在系统数据比较清洁的基础上的。当系统数据 2 存在异常数据时，ANFIS因为要兼顾异常数据的作用，其建模的精度 n (n m) T2 ~ F (m ,n m) 　　　　　　 会大幅度下降，模型性能并不能令人满意。有时还会带了一些不必要 　　m(n2 1) i n 其中 为样本点个数， 为成分个数。 的经济损失，所以异常数据的检测及提取是极为重要的。 m 二、偏最小二乘 （PLS）异常数据检测法 ( 2 1) 2 m n 所以，当 T F (m,n m) 时，可以认为在95％的检验水平 i 2 0.05 传统的异常数据检测方法有：局部距离法，相似系数法，三倍偏 n (n m) 差法，和主成分分析法等等，但这些方法对一些要求较高的建模工程 上，样本点i 对成分t ,...,t 的贡献率过大，这时就可以认为样本点i 1 m 中已经逐渐表现出精度不够高，异常点错报等缺陷，由此本文提出结 为一个离群点。 合偏最小二乘回归分析方法来进行异常数据监测。 特别的，当m 2