基于维度约简的复杂系统异常模式原因追溯-应用数学专业论文.docxVIP

摘要 摘要 I I 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。 关键词： 复杂系统；维度约简；虚假最近邻点；偏最小二乘；核偏最小二乘 Abstract The Complex system records a large number of high-dimensional data, and the high-dimensional features of the data tend to exhibit a high degree of coupling and the strong association of linear or non-linear phenomena, and even include extraneous noise. At the same time, with the increasing of the possibility of the abnormal state in the production process, abnormal patterns in complex systems happen frequently. Timely diagnosis and to exclude abnormal patterns in the system have become the most important problem that engineering staff and research scholars should solve the problem without delay. To solve this problem, the way to explore the cause of abnormal pattern in complex systems based on dimension reduction is given in this article, which comes from the point of view of the model section in pattern recognition. Firstly, in order to solve the linear redundancy and n