边界不确定信息的处理—Fuzzy集和Vague集

Fuzzy集和Vague集都可用于边界不确定信息的处理。文章首先研究了这两种集合间的关系、性质,提出了Fuzzy集和Vague集的边界不确定性都可用犤0,1犦上的一个子区间来进行描述的思想。然后基于一些Vague集相似度量的思想,提出了一种求Fuzzy集和Vague集的相似性度量方法,并建立了基于Fuzzy集和Vague集度量方法的统一模型,该模型在这两种集合相似性度量上是等价的,并给出了该模型满足的性质。     

基于偏最小二乘得分重构的质量相关故障检测

偏最小二乘(PLS)作为一种典型的多元统计分析方法被广泛用于多变量统计过程监测, 通常要求数据满足 高斯–马尔科夫定理. 当数据存在多模态或过程变量非线性相关时, 基于PLS方法的故障检测性能将受到影响. 为 此, 本文提出一种基于PLS得分重构的故障检测方法(SR–PLS). 首先, 利用PLS将输入空间分解为质量相关空间与 质量无关空间; 其次, 利用类k邻近规则(kNN)对当前得分向量进行重构, 得到重构得分向量; 最后利用重构得分构 造统计量, 由核密度估计(KDE)得到控制限, 进行故障检测. 本方法降低了变量间的非线性与数据多模态对过程故 障检测的影响, 提高了故障检测率. 将所提方法应用于两个数值仿真例子与田纳西伊士曼过程(TEP), 并与PLS, KPLS, LNS–PLS进行对比分析, 证明该算法的优越性与有效性.     

偏最小二乘线性模型及其非线性动态扩展模型综述

偏最小二乘(Partial least square,PLS)是一种基于数据驱动可以处理多个因变量对多个自变量的回归建模方法,因其具有提取质量相关信息的特性,在质量相关复杂工业过程监控中得到广泛的应用,成为近几十年复杂工业过程故障检测和诊断领域的研究热点.对此,介绍线性、非线性、动态PLS模型及其故障检测技术.首先,介绍标准PLS模型,在此基础上对传统PLS模型进行细化分并指出其优缺点,针对标准PLS存在的两个问题以及工业过程数据的两种极端情况,从数据预处理类、多空间类和分块类三方面梳理线性PLS模型的发展和改进历程;其次,将非线性PLS模型扩展方法分为两类,重点介绍核函数非线性PLS模型的研究现状;再次,指出动态扩展方法的两种基本思路,对PLS动态模型进行分类,阐明动态特性的成因,从本质上揭示两种动态扩展方法的原理,按照分类综述动态PLS模型的发展现状;最后,指出该领域亟需解决的问题和未来研究方向.     

粗糙函数依赖的近似度量

为了发现粗糙关系数据库中潜在的和有趣的模式,提出并研究了粗糙函数依赖的近似度量和精确度量。首先,对于关系数据库的近似度量及其满足的性质进行了研究,在此基础上提出了粗糙关系数据库（Rough Relational Database,简称RRDB）的近似度量及精确度量,对该两种度量进行了形式化定义,并且进一步研究了他所满足的性质,给出了相应的实例。该度量的提出及其性质的研究有利于粗糙关系数据库的知识发现及数据查询的研究,并且进一步扩大了粗糙关系数据库的研究领域。     

基于GrC的信息系统软规则及其度量关系的研究

粒计算(GranularComputing,简称GrC)是一种新的软计算方法。该文利用信息颗粒的位表示(BitRepresenta-tions)来进行信息系统软规则及其度量之间关系的研究。具体地,首先利用软规则对关联规则、决策规则、函数依赖之间的关系进行了分析,然后对关联规则度量、决策规则度量、外延的函数依赖度量的关系进行了研究,并且建立了这些度量的统一模型。     

基于信息粒度与Rough集的聚类方法研究

本文讨论了信息颗粒、信息粒度的基本含义,提出了字符颗粒和数字颗粒的概念,分析了采用信息粒度和Rough集理论进行聚类的机理,提出了利用模糊隶属度、信息粒度与Rough集理论相结合进行数据库混合数据聚类的方法.     

基于高效核偏最小二乘的质量相关故障检测

核偏最小二乘(KPLS)是一种多元统计方法, 广泛应用于过程监控, 然而, KPLS采用斜交分解, 导致质量相关空间存在冗余信息易引发误报警. 因此, 本文提出了高效核偏最小二乘(EKPLS)模型, 所提方法通过奇异值分解(SVD)将核矩阵正交分解为质量相关空间和质量无关空间, 有效降低质量相关空间中的冗余信息, 并采用主成分分析(PCA)按方差大小将质量相关空间分解为质量主空间和质量次空间. 此外, 为进一步降低由质量无关故障引发的误报警, 提出基于质量估计的正交信号修正(OSC)预处理方法, 并结合EKPLS模型提出了OSC-EKPLS算法. OSCEKPLS通过质量估计值对被测数据进行OSC预处理, 降低了计算复杂度和误报率. 最后, 通过数值仿真和田纳西–伊斯曼过程验证了OSC-EKPLS具有良好的故障检测性和更低的误报率.     

概念格的内涵缩减与数据库推理依赖

值依赖是数据库推理问题研究的一个新课题.首先介绍了形式背景和概念格,提出了值依赖的形式概念模型.将数据属性的安全敏感级别引入到值依赖研究中,提出推理依赖及α极大推理依赖概念,并建立了形式概念格的内涵缩减与数据库推理依赖之间的关系.进一步证明了由概念格的内涵缩减推导出数据库中完备的、无冗余的α极大推理依赖集.最后提出并实例验证了发现数据库中全部推理依赖集的算法.推理依赖是关系数据库中最重要的属性依赖关系之一,其研究对检测和消除数据库推理通道具有十分重要的意义.     

动态内全潜结构投影的空间扩展故障检测方法

动态内偏最小二乘(DiPLS)方法是基于数据驱动的潜结构投影的动态扩展算法, 用于动态特征提取和关键 性能指标预测. 在大型装备系统中, 传感器采集的当前时刻样本受历史样本的影响且可能包含较大噪声. 在动态特 征提取中, 因DiPLS算法未按降序提取主成分, 导致残差空间仍存在较大变异, 动态和静态信息难以有效分离, 影响 故障检测性能. 为此, 本文提出了一种基于动态内全潜结构投影的故障检测方法(DiTPLS). 首先, 使用动态内偏最小 二乘方法和向量自回归模型建立动态模型并检测故障, 用于捕捉质量相关动态信息; 基于结构化动态主成分分析 算法建立一种改进的动态潜在变量模型, 用于残差分解, 提取质量无关的动态信息和静态信息, 并构造合适的统计 量进行故障检测. 数值仿真和田纳西–伊斯曼过程实验验证了DiTPLS算法的有效性.