一種基于grw-mmmd加權(quán)聚類分析的過失誤差偵破方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)計(jì)了一種基于 GRW_MMMD(Grey Relational Weighted-Modified Median Minimum Distance)過失誤差偵破方法，實(shí)時(shí)性好、準(zhǔn)確度高、經(jīng)濟(jì)可靠。
[0002]
【背景技術(shù)】
[0003] 近年來，軟測(cè)量技術(shù)在復(fù)雜工業(yè)過程中已經(jīng)得到了廣泛的應(yīng)用。這種技術(shù)主要用 于解決工業(yè)過程中普遍存在的一類難以測(cè)量的過程變量的檢測(cè)問題。軟測(cè)量技術(shù)的核心是 建立工業(yè)對(duì)象的精確可靠的模型。初始軟測(cè)量模型是通過對(duì)過程變量的歷史數(shù)據(jù)進(jìn)行辨識(shí) 而得到的。因此無論采用何種方法建立軟測(cè)量模型，都需要一定數(shù)量的建模數(shù)據(jù)，并且軟測(cè) 量模型的性能在很大程度上要依賴于所獲得的建模數(shù)據(jù)的準(zhǔn)確性和有效性. 然而，由于各種原因在現(xiàn)場(chǎng)采集的數(shù)據(jù)中不可避免的存在誤差。在這些誤差中，包括隨 機(jī)誤差和過失誤差。過失誤差主要是指在實(shí)際過程中，經(jīng)常由于測(cè)量?jī)x表失靈、測(cè)量?jī)x表數(shù) 據(jù)傳輸錯(cuò)誤以及操作不穩(wěn)定等原因造成的測(cè)量數(shù)據(jù)嚴(yán)重失真的情況，使測(cè)量數(shù)據(jù)的測(cè)量值 和真實(shí)值之間存在著顯著的差異. 過失誤差會(huì)對(duì)建模帶來嚴(yán)重的干擾，在建立軟測(cè)量建模之前，需要將過失誤差數(shù)據(jù)從 模型數(shù)據(jù)中偵測(cè)并且分離出來，這對(duì)成功建立精確地軟測(cè)量模型不可或缺。因此，為了保障 模型的精度，通過某種方法，將真實(shí)信號(hào)從受誤差影響的混合信號(hào)中分離出來，這個(gè)過程被 稱為過失誤差偵破。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的內(nèi)容，是提供一種有效的過失誤差偵破方法，運(yùn)用灰關(guān)聯(lián)分析法判斷各 變量對(duì)工業(yè)過程的影響程度，為計(jì)算公式加權(quán)，從而能夠成功剔除主要變量的過失誤差，提 高數(shù)據(jù)精確度，為軟測(cè)量建模打下堅(jiān)實(shí)基礎(chǔ). 針對(duì)不同變量對(duì)建模影響程度的不同，本發(fā)明提出了基于GRW-MMMD加權(quán)聚類分析的 過失誤差偵破方法。已有的MMMD過失誤差偵破方法，能有效剔除多變量的過失誤差，但該 方法中所有變量均取等權(quán)重，不能確切找出對(duì)建模影響最大的過失數(shù)據(jù)。因此，本發(fā)明在 MMMD方法的基礎(chǔ)上，運(yùn)用灰關(guān)聯(lián)分析法為各變量數(shù)據(jù)加權(quán)，定量的度量工業(yè)過程中各變量 之間的關(guān)聯(lián)程度，從而準(zhǔn)確剔除主導(dǎo)變量中的過失誤差。實(shí)驗(yàn)表明，基于GRW-MMMD方法的 過失誤差偵破方法相比于原有的等權(quán)重的MMMD方法，具有更高的識(shí)別精度，能夠?yàn)橄乱徊?的軟測(cè)量建模提供更加精確可靠的數(shù)據(jù)信息. GRW-MMMD過失誤差偵破方法： 基于平均最小距離的聚類算法是一種行之有效的過失誤差偵破方法。該方法根據(jù)相似 性的度量方法，把原始數(shù)據(jù)聚類成不同的數(shù)據(jù)類，這樣就能方便地把異類點(diǎn)和主體數(shù)據(jù)分 開，從而實(shí)現(xiàn)過失誤差偵破。MMMD方法將數(shù)據(jù)集中地?cái)?shù)據(jù)均考慮進(jìn)來，使用數(shù)據(jù)集中的數(shù)據(jù) 與其臨近點(diǎn)的距離的中位值作為準(zhǔn)則. 灰色關(guān)聯(lián)度分析法是將研究對(duì)象及影響因素的因子值視為一條線上的點(diǎn)，與待識(shí)別對(duì) 象及影響因素的因子值所繪制的曲線進(jìn)行比較，比較它們之間的貼近度，并分別量化，計(jì)算 出研究對(duì)象與待識(shí)別對(duì)象各影響因素之間的貼近程度的關(guān)聯(lián)度，通過比較各關(guān)聯(lián)度的大小 來判斷待識(shí)別對(duì)象對(duì)研究對(duì)象的影響程度。GRW-MMMD方法將灰關(guān)聯(lián)分析法得到的各變量關(guān) 聯(lián)度作為權(quán)重，融入到歐氏距離的計(jì)算方法中，更進(jìn)一步的將主要變量的過失誤差快速而 有效地剔除掉. (I) GRW-MMMD方法具體步驟： ① 輸入樣本數(shù)據(jù)集[X1, x2,... xN]以及灰關(guān)聯(lián)中用到的t=n時(shí)刻的輸入系列（Xi (η) } 和輸出序列{X。（η) }; ② 確定反應(yīng)系統(tǒng)行為特征的輸出序列和影響系統(tǒng)行為的輸入序列并進(jìn)行標(biāo)準(zhǔn)化處理. ③ 計(jì)算關(guān)聯(lián)系數(shù)：對(duì)于t=n時(shí)刻的輸入系列（Xi (η)}和輸出序列{X。（η)}的關(guān)聯(lián)系 數(shù)戈
【主權(quán)項(xiàng)】
1. 針對(duì)不同變量對(duì)建模影響程度的不同，本發(fā)明提出了基于GRW-MMMD (Grey Relational Weighted-Modified Median Minimum Distance)的過失誤差偵破方法. 已有的MMMD過失誤差偵破方法，能有效剔除多變量的過失誤差，但該方法中所有變量 均取等權(quán)重，不能確切找出對(duì)建模影響最大的過失數(shù)據(jù). 因此，本發(fā)明在MMMD方法的基礎(chǔ)上，運(yùn)用灰關(guān)聯(lián)分析法為各變量數(shù)據(jù)加權(quán)，定量的度 量工業(yè)過程中各變量之間的關(guān)聯(lián)程度，從而準(zhǔn)確剔除主導(dǎo)變量中的過失誤差. 實(shí)驗(yàn)表明，基于GRW-MMMD的過失誤差偵破方法相比于原有的等權(quán)重MMMD方法，具有更 高的識(shí)別精度，能夠?yàn)橄乱徊降能洔y(cè)量建模提供更加精確可靠的數(shù)據(jù)信息。
2. 基于GRW-MMMD的過失誤差偵破方法： 假設(shè)軟測(cè)量建模的原始數(shù)據(jù)矩陣為X (nXm)，n代表測(cè)量采樣次數(shù)，m代表測(cè)量變量個(gè) 數(shù)· (1)求取權(quán)重w ① 確定反應(yīng)系統(tǒng)行為特征的輸出序列和影響系統(tǒng)行為的輸入序列并進(jìn)行標(biāo)準(zhǔn)化處理. ② 計(jì)算關(guān)聯(lián)系數(shù)：對(duì)于t=n時(shí)刻的輸入系列（Xi (η)}和輸出序列{X。（η)}的關(guān)聯(lián)系
其中：λ為分辨系數(shù)，0〈 λ〈1 ;Amin、Amax分別表示所有比較序列各個(gè)時(shí)刻絕對(duì)差中的 最大值和最小值；Λ i。（η)為各輸入數(shù)列（Xi (η)}曲線上的每一個(gè)點(diǎn)與輸出數(shù)列{X。（η)} 曲線上的每一個(gè)點(diǎn)的絕對(duì)差值. ③ 求關(guān)聯(lián)度Y i。，輸入變量和輸出變量的關(guān)聯(lián)程度數(shù)量表示如下：
④ 關(guān)聯(lián)度排序，按照計(jì)算出的關(guān)聯(lián)度從大到小進(jìn)行排序. 在MMMD方法中，采用新的相似性度量公式，將歐式距離改為如下：
其中：xn A1為第一組數(shù)據(jù)中任意兩個(gè)數(shù)據(jù)間的距離，X iN、x#為第N組數(shù)據(jù)中任意兩個(gè) 數(shù)據(jù)間的距離。
【專利摘要】現(xiàn)場(chǎng)采集的數(shù)據(jù)由于各種原因不可避免地存在著過失誤差，需要對(duì)建模數(shù)據(jù)進(jìn)行過失誤差偵破以保障軟測(cè)量模型的測(cè)量精度。因此，在基于聚類分析的軟測(cè)量過失誤差偵測(cè)中，針對(duì)不同變量對(duì)建模影響程度的不同，提出了基于GRW-MMMD（Grey Relational Weighted-Modified Median Minimum Distance）的過失誤差偵破方法，對(duì)來自LF精煉爐冶煉過程的相關(guān)參數(shù)的數(shù)據(jù)集進(jìn)行處理。實(shí)驗(yàn)和仿真表明，GRW-MMMD方法可以有效的找出數(shù)據(jù)集中的過失誤差，且其實(shí)時(shí)性好、準(zhǔn)確度高、經(jīng)濟(jì)可靠。
【IPC分類】G06F19-00
【公開號(hào)】CN104636589
【申請(qǐng)?zhí)枴緾N201410638874
【發(fā)明人】包晶晶, 肖冬, 高旭陽
【申請(qǐng)人】東北大學(xué)
【公開日】2015年5月20日
【申請(qǐng)日】2014年11月13日