不完备数据下的聚酯熔体特性黏度预测方法

特性黏度是衡量聚酯熔体质量的关键指标,对其进行精准预测有利于提前发现聚酯熔体潜在的质量问题,及时调整工艺参数,减少企业损失.考虑到聚酯熔体生产过程的数据不完备性、数据时序性以及高维冗余性,提出了不完备数据下聚酯熔体的特性黏度预测方法.针对聚酯熔体极端生产环境造成的数据不完备问题,设计了以卷积神经网络判别器和注意力长短期记忆神经网络生成器为架构的缺失数据生成对抗网络(MDGAN),通过对抗生成机制实现了缺失数据的填充.针对聚酯熔体生产过程中高维冗余和时序双向因果特性,设计了基于极端梯度提升双向门控循环单元(XGBoost-BiGRU)的特性黏度预测模型,通过极端梯度提升算法进行特征筛选,获取预测模型输入变量,再利用双向门控循环单元捕捉数据的时序双向因果关系,实现特性黏度的精准预测.浙江某聚酯纤维生产企业的实际数据测试结果表明,MDGAN算法在不同缺失率数据集下的填充精度均优于KNN、RF、MICE、GAIN数据填充算法,XGBoost-BiGRU特性黏度预测方法较STL-GPR、CAGRU、BiGRU算法优势显著,结合MDGAN的特性黏度预测方法能有效解决数据不完备下的聚酯熔体特性黏度预测问题.

基于不完备数据集上贝叶斯网络结构学习问题研究

传统的贝叶斯网络结构学习是基于完备数据集以及数据量较小的学习,随着大数据以及云计算的发展,呈现出数据量大且复杂的特点,但是在不完备数据集上的贝叶斯网络结构学习是不足的。而IMS-EM算法则分别从数据缺失情况的不完备数据集以及存在隐藏变量的不完备数据集两个方面进行实验验证,实验结果显示:该算法在不完备数据集上的贝叶斯网络结构学习具有较好的优势,对于不完备数据集上的结构学习具有一定的可行性。

基于不完备数据聚类的缺失数据填补方法

缺失数据的处理是数据挖掘领域进行数据预处理的一个重要问题.传统的缺失数据填补方法大部分是基于概率分布等一些统计假设,对于大数据集的数据挖掘不一定是最适合的方法.受不完备数据分析(ROUSTIDA)未采用传统的概率统计学方法启发,提出基于不完备数据聚类的缺失数据填补方法(MIBOI),针对分类变量不完备数据集定义约束容差集合差异度,直接计算不完备数据对象集合内所有对象的总体相异程度,以不完备数据聚类的结果为基础进行缺失数据的填补.采用UCI机器学习基准数据集进行实验表明,MIBOI对缺失数据的填补是有效可行的.

从不完备数据中获取诊断规则的粗糙集方法

在故障诊断中,从不完备数据中获取规则要比从完备数据中获取规则困难。利用给出的分辨矩阵基元的定义,提出了一种直接从不完备数据中获取最优广义诊断决策规则的粗糙集方法。该方法以极大相容块为单位构造了不完备故障决策表的分辨矩阵中的列元素,实现了不完备故障诊断决策表中面向对象的约简计算和最优广义故障诊断规则的获取。该方法不需要改变原始不完备故障诊断决策表的规模,且具有更高的约简计算效率。结合电力系统操作点的安全状态诊断实例给出了所提出的方法在工程实践中的应用步骤,并证明了该方法的有效性。

基于泛化中心聚类的不完备数据集填补方法

随着信息技术、云计算、互联网以及社交网络等技术的不断发展,数据规模呈爆炸态势增长.在海量数据带来丰富信息的同时,如何对海量信息进行高效的预处理成为研究的热点.其中,对于缺失数据的处理就是数据预处理技术中一项重要的挑战.传统的缺失数据的填补方法大部分都只考虑不完备集中数据完全缺失情况下的填补,然而,在海量数据集中,由于人为或者机械等原因会对数据造成一定程度的损坏,有些数据会完全缺失,而有些数据只是部分缺失,传统的填补方法未对不同程度上损坏的数据进行划分,全部按照完全缺失数据进行填补分析,忽略了部分缺失数据对数据填补结果的影响.因此,提出一种基于泛化中心聚类的填补方法(GCF),采用泛化中心聚类思想对数据进行分簇,并对随机损坏数据与聚类结果一起进行缺失数据的填补,以提高填补后数据集的正确率.实验表明,针对不同缺失度的数据集样本,提出的GCF策略在填补正确率方面都具有良好的表现.

用人工神经网络进行空间不完备数据的插补

在地学研究中,特别是区域性资料处理过程中,常常遇到“不完备数据”的问题,即所谓的“数据不全”。在尽量减小估计误差的条件下对缺失数据进行预测或插补,对于充分利用历史资料和已知信息,提高预测质量具有重要意义。利用径向基人工神经网络(RBF)同时具有自组织神经网络和回归网络的优点,可以对缺失数据进行预测。实际区域地球化学数据处理的结果表明,RBF网络对空间不完备数据的建模和预测具有优异的效果。

基于不完备数据的汽轮机组故障诊断的粗糙集方法

通常从不完备数据中获取规则要比从完备数据中获取规则困难,为了在故障诊断信息不完备的情况下提取简单有效的诊断规则,提出了一种从不完备数据中获取确定和不确定诊断决策规则的粗糙集方法。以某汽轮发电机组振动故障为例给出了该方法的具体实现过程,并验证了该方法的有效性。

一种基于粗集理论不完备数据的改进算法

本文在对粗集理论进行深入研究的基础上 ,依据决策规则独立原则 ,提出了一种改进的ROUSTIDA算法 ,有效地解决了原算法可能存在的决策规则矛盾的问题。实例表明此方法是行之有效的。

基于信息熵的不完备数据特征选择算法

在分析已有不完备信息熵的基础上,提出一种基于相似关系的不完备信息熵,并证明该信息熵的若干性质.给出一个不完备数据特征选择算法,算法以改进的不完备信息熵作为特征选择准则,直接对不完备数据的特征进行熵值分析,并采用顺序前向浮动选择方法解决特征间的相关性问题.最后在UCI实测数据集上的实验表明,文中算法具有更高的准确率和更快的特征选择速度.

基于最小描述长度的不完备数据处理

不完备数据是造成信息系统不确定的主要原因之一,对数据挖掘、知识发现等造成了困难．本文提出一种基于最小描述长度原则的不完备数据处理方法,实例证明这种方法是有效的．Rose工具的规则提取结果证明此方法在规则的集中性和支持度方面优于粗糙集辨识矩阵方法和Conditioned mean completer方法．

大数据分析下不完备数据多重准确填补仿真

对大数据分析下的不完备数据进行填补,能够有效提高数据的利用率。对不完备数据进行多重准确填补,需要计算所有数据的向量属性均值与标准差,并将不完备数据填补模拟中重复应用。传统方法对数据填补变量间关系予以考虑,根据与待填补数据之间的相关性完成缺失填补,但忽略了计算所有数据的标准差,导致填补效率低。提出基于logistic的大数据分析下不完备数据多重准确填补方法。对所有数据向量属性值均值与标准差进行计算,采用估计的形式得到数据平均向量与协方差函数,并对各观察对象缺失值进行独立模拟填补,通过logistic回归模型选择存在缺失值的变量所需填补值,得到完备数据。重新估计数据平均向量与协方差函数,并将其在不完备数据填补模拟中重复应用。对上述过程进行迭代,直到达到迭代条件,将不完备数据多重填补结果输出。实验表明,上述方法填补效率较高,可为该领域研究发展奠定基础。

基于压缩感知的双能CT不完备数据重建算法优化研究

本文针对基于压缩感知理论的双能CT不完备数据重建算法,分别提出了提高重建质量和缩短重建用时的优化方案。一方面,可以通过改进迭代过程中步长和角度的选取提高重建质量;另一方面,可以通过采用GPU技术进一步提高重建速度。初步实验结果表明,不同步长和角度的选取将直接影响重建图像质量,使用GPU技术后的重建算法可将完整重建一次的耗时从数十分钟缩短至几秒钟。因此,如能改善这两个优化方向,基于压缩感知理论的双能CT不完备数据重建算法的重建性能将进一步得到提升。

基于图像分割的双能CT不完备数据重建算法优化研究

本文针对基于图像分割的双能CT不完备数据重建算法,提出了图像分割过程和方程组求解环节是优化算法的两个关键点,同时给出了初步优化方法。初步实验结果表明这两方面因素选取的优劣将直接影响重建图像质量。因此,根据实际应用需求,如能改善这两方面因素,基于图像分割的双能CT不完备数据重建算法的重建性能将会进一步提高。

一种从不完备数据集中发现规则的RS方法

Rough集（Rough sets, RS）理论被广泛应用于数据分类问题，该文用基于RS的方法从不完备数据集中产生确定和可能的规则集。提出了一种新的规则发现算法，可以同时从不完备数据集中产生规则和估计缺失值，并指出了进一步的研究方向。

基于粗糙集理论的不完备数据分析方法的混合信息系统填补算法

为了提高基于粗糙集理论的不完备数据分析方法(ROUSTIDA)在实际应用中对包含离散型(如整型、字符串型、枚举型)、连续型(如浮点数表达)、缺失型属性的混合信息系统(HIS)数据的填补能力,提出了一种基于粗糙集理论的混合信息系统缺失值填补方法(RSHISMIA)。首先,根据决策属性等价类划分思想并按照决策属性对混合信息系统HIS进行划分,解决了填补后可能出现的决策规则冲突问题;其次,定义混合距离矩阵来合理量化对象间的相似性,从而筛选出具有填补能力的样本并克服ROUSTIDA无法处理连续性属性的缺点;然后,结合近邻思想解决了ROUSTIDA在无差别对象属性值发生冲突情况下无法对相同属性缺失数据进行填补的问题。最后,使用10个UCI标准数据集进行实验,将所提出的方法与ROUSTIDA、K近邻填补(KNNI)算法、随机森林填补(RFI)算法和矩阵分解(MF)等几种经典算法进行了比较。实验结果表明,与ROUSTIDA相比,所提方法在查全率上平均高出81%,在查准率上提升了5%~53%,且其归一化均方根误差(NRMSE)最多减小了0.12。此外,所提方法的分类准确率与ROUSTIDA相比平均提升了7%,且优于KNNI、RFI及MF等填补算法。

混合不完备数据的新型双邻域粗糙集分类方法

针对混合不完备数据集,提出了一种新型双邻域粗糙集分类方法。首先,定义一个无参数的邻域联系度距离,并建立基于无参数邻域联系度距离的双邻域粗糙集模型;其次,基于所构建的模型,给出基于覆盖约简的双邻域粗糙集规则约简方法,获得约简后的上近似规则集和下近似规则集;再次,基于约简后的上、下近似规则集,给出最近邻分类方法;最后,取7个UCI公共测试集做实验分析,通过与混合距离HEOM、带参数邻域联系度距离的双邻域粗糙集分类方法对比,结果表明提出的分类方法仍然取得了优异的分类效果,其突出的优势是不再需要通过大量实验来确定其参数值。

混合不完备数据的拓展高斯核-支持向量机分类方法

针对混合不完备数据集,提出一种基于邻域联系度距离拓展高斯核函数的支持向量机分类方法。首先,给出了基于邻域联系度距离拓展高斯核函数的定义;其次,给出基于二次函数逼近的支持向量机SMO训练算法和分类算法;最后,取多个UCI数据集进行了实验分析,通过与填充支持向量机、混合距离支持向量机和风险重构支持向量机分类方法进行比较,结果表明提出的分类方法在不对缺失值作任何处理、不改变支持向量机模型结构与约束条件的情况下,仍然获得了优异的分类效果。

多标记不完备数据的特征选择算法

多标记数据的特征选择是机器学习和数据挖掘领域的重要研究内容,当前对于多标记数据的特征选择研究大多是针对完备性数据,但在许多应用领域中,连续型数值数据较多,且由于诊测成本和隐私保护等因素导致数据往往呈现出不完备性。为解决上述问题,提出了一种面向多标记不完备数据的特征选择算法。该算法将邻域粗糙集模型应用于多标记不完备数据的特征选择,根据邻域阈值求解多标记不完备数据的邻域粒度,并基于邻域粒度给出了度量多标记不完备数据的特征重要性准则,以此设计了面向多标记不完备数据的特征选择算法。最后,通过在Mulan数据集上的实验结果验证了算法的有效性和可行性。

不完备数据下的免疫分类算法

人工免疫识别系统(AIRS)是受生物免疫系统的启示而研发的一种比较有效的分类器,但也存在记忆细胞数目过于庞大,分类精度不高,特别是在数据不完备的情况下,分类精度低等缺陷。为了解决这个问题,提出了一种不完备数据下的免疫分类算法(ICAU),算法引入半监督学习机制和分类器融合投票决策的思想,利用多个AIRS分类器互相帮助学习训练,来提高AIRS在不完备数据下的分类精度。在UCI数据集上进行了实验,结果验证了ICAU算法的有效性。

空间不完备数据及其填补方法研究

随着人们对空间信息的需求,近年来对不完备空间数据的研究日益广泛,空间不完备数据填补问题备受重视。在实际应用中因不能充分利用数据所包含的信息,导致填补后的数据误差很大。针对这个问题详细阐述了空间不完备数据的检测和填补方法,重点介绍了基于克里格插值法的空间数据填补方法。最后用实验证明了克里格插值法恢复不完备空间数据时的精度最高。