一种面向高维相交多流形的识别算法D-MPPCA

流形学习已经成为机器学习与数据挖掘领域的一个重要的研究课题.经典的流形学习算法总假设所研究的高维数据存在于同一个单流形上,然而现实世界中的数据往往位于不同的流形且交叉重叠.当前的流形学习算法并不能有效应用于这种高维多流形数据.基于MPPCA模型提出一种面向相交多流形数据的识别算法D-MPPCA.该算法首先通过动态邻域算法计算出每个样本点的近邻关系和切空间,然后通过MPPCA模型将相交多流形数据分解成若干"不相交块",最后通过切空间扩展分解和识别多流形数据.实验结果表明,该算法能有效地应用于人工数据和实际的高维图像数据,相较于其他算法极大的提高了子流形识别精度.

基于变分贝叶斯方法的多工况过程监控

多模型方法是针对多工况工业过程监控所使用的最普遍也是最有效的方法.传统的多模型方法在离线建立子模型时,通常使用EM算法估计子模型的参数,但EM算法容易陷入局部最优,并且无法利用已有的先验信息,会导致建立混合模型不够准确,可能无法有效检测出故障.因此将变分贝叶斯方法与多模型方法相结合,可以充分利用数据的先验知识,估计的参数也更准确.在建立模型计算监控统计量后,通过比较待测试数据落在各个子模型中后验概率的大小整合多个监控结果.对TE过程的仿真实验表明,变分贝叶斯用于多模型方法可以有效地监控工业过程.