基于t-SNE降维与k-means聚类算法的化工厂节能减排分析

节能减排对于经济社会和谐发展、实现可持续发展具有重大战略意义。为保证化工企业实现节能减排的目标,提出了一种结合t-SNE降维与k-means聚类算法,用于分析海量、高维、多元数据的一种方法。首先通过分析和收集安徽省某化工厂化工产品生产工艺过程中监测的多源数据和生产指标,对数据进行预处理分析;然后利用t-SNE降维算法对上千个变量进行降维可视化分析,随后采用k-means聚类算法分析得到对于实现节能减排目标的重要生产指标。结果表明,复合肥的使用量是影响该化工厂节能减排的关键因素。本研究为基于海量多源大数据的化工厂节能减排治理路径分析提供了新思路。

基于t-SNE降维和KNN算法的波浪传感器故障诊断方法

针对波浪传感器故障诊断困难、故障类型无法识别、诊断耗时长的问题,提出一种基于小波包分解、降维与k-近邻算法(k-nearest neighbor algorithm,KNN)分类网络的波浪传感器故障诊断方法。首先将原始信号进行标准差标准化处理,然后对标准化后的数据进行小波包3层分解,将分解后的第3层8个频带上的数据进行归一化处理,作为提取的特征向量,采用t-SNE降维算法对特征数据进行降维,最后将降维后的特征数据输入到KNN分类网络中进行故障分类检测。实验结果表明,该方法能够提高波浪传感器故障诊断的准确度和诊断速度,对正常状态和6种故障状态的诊断准确率能够达到93.55%。

基于t-SNE算法的ABPSK信号个体识别

同一通信体系下的ABPSK(aeronautical binary phase shift keying)信号都有着相同的前导码,传统信号识别方法无法通过相同的前导码部分准确地识别出信号源,且常用信号特征属于高维特征,非常容易引发维度灾难。采用前导码相同的ABPSK实际信号采集数据的前导码,使用t-SNE算法对实际采集信号的前导码以及双谱进行降维,并且把降维后信号单一特征输入分类器中,不仅有效地利用了信号数据的流形信息,而且显著提升了基于信号单一特征进行信号个体识别的正确率。