高级检索

  • ISSN 1006-3080
  • CN 31-1691/TQ

基于谱聚类特征向量分析的模态划分方法

南男 杨健 赵晶晶 侍洪波

南男, 杨健, 赵晶晶, 侍洪波. 基于谱聚类特征向量分析的模态划分方法[J]. 华东理工大学学报(自然科学版), 2017, (5): 669-676. doi: 10.14135/j.cnki.1006-3080.2017.05.011
引用本文: 南男, 杨健, 赵晶晶, 侍洪波. 基于谱聚类特征向量分析的模态划分方法[J]. 华东理工大学学报(自然科学版), 2017, (5): 669-676. doi: 10.14135/j.cnki.1006-3080.2017.05.011
NAN Nan, YANG Jian, ZHAO Jing-jing, SHI Hong-bo. Mode Partitioning Method Based on Eigenvector Analysis in Spectral Clustering[J]. Journal of East China University of Science and Technology, 2017, (5): 669-676. doi: 10.14135/j.cnki.1006-3080.2017.05.011
Citation: NAN Nan, YANG Jian, ZHAO Jing-jing, SHI Hong-bo. Mode Partitioning Method Based on Eigenvector Analysis in Spectral Clustering[J]. Journal of East China University of Science and Technology, 2017, (5): 669-676. doi: 10.14135/j.cnki.1006-3080.2017.05.011

基于谱聚类特征向量分析的模态划分方法

doi: 10.14135/j.cnki.1006-3080.2017.05.011
基金项目: 

国家自然科学基金(61374140,61673173)

Mode Partitioning Method Based on Eigenvector Analysis in Spectral Clustering

  • 摘要: 在实际生产过程中,过程数据的多模态特性会对数据建模产生一定的影响,进行模态划分有利于获取精确的模型。目前常用的模态划分方法,如k-means、c-means等聚类方法,在有过渡过程的模态划分应用中,有时不能得到理想的结果。本文提出了一种通用的模态划分方法,以谱聚类算法中相似矩阵的特征向量分析为基础,基于相似矩阵的特征向量与其所包含的聚类信息的关系,使用高斯曼哈顿距离构造模态标签,并用小窗口思想实现动态多模态过程的模态划分。通过对稳态与带过渡过程的多模态数据的实验验证了该算法的有效性。

     

  • [1] 赵春晖,王福利,姚远,等.基于时段的间歇过程统计建模、在线监测及质量预报[J].自动化学报,2010,36(3):366-374.
    [2] GE Z,SONG Z.Multimode process monitoring based on Bayesian method[J].Journal of Chemometrics,2009,23(12):636-650.
    [3] YU J,QIN S J.Multimode process monitoring with Bayesian inference:Based finite Gaussian mixture models[J].AIChE Journal,2008,54(7):1811-1829.
    [4] 杨雅伟,宋冰,侍洪波.多SVDD模型的多模态过程监控方法[J].化工学报,2015,66(11):4526-4533.
    [5] SONG B,TAN S,SHI H,et al.Key principal components with recursive local outlier factor for multimode chemical process monitoring[J].Journal of Process Control,2016,47:136-149.
    [6] 张淑美,王福利,谭帅.多模态过程的全自动离线模态识别方法[J].自动化学报,2016,42(1):60-80.
    [7] 薛宁静.生产状态的熵值评估谱聚类分析[J].计算机工程与应用,2012,48(19):230-233.
    [8] BACH F R,JORDAN M I.Learning spectral clustering[J].Neural Information Processing Systems,2004,16(2):2006-2019.
    [9] XING E,XING E P,JORDAN M,et al.On semidefinite relaxations for normalized k-cut and connections to spectral clustering[R].USA:University of California at Berkeley,2003.
    [10] 王玲,薄列峰,焦李成.密度敏感的谱聚类[J].电子学报,2007,35(8):1577-1581.
    [11] 杨艺芳,王宇平.基于核模糊相似度度量的谱聚类算法[J].仪器仪表学报,2015,36(7):1562-1569.
    [12] SEMERTZIDIS T,RAFAILIDIS D,STRINTZIS M G,et al.Large-scale spectral clustering based on pairwise constraints[J].Information Processing and Management,2015,51(5):616-624.
    [13] WANG S,FANG C,FANG J,et al.Spectral clustering of high-dimensional data via nonnegative matrix factorization[C]//International Symposium on Neural Networks.USA:IEEE,2015:1-8.
    [14] DONATH W E,HOFFMAN A J.Lower bounds for the partitioning of graphs[J].IBM Journal of Research and Development,1973,17(5):420-425.
    [15] FIEDLER M.A property of eigenvectors of nonnegative symmetric matrices and its application to graph theory[J].Czechoslovak Mathematical Journal,1975,25(4):619-633.
    [16] 王森洪,戴青云,曹江中,等.基于均值的谱聚类特征向量选择算法[J].计算机与现代化,2013(5):7-9.
    [17] XIANG T,GONG S.Spectral clustering with eigenvector selection[J].Pattern Recognition,2008,41(3):1012-1029.
    [18] 赵凤,焦李成,刘汉强,等.半监督谱聚类特征向量选择算法[J].模式识别与人工智能,2011,24(1):48-56.
    [19] 田铮,李小斌,句彦伟.谱聚类的扰动分析[J].中国科学:技术科学,2007,37(4):527-543.
    [20] 孔万增,孙志海,杨灿,等.基于本征间隙与正交特征向量的自动谱聚类[J].电子学报,2010,38(8):1880-1885.
    [21] 谭帅.多模态过程统计建模及在线监测方法研究[D].沈阳:东北大学,2012.
    [22] CHIANG L H,RUSSELL E L,BRAATZ R D,et al.Fault detection and diagnosis in industrial systems[J].Measurement Science and Technology,2001,12(10):1745-1745.
    [23] ANA L,JAIN A K.Robust data clustering[C]//2013 IEEE Conference on Computer Vision and Pattern Recognition.Computer Vision and Pattern Recognition.USA:IEEE, 2003:128-133.
  • 加载中
图(1)
计量
  • 文章访问数:  1360
  • HTML全文浏览量:  232
  • PDF下载量:  486
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-11-15
  • 刊出日期:  2017-10-28

目录

    /

    返回文章
    返回