智能融合数据挖掘方法及其应用

论文摘要

随着计算机技术的迅速发展以及数据库管理系统的广泛应用，使得人们积累的数据远远超过人们分析和理解数据的能力。激增的数据背后隐藏着许多重要的信息，人们希望能够对其进行更深层次的分析，以便更好地应用数据和提供决策支持。数据挖掘技术为了解决“数据爆炸但知识贫乏”的问题便应运而生。成为目前具有挑战意义的研究热点之一。数据挖掘是从数据集中识别出有效的、新颖的、潜在有用的，以及最终可理解的模式的非平凡过程，其中聚类、主元分析和趋势分析是三个重要的环节。 聚类分析是数据挖掘的重要方法之一。本文深入分析了聚类分析中的一些传统方法，提出了三种聚类分析算法：复合聚类分析算法；基于动态数据窗口的自组织竞争神经网络聚类分析方法；基于动态数据窗口的融合聚类分析算法。将这三种方法进行分析比较，应用在故障检测当中。仿真实验验证了算法的有效性。 主元分析方法是统计学中的重要方法之一，在处理数据挖掘中高维数据问题上有很大的突破。本文针对主元分析方法对于不同量纲和分布“均匀”的数据很难选取主元，或者选取的主元没有代表性的问题，提出一种相对主元分析方法，该方法可以克服数据的量纲问题和分布“均匀”问题，选出的相对主元具有代表性，可以很好的解决数据挖掘中的高维数据压缩问题以及复杂系统的故障检测问题。而且基于相对主元的故障检测模型不受模型采样数目的限制。仿真结果验证了方法的有效性。 由于预测神经网络可以通过学习任意逼近非线性映射，被用于构建非线性系统模型。但现在神经网络时序预测模型只能进行一维预测，对于多属性事物的预测还未探究。本文提出一种基于并行递归神经网络的多维预测模型，这种模型能够记忆历史信息，实现实时动态建模、在线参数修正和多维并行预测，并用多维空间中的线性函数和非线性函数验证了该预测模型的有效性。 针对复杂系统的数据，单一的数据挖掘算法很难实现数据挖掘，或者是得出的“知识”有局限性。本文结合前面所介绍的基于动态数据窗口的聚类分析方法，相对主元方法和并行递归神经网络的多维预测模型，提出一种基于智能融合的数据挖掘方法监控系统。该方法可以实现监控系统的虚警消除，参数压缩(多变量降维)，故障监测

论文目录

• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 数据挖掘的研究现状和发展趋势
• 1.3 目前存在的问题
• 1.4 本文的工作与主要内容
• 第二章 数据挖掘的基本原理
• 2.1 数据挖掘的功能
• 2.2 数据挖掘方法简介
• 2.2.1 聚类分析方法
• 2.2.2 统计分析方法
• 2.2.3 神经网络方法
• 2.3 智能融合数据挖掘方法
• 2.4 小结
• 第三章 基于动态数据窗口的聚类分析方法
• 3.1 基于密度的聚类分析算法
• 3.2 复合聚类分析算法
• 3.3 基于动态数据窗口的自组织竞争神经网络的聚类算法
• 3.3.1 问题的提出
• 3.3.2 动态数据窗口（Dynamic Data Windows，DDW）
• 3.3.3 数据窗口重叠移动
• 3.3.4 自组织竞争网络选取凝聚点
• 3.4 基于动态数据窗口的融合聚类分析方法
• 3.4.1 问题的提出
• 3.4.2 基于动态数据窗口的融合聚类分析方法描述
• 3.4.3 选取密度点
• 3.4.4 计算最大凝聚点
• 3.5 基于动态数据窗口的聚类分析方法的应用
• 3.6 小结
• 第四章 相对主元分析方法
• 4.1 主元分析方法
• 4.1.1 主元分析的代数表示
• 4.1.2 主元分析的几何意义
• 4.2 基于主元分析的PCA模型
• 4.3 相对主元分析方法
• 4.3.1 相对化变换
• 4.3.2 相对主元的计算
• 4.3.3 相对主元分析的几何解释
• 4.4 RPCA方法在数据压缩中的应用
• 4.5 RPCA方法在故障检测中的应用
• 4.6 小结
• 第五章 PDRNN多维预测模型
• 5.1 基于ANN的时序预测模型
• 5.1.1 基于ANN的预测模型的基本结构与数学描述
• 5.1.2 基于反馈神经网络的预测模型
• 5.1.3 DRNN网络结构
• 5.2 基于并行递归神经网络的多维预测模型（PDRNN）
• 5.2.1 问题的提出
• 5.2.2 基于PDRNN网络的预测模型结构
• 5.2.3 基于PDRNN模型的数学描述
• 5.2.4 基于PDRNN模型的并行学习算法
• 5.2.5 基于PDRNN模型的学习流程
• 5.2.6 输入调正法
• 5.2.7 基于PDRNN的多维预测仿真试验
• 5.3 PDRNN网络在趋势分析中的应用
• 5.4 小结
• 第六章 智能融合数据挖掘方法在船舶机舱监控中的应用
• 6.1 智能监控系统的构造
• 6.1.1 传统的监控系统的结构
• 6.1.2 智能监控系统的结构
• 6.2 船舶机舱监控系统简介
• 6.3 基于智能融合数据挖掘方法的在船舶机舱监控系统中的应用
• 6.4 小结
• 第七章 结论和展望
• 致谢
• 参考文献
• 攻读博士学位期间公开发表（录用）的论文
• 攻读博士学位期间参与完成的主要科研项目
• 附录 1:检验RPCA的数据
• 附录 2:船舶机舱监测参数与传感器选型
• 附录 3:预测误差
• 附录 4:柴油机仿真参数说明
• 附录 5:故障型式—缸盖冷却不足
• 附录 6:故障型式—排气阀堵塞
• 附录 7:故障型式—机械磨损过大
• 附录 8:论文EI、ISTP检索证明