[發(fā)明專利]一種基于LE算法的工業(yè)監(jiān)測數(shù)據(jù)聚類方法

在審

• 申請?zhí)枺?/td>: 201811097330.1
• 申請日: 2018-09-19
• 公開（公告）號: CN109409407A
• 公開（公告）日: 2019-03-01
• 發(fā)明（設(shè)計）人: 謝國;張永艷;劉涵;王文卿;梁莉莉;張春麗;孫瀾瀾
• 申請（專利權(quán)）人: 西安理工大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京國昊天誠知識產(chǎn)權(quán)代理有限公司 11315
• 代理人: 楊洲

1.一種基于LE算法的工業(yè)監(jiān)測數(shù)據(jù)聚類方法，其特征在于，包括如下步驟：

步驟1、對工業(yè)系統(tǒng)的監(jiān)測數(shù)據(jù)進行采集，并進行預(yù)處理；

步驟2、基于拉普拉斯特征映射LE算法進行建模，將步驟1中的采樣數(shù)據(jù)作為輸入數(shù)據(jù)，通過計算并輸出低維數(shù)據(jù)；

步驟3、基于密度聚類方法DBSCAN進行建模，步驟2的低維數(shù)據(jù)作為該模型的輸入，對其進行聚類；

步驟4、輸出：聚類后的集合C＝{C₁,C₂,…,C_K}，C_o,o＝1,2,...,K為聚類之后的第o個聚類簇。

2.根據(jù)權(quán)利要求1所述的一種基于LE算法的工業(yè)監(jiān)測數(shù)據(jù)聚類方法，其特征在于，所述步驟1具體包括如下步驟：

步驟1.1、先對工業(yè)系統(tǒng)進行采樣，并用X＝{x₁,x₂,…,x_N}∈R^d×N表示，其中d表示數(shù)據(jù)的變量個數(shù)，N表示采樣數(shù)目，其中第t個采樣數(shù)據(jù)用x_t表示，且t＝1,2,...,N，x_t＝[x_t1 x_t2... x_td]^T；

步驟1.2、對采樣數(shù)據(jù)X進行檢查，如果在X中某個數(shù)據(jù)x_tj出現(xiàn)丟失現(xiàn)象，假設(shè)其中x_tj為第t個采樣數(shù)據(jù)的第j個變量丟失，則利用公式進行補充，j＝1,2,…,d。

3.根據(jù)權(quán)利要求2所述的一種基于LE算法的工業(yè)監(jiān)測數(shù)據(jù)聚類方法，其特征在于，所述步驟2具體包括如下步驟：

步驟2.1、將完整的步驟1的采樣數(shù)據(jù)X作為輸入，低維數(shù)據(jù)的維數(shù)s＜d作為輸入?yún)?shù)；

步驟2.2、構(gòu)建一個鄰接圖G(V,E)：用K最近鄰算法KNN尋找屬于每個數(shù)據(jù)點x_t的k個近鄰點，滿足k＜N；

步驟2.3、確定權(quán)值矩陣：如果數(shù)據(jù)點x_t是數(shù)據(jù)點x_i的近鄰點，它的權(quán)值系數(shù)l表示熱核函數(shù)的參數(shù)，對于不屬于該數(shù)據(jù)點的近鄰點，則將權(quán)重系數(shù)設(shè)置為零；

步驟2.4、計算對角矩陣D，該矩陣的對角線元素D_ii由步驟2.3構(gòu)建的權(quán)值矩陣的第i列所有元素W_ti的和，用公式表示為除對角線元素外其余元素全部置零；

步驟2.5、計算拉普拉斯矩陣L：根據(jù)公式L＝D-W計算拉普拉斯矩陣；

步驟2.6、通過解決廣義特征值問題，根據(jù)公式Ly＝λDy解決該問題并獲得特征值及其特征向量，并提取最小的s個非零特征值及對應(yīng)的特征向量，對應(yīng)的低維數(shù)據(jù)輸出用Y＝{y₁,y₂,…,y_m}表示，其中y_j為對應(yīng)的第j個特征向量，j＝1,2,…,m。

4.根據(jù)權(quán)利要求3所述的一種基于LE算法的工業(yè)監(jiān)測數(shù)據(jù)聚類方法，其特征在于，所述步驟3具體包括如下步驟：

步驟2中產(chǎn)生的降維數(shù)據(jù)用Y＝{y₁,y₂,…,y_m}表示，其中y_j為N維向量，對降維后的N個采樣數(shù)據(jù)進行聚類，聚類的目的是將相似性較大的數(shù)據(jù)聚成一類，相似性較小的數(shù)據(jù)分開；

步驟3.1、輸入?yún)?shù)ε和MinPts，分別為聚類半徑和除噪聲點數(shù)據(jù)之外的每類數(shù)據(jù)中的最小數(shù)目；

步驟3.2、尋找核心對象：找出每個數(shù)據(jù)點在ε半徑內(nèi)的數(shù)據(jù)點，如果該半徑內(nèi)的數(shù)據(jù)點的個數(shù)大于等于MinPts時，標記該點為核心對象，反之，為噪聲點數(shù)據(jù)；

步驟3.3、以步驟2中的所有核心對象為出發(fā)點，找出其密度可達樣本生成的聚類簇，直到所以核心對象都被訪問停止迭代。