[发明专利]一种基于局部密度峰值聚类的模态辨识方法

说明书

本发明公开了一种基于局部密度峰值聚类的模态辨识方法，属于多模态工业过程模态辨识领域，所述方法包括：采集多模态工业过程不同模态下的数据，构成待辨识的模态数据集；计算数据集中每个样本点之间的欧氏距离，并确定每个样本点的k近邻集；计算每个样本点在k近邻集下的局部密度值，并确定每个样本点到高于自身局部密度值的样本点的最小欧式距离；确定作为聚类中心的样本点；分配剩余样本点，得到初步聚类结果；对数据集进行窗口划分，并更新每个模态所包含的样本点，得到最终的模态辨识结果。本发明方法能够避免过渡模态的聚类中心丢失，同时实现过渡模态起点和终点的精准识别。

技术领域

本发明属于多模态工业过程模态辨识领域，更具体地，涉及一种基于局部密度峰值聚类的模态辨识方法。

背景技术

多模态过程广泛存在于现在工业生产中，过程的多模态特性往往由于生产环境等条件的变化、生产计划的变动，或是过程本身的固有特性等因素引起。多模态过程包含稳定模态和过渡模态，不同模态的统计特性具有明显差异，对不同模态应当建立不同的模型进行过程监控。因此如何准确地区分、识别出不同的稳定模态和过渡模态，是多模态工业过程统计建模的基础。

目前常用的多模态工业过程模态辨识方法主要分为基于相似性的方法和基于聚类的算法。基于相似性的方法往往利用不同模态之间的主成分分析PCA(PrincipalComponent Analysis)或偏最小二乘PLS(Partial Least Square)模型的差异，进行模态识别，该方法计算量大且需要调节较多参数；基于聚类的算法主要有k-means聚类算法和模糊C均值聚类算法等，传统的k-means聚类算法和模糊C均值聚类算法，需要预先设定聚类数目或初始化聚类中心，并且只适用于球形分布的数据集，但是在实际多模态工业过程中，往往无法提前获取过程的先验知识，并且真实工业过程中数据分布不规律，具有非球形分布的特点，这使得上述传统的聚类算法在多模态工业过程模态辨识中应用受限。

此外，由于过渡模态具有一定的动态特性，主成分分析和偏最小二乘模型均无法对动态过程精准建模，使得基于相似性的方法可能漏掉过渡模态，或无法对过渡模态进行精准划分；而基于传统聚类的算法，由于对数据局部特性不敏感，刻画的是数据的全局特性，因此在模态划分的时候，往往不能将过渡模态准确地划分出来，造成过渡模态的部分样本点误判到邻近稳定模态中的现象。

总体来说，现有的模态辨识方法存在模态辨识准确度低的问题。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种基于局部密度峰值聚类的模态辨识方法，旨在解决现有模态辨识方法存在模态辨识准确度低的问题。

为实现上述目的，本发明提供了一种基于局部密度峰值聚类的模态辨识方法，包括：

(1)采集多模态工业过程不同模态下的数据，构成待辨识的模态数据集；

(2)计算所述数据集中每个样本点之间的欧氏距离，并根据计算得到的欧式距离和设定的参数k确定每个样本点的k近邻集；

所述k近邻集，指的是与当前样本点欧氏距离小于所有样本点与当前样本点的欧氏距离从小到大排序后得到的距离当前样本点第k近的样本点集合；

(3)计算每个样本点在k近邻集下的局部密度值，并确定每个样本点到高于自身局部密度值的样本点的最小欧式距离；

(4)根据所述每个样本点在k近邻集下的局部密度值和所述每个点到高于自身局部密度值的样本点的最小欧式距离，确定作为聚类中心的样本点；

(5)将剩余的每个样本点分配给高于自身局部密度值且欧式距离最近的样本点所属的聚类，得到包括稳定模态和过渡模态的初步聚类结果；

(6)对所述数据集进行窗口划分，并更新每个模态所包含的样本点，得到最终的模态辨识结果。