[发明专利]有向网络下增强稀疏保持嵌入的动态过程监测方法

说明书

本发明公开了一种有向网络下增强稀疏保持嵌入的动态过程监测方法，利用稀疏表示构建有向网络，将动态的时空网络结构转换成普通的有向网络结构。通过计算有向网络的概率路径值，表征样本之间的有效距离，获得有向网络的相似度连接矩阵，刻画过程的动态变化特性。在此基础上建立的增强稀疏保持嵌入模型能更好地挖掘动态过程中边缘网络故障的隐藏特征。本发明方法所涉及的有向网络下增强稀疏保持嵌入模型能取得更优越的动态过程监测效果。

技术领域

本发明属于工业过程监控领域，尤其涉及一种有向网络下增强稀疏保持嵌入的动态过程监测方法，利用有向网络的概率路径值获取样本之间的有效距离，度量样本之间的相似信息，抓取数据的潜在流形结构，反映动态过程的变化情况。

背景技术

现代的工业过程监测对保障生产安全、提高产量等具有举足轻重的作用。随着分布式控制系统的发展，生产中采集了大量的过程数据。因此，基于数据驱动的多元统计过程控制方法获得了成功的应用。该类方法利用采集的大量数据，分析数据潜在的结构特征，构建监控模型，实现过程监测。

最近，流形学习方法也成功应用于不同的工业过程。邻域保持投影便是流形学习中的一种方法，利用近邻构建权重邻接图谱矩阵，投影到低维的子空间，描述数据潜在的局部几何结构。然而，邻接图谱矩阵的构建过程严重依赖于成对样本之间的欧式距离，容易受到噪音的干扰；同时，无法准确定位近邻样本，使得监测模型不能准确表征样本之间的潜在流形结构。

为此，稀疏表示保持嵌入(Sparse Representation Preserving Embedding,SRPE)方法被提出来，利用稀疏表示构建稀疏权重邻接图谱，自动地决策邻域参数，更好地反映数据的几何拓扑结构及数据的动态特点。该方法突出了每个样本与重构样本之间的误差，即拓扑结构关系，却忽视了每个样本与重构样本之间的距离，即样本之间的相似信息，缺失的这部分信息将导致构建的监控模型不够精确。由于近样本之间的距离比远样本之间的具有更多的相似信息，能够更好地描述动态过程的变化情况。因此，样本之间的有效距离对监测模型同等重要。为此，需要设计出一个既能表征数据拓扑结构关系，又能反映样本之间有效距离的监测模型，改善动态过程监测的性能。

发明内容

鉴于现有方法存在的不足，本发明的目的在于提供一种有向网络下增强稀疏保持嵌入的动态过程监测方法。在稀疏表示保持嵌入方法的基础上，针对动态过程潜在的结构复杂特性，构建具有大量概率路径值的有向网络，获取有向网络的有效距离，将复杂的动态时空网络过程转换成普通的有向网络过程。该方法能够弥补稀疏表示保持嵌入方法所缺失的样本之间的相似信息，通过概率路径值表征样本间的有效距离，抓取了动态过程中传播的故障。

有向网络下增强稀疏保持嵌入方法，构建具有大量概率路径值的有向网络，将动态的时空过程转换为普通的有向网络结构过程，有向网络的概率路径值融入稀疏表示，获得复杂网络的拓扑结构关系及样本之间的相似信息，步骤如下：

(1)建立鲁棒的稀疏表示模型，求解稀疏重构权重矩阵C，给定数据集X＝[x₁,x₂,…,x_n]∈R^m×n，则稀疏表示的目标函数为：

min_C,E||C||₁+ε||E||₁

s.t. X＝X·C+E

1^TC＝1^T