化工生产中异常数据处理

论文编号:HG103  论文字数:18028,页数:37

摘 要：本论文面向实际化工生产过程的软测量技术，融合了大量的现场观测数据，其中的任一异常数据（野值）的出现都可能导致模型的预测效果下降，甚至完全失败，因此对测量数据进行预处理非常重要。以延迟焦化过程焦炭产率软测量模型为例，考虑以多变量的聚类分析为异常样本数据的识别方法，进行识别异常样本数据并解释这些异常样本对后继建模结果的影响。
 本文首先总结、探讨关于数据挖掘、离群点分析、聚类算法方面取得的已有主要研究成果。并详细介绍了基于密度的聚类算法和神经网络，并结合延迟焦化过程焦炭产率软测量模型，对原数据做成分分析和神经网络，再对处理过的数据进行成分分析和神经网络分析，并对它们进行比较。
关键词：聚类分析；离群点；异常数据；

Abnormal data processing in chemical production
Abstract:This thesis for actual chemical production process of soft measurement technology,including a large field of observation data, any abnormal data (wild) may cause the model prediction,even completely failed,so for measuring data pretreatment is very important.With delayed coking process coke yield soft measurement model,for example,consider multivariable clustering analysis for abnormal data of identification method,identification and interpretation of these abnormal data for subsequent modeling results abnormal samples.
 This paper summarizes and discusses about the data mining, the outliers,clustering algorithm of existing research results.And introduces in detail the clustering algorithm based on density and neural network,and delayed coking process coke production rate of the soft measurement model,the original data component analysis and neural network, and then processed data of composition analysis and neural network analysis.Finally comparing with them.
Keywords：Clustering analysis;outliers；Abnormal data；

目  录
中文摘要 I
英文摘要 II
目  录 III
1  绪论 1
1.1  课题背景 1
1.2  课题研究的目的和意义 1
1.3 数据挖掘研究现状 2
2  异常数据处理方法 5
2.1  数据挖掘 5
2.2  数据挖掘的方法和技术 6
2.3  聚类方法 8
2.4 离群点的识别方法 16
3  PCA和神经网络的应用 19
3.1  主成分分析(PCA)介绍 19
3.2  延迟焦化模型 21
3.3  数据处理 23
3.4 结果与讨论 28
4  总结与展望 29
致  谢 30
参考文献 31