文献

J-GLOBAL ID：201802222521388179   整理番号：18A0426686

異常値で汚染されたプロセスデータのためのロバストな確率的低速特徴回帰モデルの同定【Powered by NICT】

Identification of robust probabilistic slow feature regression model for process data contaminated with outliers

著者 (3件)： Fan Lei (University of Alberta, Department of Chemical and Materials Engineering, Alberta, T6G 2G6, Canada) ,  Kodamana Hariprasad (University of Alberta, Department of Chemical and Materials Engineering, Alberta, T6G 2G6, Canada) ,  Huang Biao (University of Alberta, Department of Chemical and Materials Engineering, Alberta, T6G 2G6, Canada)
資料名： Chemometrics and Intelligent Laboratory Systems  (Chemometrics and Intelligent Laboratory Systems)
巻： 173  ページ： 1-13  発行年： 2018年 
JST資料番号： E0150B  ISSN： 0169-7439  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 高次元動的プロセスのモデリングは挑戦的な仕事であると考えられている。これに関連して,動的潜在変数モデル,確率的Slow Feature Analysis(PSFA)は,高次元生測定からの時間相関のある動的特徴を抽出する有用なツールであることが証明されている。抽出された潜在遅い特徴(SF)は動的モデルの開発に有用なプロセス変動を捉えることができた。多くの場合工業データは異常値に影響され,モデリングそのようなデータは劣った予測性能が得られた。そのようなシナリオに対処するために,Studentのt分布を用いた観測データにおけるoutliersモデルするロバストPSFA(RPSFA)ベース回帰モデルを提案した。RPSFAにおけるパラメータを推定し,SFの次元低下を抽出するために,筆者らは隠れた変数としてSFを考慮した最尤推定(MLE)フレームワークの下で期待値最大化(EM)アルゴリズムを採用した。隠れSFを推定するために,著者らは,観測の正規分布仮定はもはや有効でないのでベースアプローチ重み付き利得Kalmanフィルタを提案した。模擬例,工業的応用と実験的研究が提案した方法の有効性と利点を実証した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： ダイナミックモデル ,  最尤法 ,  隠れた変数 ,  *ロバスト性 ,  *異常値 ,  *回帰モデル ,  Kalmanフィルタ ,  正規分布 ,  t分布 ,  高次元 ,  アルゴリズム ,  モデリング
準シソーラス用語： EMアルゴリズム ,  予測性能 ,  プロセス変動 , 【Automatic Indexing@JST】

著者キーワード (4件)： 遅い特徴解析 ,  潜在変数 ,  ロバスト同定 ,  ソフトセンサ

分類 (1件)： 数値計算  (JE02000J)

タイトルに関連する用語 (8件)： 異常値 ,  汚染 ,  プロセス ,  ロバスト ,  確率 ,  低速 ,  回帰モデル ,  同定