文献

J-GLOBAL ID：202102258219977678   整理番号：21A1139785

自己回帰モデリングのための動的重み付き正準相関解析【JST・京大機械翻訳】

Dynamic Weighted Canonical Correlation Analysis for Auto-Regressive Modeling

著者 (3件)： Zhu Qinqin (Department of Chemical Engineering, University of Waterloo, ON N2L 3G1 Canada) ,  Liu Qiang (State Key Laboratory of Synthetical Automation for Process Industries, Northeastern University, Liaoning 110819, China) ,  Qin S. Joe (School of Data Science, City University of Hong Kong, Tat Chee Avenue, Kowloon, Hong Kong)
資料名： IFAC PapersOnLine  (IFAC PapersOnLine)
巻： 53  号： 2  ページ： 200-205  発行年： 2020年 
JST資料番号： W3101A  ISSN： 2405-8963  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： 正準相関分析(CCA)は,プロセスおよび品質データセットの間の相関を抽出するための教師つき学習法として広く用いられている。現在のデータと歴史的データの間の関係を抽出するために使用するとき,CCAは,動特性を捕える自動回帰モデリング方法とみなすことができた。種々の動的CCAアルゴリズムを文献において開発した。しかし,これらのアルゴリズムは,隣接サンプルに存在する強い依存性を考慮しておらず,これは,歴史的データからの電流値の不必要な大きな時間遅れと不正確な推定につながる可能性がある。本論文では,動的加重CCA(DWCCA)アルゴリズムを提案し,一連の多項式基底関数でこの問題に対処した。DWCCAは,現在のデータと過去のデータの加重表現の間の相関関係を最大化することによって動的関係を抽出し,重みは限られた数の多項式関数にのみ依存し,それは強い共線隣接サンプルによって引き起こされる負の効果を除去する。すべての動力学を利用した後,静的主成分分析を用いてデータセットにおける相互相関をさらに探索した。Tennessee Eastmanプロセスを利用して,予測効率と共線性処理に関して提案したDWCCA法の有効性を実証した。Copyright 2021 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *多項式 ,  電流 ,  教師つき学習 ,  有効性 ,  主成分分析 ,  基底関数
準シソーラス用語： 相互相関 ,  正準相関解析 ,  時間遅れ ,  自己回帰モデリング ,  回帰モデリング , 【Automatic Indexing@JST】

著者キーワード (3件)： 動的重み付き正準相関解析 ,  自己回帰モデリング ,  主成分分析

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (2件)： 自己回帰モデリング ,  正準相関解析