文献

J-GLOBAL ID：202202287376880611   整理番号：22A0925747

類似性とスパース性協調埋込みとロバストなプロセス監視への応用【JST・京大機械翻訳】

Similarity and sparsity collaborative embedding and its application to robust process monitoring

著者 (2件)： Xu Xue (State Key Laboratory of Synthetical Automation for Process Industries, Northeastern University, Shenyang, 110819, China) ,  Ding Jinliang (State Key Laboratory of Synthetical Automation for Process Industries, Northeastern University, Shenyang, 110819, China)
資料名： Control Engineering Practice  (Control Engineering Practice)
巻： 122  ページ： Null  発行年： 2022年 
JST資料番号： W0647A  ISSN： 0967-0661  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： 複雑な工業プロセスにおける多変量測定は,一般に多くの異常値によって汚染されている。この文脈において,崩壊したデータに対するロバスト性は,プロセス監視タスクにおける重要な問題である。本論文では,効率的なロバストプロセス監視のための類似性とスパース性協調埋込み(SSCE)と呼ばれる新しい方法を提案した。提案したSSCEは,再構成誤差に対するスパース制約としてl1ノルム正則化によりスパース係数行列を学習でき,異常値によって汚染されたデータに対してロバストになった。類似性保存マトリックスを,与えられたデータの局所構造を捕捉するために提案し,次に,局所情報を,データ点間の類似性を保存できるようなスパース係数に変換した。この方法で,抽出された縮小次元表現は,元のデータのより有益な識別特性を含み,監視性能の向上に有益である。一方,投影学習を,提案目的関数に統合し,全体最適方法で明示的投影行列を学習し,SSCEがサンプル外問題を回避し,その後のプロセス監視タスクを容易にすることを可能にした。シミュレートした典型的な化学プロセスおよび実用的な分別プロセスに関する2つの事例研究は,提案した方法の有効性を実証した。Copyright 2022 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： 行列 ,  学習 ,  化学プロセス ,  目的関数 ,  事例研究 ,  正則化 ,  異常値 ,  *ロバスト性 ,  ノルム
準シソーラス用語： *スパース性 ,  *プロセス監視 ,  係数行列 ,  工業プロセス ,  多変量 , 【Automatic Indexing@JST】

著者キーワード (4件)： ロバストなプロセス監視 ,  スパース表現 ,  拡散距離 ,  射影学習

分類 (3件)： 信頼性  (KB04040H) ,  プロセス制御  (IC03040B) ,  システム最適化手法  (IA02050Z)

タイトルに関連する用語 (7件)： 類似性 ,  スパース性 ,  協調 ,  埋込み ,  ロバスト ,  プロセス監視 ,  応用