文档介绍：网络出版时间：2016-01-12 14:14:44
网络出版地址：.
ncy of the proposed method were illustrated through the
Tennessee Eastman process.
Key words: locally linear embedding; the number of nearest neighbor; sub-manifold; fault detection; clustering
index
引言 选择对嵌入结果和映射质量有很大影响[8]。在故障
诊断过程中，由于故障类别的多样性，原始数据集
现代化工过程中存在强非线性、强耦合性和多
在空间中呈间断性分布[9]，在用 近邻构建邻域图
模态等特性，使得过程数据不能直接反映其运行状 k
时，如果数据集的近邻数选取不当，将导致投影到
态，需要提取有效数据进行分析[1]。传统的线性降
低维空间的故障信息不能保持原始数据的几何结构
维算法，如 PCA[2]，保持了数据集的全局距离结构
的完整性[10]。当 较小时，数据将会被分割成多个
不变，不能保持非线性数据结构的内在流形。基于 k
[3] 较小的邻域而无法反映数据连续的局部几何特征，k
核函数的非线性降维算法，如 KPCA ，采用核函
较大时，会将不相关的数据点划分到一个邻域内[11]。
数将数据映射到非线性空间，增加了计算复杂度。