化工生產中異常數據處理

化工論文編號:HG103  論文字數:18028,頁數:37

目  錄
中文摘要 I
英文摘要 II
目  錄 III
1  緒論 1
1.1  課題背景 1
1.2  課題研究的目的和意義 1
1.3 數據挖掘研究現狀 2
2  異常數據處理方法 5
2.1  數據挖掘 5
2.2  數據挖掘的方法和技術 6
2.3  聚類方法 8
2.4 離群點的識別方法 16
3  PCA和神經網絡的應用 19
3.1  主成分分析(PCA)介紹 19
3.2  延遲焦化模型 21
3.3  數據處理 23
3.4 結果與討論 28
4  總結與展望 29
致  謝 30
參考文獻 31

摘 要：本論文面向實際化工生產過程的軟測量技術，融合了大量的現場觀測數據，其中的任一異常數據（野值）的出現都可能導致模型的預測效果下降，甚至完全失敗，因此對測量數據進行預處理非常重要。以延遲焦化過程焦炭產率軟測量模型為例，考慮以多變量的聚類分析為異常樣本數據的識別方法，進行識別異常樣本數據并解釋這些異常樣本對后繼建模結果的影響。
 本文首先總結、探討關于數據挖掘、離群點分析、聚類算法方面取得的已有主要研究成果。并詳細介紹了基于密度的聚類算法和神經網絡，并結合延遲焦化過程焦炭產率軟測量模型，對原數據做成分分析和神經網絡，再對處理過的數據進行成分分析和神經網絡分析，并對它們進行比較。
關鍵詞：聚類分析；離群點；異常數據；

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；