详情

原文传递高维数据聚类算法及应用研究

论文题名：	高维数据聚类算法及应用研究
关键词：	船舶管理;故障诊断;高维数据;聚类算法
摘要：	随着航运业的发展，船舶的数量和规模不断扩大，作为航行安全的重要保障，船舶故障诊断技术得到越来越多的重视。由于船舶设备种类繁多且参数复杂，导致船舶管理系统中采集的数据量庞大且维数较高，对故障诊断模块的数据处理性能提出了挑战，如何有效地处理海量高维数据成为故障诊断过程中的研究重点。本文以某海事局船舶管理系统为背景，重点研究了高维数据聚类技术，设计并实现了故障诊断模块，主要研究内容如下。　　本文在深入分析了高维数据聚类算法和传统聚类算法的基础上，设计了一个基于高维数据聚类算法的故障诊断框架，并详细阐述了该框架中各个组成部分的功能。针对故障诊断中出现的高维数据及其噪声信息，本文重点研究了基于正交非负矩阵分解的聚类算法和基于相似矩阵补全的集成聚类算法。为了降低高维数据的维数，提出了一种基于正交非负矩阵分解的K-means聚类算法，该算法对原始数据进行非负矩阵分解，并加入正交约束，保证低维特征的非负性，增加数据原型矩阵的正交性，降低了数据的维数特征，最后进行K-means聚类并验证该算法的有效性。为了解决高维数据中存在大量噪声的问题，提出了一种基于相似矩阵补全的聚类集成改进算法。该算法利用正交非负矩阵算法生成基聚类，在此基础上采用高维数据相似性度量函数Hsim构造每个基聚类的相似性矩阵，然后采用增广拉格朗日乘子法对相似性矩阵中缺失的元素进行补全，最后采用性能优越的谱聚类得到最终的数据划分。本文的研究成果初步应用于某海事局船舶管理系统中的故障诊断模块，以高维数据聚类算法为基础，实现了系统的故障诊断模块，取得了良好的应用结果。
作者：	李孟杰
专业：	安全科学与工程
导师：	谢强
授予学位：	硕士
授予学位单位：	南京航空航天大学
学位年度：	2016
正文语种：	中文