[发明专利]基于互信息和投影字典对学习的分布式过程监测方法

权利要求书

1.一种基于互信息和投影字典对学习的分布式过程监测方法，其特征在于，包括：

步骤1，获取多模态历史数据，并将正常多模态历史数据作为训练样本；

步骤2，根据各模态的过程变量间的互信息对训练样本进行自动分块，得到各模态训练样本的分块结果；

步骤3，对训练样本每种模态的每个子块建立投影字典对学习模型，并获得相应的合成型字典和解析型字典；

步骤4，根据对训练样本每种模态的每个子块建立的投影字典对学习模型计算训练样本各块的重构误差，对自动分块后的训练样本使用核密度估计方法计算训练样本各块的控制阈值；

步骤5，在投影字典对学习模型中输入新的过程数据，将新的过程数据作为测试样本，使用互信息方法将测试样本按不同模态下训练数据分块方式进行分块，并根据分块后的测试样本的每个子块相应的投影字典对学习模型计算测试样本各块的重构误差；

步骤6，将测试样本各块的重构误差转换为模态概率，根据模态概率计算各模态下通过测试样本所有块的联合概率，根据各模态下通过测试样本所有块的联合概率对测试样本进行模态识别；

步骤7，通过贝叶斯推理方法将测试样本各块的重构误差和训练样本各块的控制阈值融合至全局异常指标中，对测试样本进行异常检测，将测试样本各块的重构误差转换为正常和异常的概率，根据贝叶斯法则得出测试样本的块异常后验概率；

步骤8，通过判断全局异常指标是否超过显著性水平α，判断测试样本是否异常，当全局异常指标未超过显著性水平α时，测试样本被检测为正常，当全局异常指标超过显著性水平α时，测试样本被检测为异常；

步骤9，对检测为异常后的测试样本通过块贡献指标定位测试样本中的异常块，并将异常块进行隔离；

步骤10，对检测为异常后的测试样本通过变量贡献指标定位异常块中的异常变量，并将异常变量进行隔离。

2.根据权利要求1所述的基于互信息和投影字典对学习的分布式过程监测方法，其特征在于，所述步骤1和所述步骤2具体包括：

收集多模态历史数据，将多模态历史数据作为训练样本表示为X＝[X₁,X₂,…,X_K]∈R^pK×n，其中K表示训练样本的模态数，p表示训练样本的维数，n表示各模态的训练样本数，将第K种模态下的训练样本变量集表示为

在第K种模态的训练样本中选择变量作为目标变量，计算训练样本中的变量与目标变量之间的互信息值如下所示：

其中，表示训练样本中的变量与目标变量之间的互信息值，表示联合概率密度函数，i＝1,2,…,p，j＝1,2,…,p；和表示边缘概率密度函数，i＝1,2,…,p，j＝1,2,…,p；表示目标变量，i＝1,2,…,p；表示训练样本中的变量，j＝1,2,…,p；

通过确定阈值η_K，判断各变量与目标变量间的互信息值是否满足当时，将变量与目标变量划分在第N个训练样本变量集S_N中，训练样本的剩余变量集为{S-S_N}；

对第K种模态的训练样本中的剩余变量重复上述步骤，直至第K种模态的训练样本中的剩余变量的个数小于M，其中，M表示给定最小剩余变量数，将第K种模态的训练样本中的剩余的变量划分至最后一个变量集S_N中；

将第K种模态的训练样本X_K的分块集合表示为其中，N_K表示分块数；

将通过互信息方法自动分块后的训练样本表示为：

其中，表示第K种模态的第N_K个子块中的训练样本。

3.根据权利要求2所述的基于互信息和投影字典对学习的分布式过程监测方法，其特征在于，所述步骤3具体包括：

在第K种模态的第N_K个子块的训练样本中构建投影字典对学习模型，如下所示：

其中，表示数据重构函数，和表示判别函数，||·||_F表示Frobenius范数，表示第K种模态的第N_K个子块的训练样本，表示合成型字典，表示解析型字典，表示解析编码矩阵，表示的互补数据矩阵，τ表示常量，λ表示恒大于零的常量，d_i表示合成型字典的第i个原子。