空气动力监测器TC-IAH161

空气动力监测器  TC-IAH161

空气动力监测器  TC-IAH161 

空气动力监测器  TC-IAH161 

Comitronic-BTI Sicherheitsscha?lter ANATOM78S 
Siemens Starterkombinat?ion 3RA1130-4EB34-0?BB4 
B&R Digitales Eingangsmodul DI477 3DI477.6 
Siemens Leistungsschalt?er 3VL1705-1EA43-0?AA0 
               Festo Magnetventil JMFH-5-PK-3 4447 
Accuride Teleskopschiene DZ3630-0050 
Telemecanique Electric Switch Inductor VW3A16503 
Buschjost Norgren Magnetventil 8240700.9109 
Bosch / Drews Thyristor 8-103-139-874 0 / TSA1-240.40 
Siemens MOBY E ANT1 6GT2398-1CB00 
Siemens Rundleiteransch?lussklemme 3VL9700-4TG30 
Simatic NET CP340 6ES7 340-1AH01-0AE0 
APB Kugellager Zylinderrollenl?ager NCF 2926V 
Simatic S5 IM301 6ES5 301-3AB13 
Bosch Eingangskarte E24V- 1070075324-103 
Pilz Ausagebe Digital P10 DO 304110 
Siemens Sinamics Ausgangsdrossel 6SL3202-0AJ23-2?CA0 
SEW EURODRIVE Movitrac Frequenzumricht?er MC07B0015-3
Soemer GmbH Messverst?rker LAC 65.1 
Endress+Hauser Cerabar PMC133-1M1F2A3A?1X 
Simatic S5 WF470 6FM1490-3DC00 
Simatic S5 WF470 6FM1470-4AA25 E-Stand:B03 
Endress+Hauser Cerabar Anzeige VU130 2BA1S 
Schneider Electric Leitungsschutzs?chalter A9F07610 
Siemens Leistungsschalt?er 3VF3114-2JE41-0?AA0 
Phoenix Contact Hebelsicherungs?klemme ST 4-HESILED 

无监督学习的模式识别

无监督学习的模式识别的训练样本没有类别标签，主要以聚类分组来揭示模式结构，也称聚类。聚类是一个将数据集划分为若干组或簇的过程，使得同一类的数据对象之间的相似度较高，而不同类的数据对象之间的相似度较低。

目前出现了大量的聚类算法，其选择取决于数据的类型、聚类的目的。主要的聚类算法可以划分为如下几类：划分方法、层次方法、密度方法、网格方法以及模型方法。

1)划分方法。划分法(partitioningmethods)是聚类分析中为常见的一种方法，其目的是将给定的数据对象集通过划分操作分成若干分组，每一个分组表示一个聚类。划分时需要预先聚类数目或聚类中心，通过反复迭代运算，逐步降低目标函数的误差值，当目标函数值收敛时，得到终聚类结果。常用的划分法有：K-means、K-medoids、CLARA、CLARANS、K-prototypes等。

K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。将K-means方法与其他技术结合可以提高K-means方法的聚类能力，文献[117]结合遗传算法一定程度上解决了全局优或近似优解的问题；文献[118]将算法与K-means聚类相结合，提出了基于规划的K-means聚类分析方法；文献[119]利用用窗口技术提高了K-means方法的聚类分析能力；文献[120]在聚类分类数据中应用禁忌搜索技术；此外CONTROLENGINEERINGChina版权所有，文献[121]提出了一种模糊K-prototypes算法，该算法融合了K-means和K-modes对数值型和分类型数据的处理方法，能够处理混合类型的数据；文献[122]中将模糊数学理论与K-means算法融合，对K-means算法进行了有效改进。

2)层次方法。层次法(HierarchicalMethods)也称为树聚类算法，层次聚类是将数据对象集分解成几级逐级进行聚类，递归地对给定的数据对象集进行合并或分解，直到满足限制条件为止，其聚类结果终以类别树的形式显示。层次方法根据分解方式的不同可以分为凝聚式(agglomerative)和分裂式(division)。层次算法不需要预先聚类的数目，但是在凝聚或分裂的层次聚类算法中，用户可以预先定义希望得到的聚类数目作为算法的结束条件，当该条件达到满足时，算法将终止。其代表算法有：BIRCH、CURE、CHAMELEON、ROCK、SBAC和BUBBLE等。

层次聚类的优点体现在算法能得到不同粒度的多层次聚类结构，缺陷在于没有全局优化的目标函数，合并或分裂点的选择比较困难，对噪声、孤立点数据比较敏感，不适于非凸型分布的数据对象集等。为此，研究者们给出了一些改进算法，如将层次聚类和其他的聚类分析技术进行集成，形成多阶段聚类等。

3)密度方法。密度方法(density-basedmethods)的指导思想是，只要一个区域中的点的密度大于某个阈值，就把它加到与之相近的聚类中去，即通过数据密度(单位区域内的实例数)来发现任意形状的类簇。该方法与其他方法的一个根本区别是：它不是基于距离的，而是基于密度的，这样就能克服基于距离的算法只能发现“类圆形”的聚类的缺点。其代表算法有：DBSCAN、OPTICS、DENCLUE、GDBSCAN、FDC算法等。

基于密度的聚类算法的优点是一遍扫描，并可以很好的过滤噪声和孤立点数据，发现任意形状、不定个数的类；其缺点是算法复杂度较高，对于密度分布不均的数据集聚类效果不佳。

4)网格方法。基于网格的方法采用一个网格数据结构，该结构具有多分辨率，通过这个数据结构可以将对数据对象的处理转化为对网格空间的处理。这种方法将数据空间划分成为有限个单元的网格结构，然后通过算法对网格空间进行分割进而实现聚类的目的。此聚类算法常常与其他方法相结合，特别是与基于密度的聚类方法相结合。其代表算法有：在高维数据空间中基于网格和密度相结合的聚类方法(CLIQUE算法)，基于小波变换的聚类方法(Wave-Cluster算法)，利用存储在网格中的统计信息的STING算法。

基于网格的方法的主要优点是执行速度快，它的时间复杂度仅依赖于量化空间中每一维上的单元数目；但该算法因网格单元的数目随着维数的增加而呈指数的增长故不适于高维数据，而且率以聚类结果的性为代价。

5)图论算法。图论分裂聚类算法的主要思想是：构造一棵关于数据的小生成树，通过删除小生成树的长边来形成类.基于图论的聚类算法主要包括RANDOMWALK、CHAMELEON、AUTOCLUST等。

6)模型算法。基于模型的方法给每一个聚类假定一个模型，然后去寻找能够很好的满足这个模型的数据集。这样一个模型可能是数据点在空间中的密度分布函数或者其他。该方法基于目标数据集由一系列的概率分布所决定这一假设，通过构造反映数据对象空间分布的密度函数来进行聚类。该算法通常分为两种：基于统计学的方法和基于神经网络的方法。前者主要有以分类树的形式创建层次聚类的COBWEB算法及其扩展COBWEB算法；后者主要有竞争学习型和自组织特征映射型(SOM)等[123]。

以上传统的聚类方法都具有各自的优点，在各自的适用领域取得了较大的成功。但是，这些聚类方法也存在以下问题：在进行聚类之前都需要事先确定要得到的聚类的数目，然而在现实数据中，聚类的数目往往是未知的；处理大规模数据和高维数据的能力、计算效率、有效的消除噪声的影响等方面都有待于提高；此外CONTROLENGINEERINGChina版权所有，有的聚类算法对输入参数的取值十分敏感，而且参数的取值没有成熟的理论依据，只能依靠用户的经验来确定。除上述聚类方法外，学者们还研究了其他大量的聚类方法，下面列出了几类:

1)模糊聚类方法。1969年，Ruspini提出了模糊聚类算法(FCM)。FCM是一种以隶属度来确定每个数据点属于某个聚类程度的算法，能保留初始图像的更多信息。然而，FCM没有考虑图像上下文中的空间信息，对噪声较敏感。学者们围绕FCM算法开展了大量研究，比如，李洁等人[124]采用ReliefF算法[125]确定各维特征的权重，提出了基于特征加权的模糊聚类新算法NFWFCA；Cai等人[126]结合局部空间和灰度信息，提出快速通用FCM聚类算法FGFCM，该算法计算简单，适合大幅灰度图像和有噪声和无噪声的多种类型图像；唐利明等人[127]结合变分水平集方法和模糊聚类，提出了一个基于变分水平集的图像聚类分割模型，该模型引入了一个基于图像局部信息的外部模糊聚类能量和一个新的关于零水平集的正则化能量，使得该模型对噪声图像的聚类分割更具鲁棒性；王雪等人[128]提出一种多相水平集模型协同空间模糊C-均值聚类(SFCM)的图像多目标分割算法,即SFCM-MLS算法，用空间模糊聚类获取图像多目标粗分割结果，然后用粗分割结果定义多相水平集模型的初始水平集函数对图像做精分割，SFCM-MLS算法对初始位置不敏感，提高了图像多目标分割的准确性。

2)迭代自组织数据分析算法。迭代自组织数据分析算法(ISODATA)的主要思想是根据小距离准则获得初始聚类，再判断初始聚类结果是否符合要求。若不符合，则将聚类集进行分裂和合并处理，得到新的聚类中心，再判断聚类结果是否符合要求。如此反复迭代直到完成聚类操作。ISODATA与K-MEANS一样，聚类中心的位置通过样本均值的迭代运算决定，但ISODATA聚类中心数目不是固定的，而且反复修正，在迭代过程中可将一类一分为二，也可以两类合并，即“自组织”。ISODATA具有启发性、计算并不复杂，适用于识别致密聚类。时静洁等人[129]将ISODATA与蚁群算法(ACO)算法相结合，建立相关模型对有机化合物的黏度进行QSPR研究，解决了小样本、非线性和维数灾难等问题。

3)模拟退火聚类算法。模拟退火算法(SA)初由Metropolis等人于20世纪80年代初提出，其思想源于物理中固体物质退火过程与一般组合优化问题之间的相似性，通过模拟高温物体退火过程的方法来找到优化问题的全局优或近似全局优解。SA是一种启发式随机搜索算法，具有并行性和渐近收敛性，目前已广泛应用于图像识别、机器学习、神经网络等优化问题。如张引、潘云鹤[130]采用模拟退火技术求解大似然聚类用于图像分割，解决了用迭代方法求解大似然聚类只能得到局部优解的问题.获得的图像分割效果优于迭代方法和的Otsu方法；Neethirajan等人[131]基于模拟退火算法对储粮害虫进行了识别分类。

4)粗糙集方法。粗糙集理论是波兰科学家Pawlak提出的，它是一种新型的处理模糊和不确定知识的数学工具，揭示潜在的规律能有效地分析和处理不、不一致、不完整等各种不完备信息，并能从中发现隐含的知识和揭示潜在的规律[132-133]。它提供了一套比较完备的从小样本数据中寻找规律的系统方法，用其可找到描述正常模型的小预测规则集，其不仅有利于提高检测速度，而且可应用于系统的实时检测。

目前，粗糙集理论已经在数据的决策和分析、模式识别、机器学习等方面有着成功的应用，已成为信息科学活跃的研究领域之一。如文献[134]基于RS理论对带钢表面缺陷图像进行了识别分类，并同BP算法进行了对比，验证了基于粗糙集的分类识别算法的有效性。

此外CONTROLENGINEERINGChina版权所有，蚁群聚类算法、粒子群聚类算法、基于遗传算法的聚类方法、基于核的聚类算法等得到应用，广大学者们正致力于具有聚类能力强、自适应、等特点的聚类算法研究，并注重将不同的聚类思想进行融合以形成新的聚类等新算法。如，王孙安等人[135]提出一种混沌模糊聚类算法，该算法把混沌变量加载于算法的变量群体中，利用混沌搜索的特点对群体进行微小扰动并逐步调整扰动幅度，提高了基于人工进化算法的模糊聚类算法的搜索效率；吴一全等人[136]提出了一种利用核模糊C均值聚类和正则化的图像稀疏去噪方法，更有效地去除图像噪音，保留图像细节，改善图像视觉效果；Nunes应用一种人工进化网络用于聚类[137]。