基于半监督聚类方法的管道运行状态识别研究

摘要：

目前工业现场采集的大部分数据缺失标记信息,若仅使用其中的标记数据和未标记数据的局部信息会造成学习器的性能下降,而传统半监督学习对标记数据的利用具有随机性且没有考虑监督信息数量的变化对性能的影响.针对上述问题,提出一种主动学习策略下基于最小生成树的变分贝叶斯推理半监督高斯混合模型,利用主动学习策略在标记信息中重新筛选构建高质量成对约束信息,利用最小生成树聚类来初始化模型参数,提升模型在标记样本数量受扰动时的鲁棒性.选用实验室采集的管道状态检测数据集对提出的模型进行验证,实验结果表明,当标记样本占总体样本的比例从50％下降到10％时,提出的组合模型的预测准确率依旧保持在72.4％以上,而且,当某一类别的样本完全失去监督信息时,该组合模型的聚类效果仍然可以分析判断数据类别的所属类型.

关键词：半监督聚类、主动学习策略、高斯混合模型、成对约束

所属期刊栏目：59

分类号：TP277(自动化技术及设备)

资助基金：国家自然科学基金61563024

在线出版日期：2023-08-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：435-445