基于张量的数字孪生系统中不完整数据填补方法研究

作     者：曹佳欣 

作者单位：黑龙江大学 

学位级别：硕士

导师姓名：关心

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 

主      题：数字孪生系统 深度模糊神经系统 数据填补 张量分解方法 相关性距离 

摘      要：通过大数据分析,我们可以充分利用数据发现故障原因,提高工作效率。如何恢复不完整数据,是产业界和学术界共同关注的重要问题。利用传统的预测模型可以恢复不完整数据,虽然已经得到了广泛的应用,但是由于安装的传感器越来越多,采样频率越来越高,制造数据量变得非常庞大,这给数据存储空间和检索效率带来了挑战。此外,随着真实世界中系统规模的不断扩大,实时更新的海量数据令人应接不暇,传统方法难以准确分析和处理复杂的多维数据并准确快速地恢复系统中不完整数据。数字孪生技术研究涉及很多关键技术,其中恢复不完整数据是一个重要的问题。 为了克服以上的挑战,本文设计了一种基于张量核化的正则分解和平行因子分解的深度模糊神经系统,用于恢复数字孪生系统中的不完整数据,进一步恢复真实世界中系统的不完整数据。首先,本文提出了一种基于相关性距离的数据重构方法,将数据转换为三阶张量。张量可以存储和表达丰富的多维数据。张量比向量和矩阵有更强的表达能力。然后,本文提出了一种张量核化的正则分解和平行因子分解方法。将核函数方法嵌入到正则分解和平行因子分解的框架中。在数据不完全的情况下,有效地提取张量数据的非线性结构,得到分解后的数据,相当于在高维空间中进行低秩张量分解。最后,基于所提出的张量分解方法,结合长短期记忆网络和自适应模糊推理系统,提出了一种基于张量核化的正则分解和平行因子分解的深度模糊神经系统,能够有效的恢复不完整数据。