Phân tích thành phần chính phi tuyến sử dụng mạng nơ-ron tự liên kết
Tóm tắt
Phân tích thành phần chính phi tuyến (NLPCA) là một kỹ thuật mới cho phân tích dữ liệu đa biến, tương tự như phương pháp phân tích thành phần chính (PCA) nổi tiếng. NLPCA, giống như PCA, được sử dụng để xác định và loại bỏ các mối tương quan giữa các biến vấn đề nhằm hỗ trợ giảm chiều, trực quan hóa và phân tích dữ liệu khám phá. Trong khi PCA chỉ xác định các mối tương quan tuyến tính giữa các biến, NLPCA phát hiện cả các mối tương quan tuyến tính và phi tuyến, không bị giới hạn bởi đặc điểm của các phi tuyến trong dữ liệu. NLPCA hoạt động bằng cách huấn luyện một mạng nơ-ron feedforward để thực hiện ánh xạ đồng nhất, trong đó đầu vào của mạng được tái hiện ở lớp đầu ra. Mạng này chứa một lớp “nút thắt” nội bộ (chứa ít nút hơn so với các lớp đầu vào hoặc đầu ra), buộc mạng phải phát triển một biểu diễn gọn gàng của dữ liệu đầu vào và hai lớp ẩn bổ sung. Phương pháp NLPCA được trình bày qua dữ liệu phản ứng lô mô phỏng theo thời gian. Kết quả cho thấy NLPCA thành công trong việc giảm chiều và tạo ra bản đồ không gian đặc trưng tương tự như phân bố thực tế của các tham số hệ thống tiềm ẩn.
Từ khóa
#Phân tích thành phần chính phi tuyến #mạng nơ-ron #giảm chiều #phân tích dữ liệu #tương quan phi tuyếnTài liệu tham khảo
Ballard D. H., 1987, Modular Learning in Neural Networks, Proc. Conf. on AI, 1, 279
Chauvin Y. “Toward a Connectionist Model of Symbolic Emergence ”Proc. Conf. on the Cognitive Sci. Soc. 580(1989).
Cottrell G. W. P. Munro andD.Zipser “Learning Internal Representations from Gray‐Scale Images: An Example of Extensional Programming ”Proc. Conf. of the Cognitive Sci. Soc. 461(1987).
Duda R. O., 1973, Pattern Classification and Scene Analysis
Fahlman S. E., 1989, Proc. of Connectionist Models Summer School
Földiák P., 1989, Adaptive Network for Optimal Linear Feature Extraction, 401
Haesloop D. andB. R. Holt “A Combined Linear/Non‐Linear Neural Network for System Identification and Control ” paper 96b AIChE Meeting Chicago (1990).
Hinton G. E. “Learning Distributed Representations of Concepts ”Proc. Ann. Conf. of the Cognitive Sci. Soc. 1(1986).
Joback K. G. “A Unified Approach to Physical Property Estimation using Multivariate Statistical Techniques ” MS Thesis Mass. Inst. of Tech. (1984).
Kruschke J. K., 1989, Proc. Connectionist Models Summer School
Ljung L., 1987, System Identification—Theory for the User
Mardia K., 1980, Multivariate Analysis
MacGregor J. “Multivariate Statistical Methods for Monitoring Large Data Sets from Chemical Processes ” paper 164a AIChE Meeting San Francisco (1989).
Miikkulainen R., 1989, Proc. Connectionist Models Summer School
Mozer M. C., 1989, Advances in Neural Information Processing 1
Niida K. J. Tani T.Hirobe andI.Koshijima “Application of Neural Network to Rule Extraction from Operation Data ” aper 6g AIChE Meeting San Francisco (1989).
Siedlecki W., 1988, Pattern Recognition and Artificial Intelligence
Stephanopoulos G. N. andH. Guterman “Pattern Recognition in Fermentation Processes ” paper 163 ACS Meeting Miami Beach FL (1989).
Werbos P. J. “Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences ” PhD Thesis Applied Mathematics Dept. Harvard Univ. (1974).
Wise B. M. andN. L. Ricker “Upset and Sensor Failure Detection in Multivariate Processes ” paper 164b AIChE Meeting San Francisco (1989).