Discriminant diffusion maps based <i>k</i>‐nearest‐neighbour for batch process fault detection
Notice bibliographique
Résumé
In this paper, a novel discriminant diffusion maps based k ‐nearest‐neighbour rule (DDM‐ k NN) is developed for the high‐dimensional data of batch process and nonlinear characteristics of the data, and the traditional multivariate statistical process control and monitoring methods is less effective. Firstly, a discriminant kernel parameter is applied to the framework of the diffusion maps, and the Gaussian kernel width is selected from the within‐class width and the between‐class width according to discriminating sample class labels, which can make kernel function effectively extract data correlation features and exactly describe the structure characteristics of data original space in the low‐dimensional feature. Subsequently, the adapted k NN rule is applied to the low‐dimensional manifold feature space for fault detection. The effectiveness of DDM for the performance of data dimension reduction and feature extraction is verified in 3 arm spiral test data experiments compared with other dimensionality reduction methods, and successfully shows the high‐dimensional data in the low‐dimensional space and optimally preserves the original intrinsic nonlinear structure of the dataset. In addition, DDM‐ k NN is applied to penicillin fermentation process monitoring and fault detection, and results also verify the effectiveness of the proposed method by integrating discriminant diffusion maps with k‐nearest‐neighbour rule.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».