《用于工业设计异常检测和参数余量预测的无监督概率和核回归方法》234页博士论文

工业厂房设计面临的重大挑战之一是确保项目执行期间产生的大量设计数据集的完整性。这项工作的动机是分享一些个人经验，在项目期间由于自动化程度不够，影响了交付物的质量，造成了数据完整性问题。因此，该项目寻求自动化解决方案，以检测工业设计数据中异常值的形式。本项目提出了几种新的方法，基于隐马尔可夫模型（HMM）和被称为基于边际GRNN（MB-GRNN）改进的通用回归神经网络，以及将计算时间降到最低的优化技术。HMM被用于验证使用自学方法的加工厂标签号。实验数据的结果表明，HMM的性能与一个定制的设计规则检查算法相当。工业设计中部件的选择涉及设置特定的设计参数，这些参数通常必须位于被称为 "设计余量 "的允许范围内。MBGRNN有能力直接从设计数据中估计这些允许的余量，并通过将估计余量之外的数据点识别为离群值来指出因设计参数的无效选择而导致的潜在设计错误。极端允许边际的边界是通过使用拉伸因子（第二个内核加权因子）的迭代应用来 "拉伸 "GRNN的上、下表面来确定的。该方法在数据云周围创建了一个对变量不敏感的带子，与正态回归函数相互联系，提供了上、下限的边缘边界。然后，这些边界可以用来确定异常值，并在设计期间预测设计参数的允许值范围。这种方法与Parzen-Windows和另一种基于接近的方法进行了比较。MB-GRNN还得益于一种修改过的算法，该算法使用聚类、K-近邻的组合来估计平滑参数，并打算作为决策支持系统来实施，以检查工业设计数据的质量，帮助最小化设计和实施成本。预计这项研究工作中提出的无监督技术将受益于工业设计过程中不断增加的自动化。