【技术实现步骤摘要】
本专利技术涉及对象聚类分析，特别是涉及一种多因素影响下原始对象矩阵的最优滞后时间因子分析方法。
技术介绍
1、任何领域和行业实现各种功能的实体都是系统。系统内在因素和外在因素都影响着系统完成预定功能的能力，即系统功能状态。系统内在因素主要是构成的元件以及系统结构，外在因素则是系统运行时的环境影响因素。因此系统功能状态实际上是系统内在因素对外在因素的响应。在复杂的影响因素作用下系统功能状态变化是复杂的，这构成了系统故障演化过程。实际中系统功能状态分析也是系统科学和安全科学等研究的重要问题。进行系统功能状态评价和研究的基础是在不同时刻对系统状态测量实例化形成的对象。这些对象是该时刻系统对应的所有因素的因素值。因此对象是因素值的集合，而对象集合则构成了系统功能状态评价和分析的数据基础。虽然现有的很多研究直接使用了原始数据，但由于影响因素的相关性、对象的动态增加等问题，导致直接使用原始对象数据进行分析得到的结果可能不够精确。这使系统安全性和可靠性的判断错误，也使得难以进行有效的系统故障演化干预、预防和处理。因此对基础数据集的优化成为评价等相关研究的重点问题。
2、关于各种评价基础数据优化方法的研究不多，多数评价都使用了原始对象数据构成的集合，但对基础数据的优化研究正在逐渐增加。这些成果针对不同领域的不同问题进行了系统功能状态评价。提出了适用于这些问题的评价方法，以及对应的基础数据集合构建方法。研究取得了良好效果，为后继研究积累了宝贵经验。但对于基础数据集合的优化、整合和分析等方面的研究仍然不足。缺乏在系统层面解决基础数据内在
3、本专利技术通过最优滞后时间因子将原始对象矩阵转化为三维动态矩阵，能解决数据的动态变化以及影响因素的相关性对原始对象矩阵的影响。使用最优滞后时间因子形成的三维动态矩阵能得到更为精确的系统功能状态评价结果。
技术实现思路
1、本专利技术的目的在于提供一种多因素影响下原始对象矩阵的最优滞后时间因子分析方法，以解决现有技术中缺乏在系统层面对基础数据进行优化的问题。
2、本专利技术提供了一种多因素影响下原始对象矩阵的最优滞后时间因子分析方法，为进行系统功能状态评价，构建更优化的数据集合，提出该方法；系统功能状态评价基于因素数据；将原始对象矩阵转化为三维动态矩阵，按照因素对动态矩阵进行拆分；使用拆分后的矩阵计算最优滞后时间因子；各因素的最优滞后时间因子的最小公倍数就是因素综合最优滞后时间因子；对应的最优滞后动态矩阵就是优化数据集合；用于提高原始对象矩阵的质量；
3、设影响系统故障演化的因素集合为f＝{f1,…,fm}，fm∈f，m＝1,…,m，m是因素数量；不同时刻采集的系统功能状态对象集合为y＝{y1,…,yn}，yn∈y，n＝1,…,n，n是样本数量；构成了用于系统功能状态评价的原始对象矩阵γ(m,n)；
4、对象yn是由m个因素值构成的向量yn＝[x1n,…xmn]；就yn和yn+1而言，如果fi和fj线性相关，i,j＝1,…,m，将减少1个向量维度；如果yn和yn+1在fi上有xin＝xi,n+1，则在fi上不能区分yn和yn+1；而随着演化的继续采样对象不断增加，因此γ(m,n)是一个动态增加对象的矩阵；
5、γ(m,n)作为原始数据存在的问题是演化过程动态变化且不同因素相关性不清；利用滞后时间因子来反映动态变化数据，从而反应对象的动态特点；因素相关性则通过拆解原始对象矩阵实现，将拆解的数据作为对象矩阵进行分析；
6、将γ(m,n)转化为三维动态矩阵γ(m,l+1,n-l)；m为因素数量，代表矩阵的因素维度；l+1为三维动态矩阵的行维度；n-l为三维动态矩阵的列维度；其中l为滞后时间因子，l＝0,1,…,l，l为最大滞后量；由于系统故障演化过程中某一对象包含的所有因素值的测量是在同一时刻完成的，所有对象与时间对应，因此采用滞后时间因子进行动态矩阵分析；
7、基于滞后时间因子l构建γ(m,l+1,n-l)，实现对γ(m,n)的动态性描述；对因素相关性的描述是将γ(m,l+1,n-l)拆分为m层，即γ1＝γ(1:,l+1,n-l)、γ2＝γ(2:,l+1,n-l)、…、γm＝γ(m:,l+1,n-l)，其中m为fm对应的那层对象矩阵；如果因素之间有相关性，则因素值在演化过程中也具有相关性，表现出来的周期规律也是联惯性，用滞后时间因子表征；
8、当l逐渐增加时会构建出适合的滞后动态矩阵，进而形成新的线性和非线性系统动力学关系；γ(m,l+1,n-l)拆分为m层构成的m个单因素动态矩阵都为独立的原始对象矩阵确定他们的最优滞后时间因子lopt(m)；使用lopt(m)构造的矩阵就是最优滞后动态矩阵；
9、考虑m个因素得到的lopt(1),…,lopt(m)；lopt(m)代表了所有对象在因素fm影响下的最优变化规律；如果因素fi和fj间存在相关性，则lopt(i)和lopt(j)在数值上应该是相同的；当lopt(i)和lopt(j)不同时取两者的最小公倍数作为同时考虑fi和fj得到的最优滞后时间因子，lopt(i,j)＝[lopt(i),lopt(j)]；那么m个因素共同影响下得到的该原始对象矩阵的因素综合最优滞后时间因子表示为lopt＝[lopt(1),…,lopt(m)]；这样即便出现相关因素也不影响最终的因素综合最优滞后时间因子；最优滞后时间因子满足了所有对象在所有因素影响下的动态变化特征；
10、确定单一因素fm对应的最优滞后时间因子lopt(m)的计算方法；fm的基础数据是三维动态矩阵γ(m,l+1,n-l)中的第γm层；对γm＝γ(m:,l+1,n-l)分析，设l为滞后时间因子，l＝0,1,…,l，γm有l+1行，有n-l列；针对l＝0,1,…,l，将原始对象矩阵γ(m,n)的第m行数据形成l+1个动态矩阵，如式(1)所示；
11、γm:γ(m:,1,n),γ(m:,2,n-1),…,γ(m:,l+1,n-l) (1)
12、当l变化时，需要满足式(2)和式(3)的条件；
13、r(m,l)＝m(l+1)-c(m,l) (2)
14、
15、式中：c(m,l)代表关联维数；r(m,i)是迭代函数，代表了fm下所有对象因素值的相关性；r(m,l)用于计算基础数据，已确定r(m,1)和r(m,i)的数值；
16、求因素fm的关联维数c(m,l)，如式(4)所示；
17、c(m,l)＝{c(m,l,ε),c(m,l,ε+δ),…,c(m,l,ε+θδ),…,本文档来自技高网...
【技术保护点】
1.一种多因素影响下原始对象矩阵的最优滞后时间因子分析方法，其特征在于，为进行系统功能状态评价，构建更优化的数据集合，提出该方法；系统功能状态评价基于因素数据；将原始对象矩阵转化为三维动态矩阵，按照因素对动态矩阵进行拆分；使用拆分后的矩阵计算最优滞后时间因子；各因素的最优滞后时间因子的最小公倍数就是因素综合最优滞后时间因子；对应的最优滞后动态矩阵就是优化数据集合；用于提高原始对象矩阵的质量；
2.根据权利要求1所述的多因素影响下原始对象矩阵的最优滞后时间因子分析方法，其特征在于，用于对电气系统的安全性进行分析，设电气系统的安全性受到因素电压、温度和湿度影响；设影响因素集合F＝{f1,f2,f3}，f1为电压，/V；f2为温度，/℃；f3为湿度，/％，M＝3；对该电气系统进行连续观测，得到的对象合集为Y＝{y1,…,y100}，N＝100；f1的变化范围为[12,15]V；f2的变化范围为[11,24]℃；f3的变化范围为[77,94]％；构成原始对象矩阵Γ(3,100)；转化为动态矩阵为Γ(3,l+1,100-l)，设滞后时间因子l＝0,1,…,6，L＝6；
【技术特征摘要】
1.一种多因素影响下原始对象矩阵的最优滞后时间因子分析方法，其特征在于，为进行系统功能状态评价，构建更优化的数据集合，提出该方法；系统功能状态评价基于因素数据；将原始对象矩阵转化为三维动态矩阵，按照因素对动态矩阵进行拆分；使用拆分后的矩阵计算最优滞后时间因子；各因素的最优滞后时间因子的最小公倍数就是因素综合最优滞后时间因子；对应的最优滞后动态矩阵就是优化数据集合；用于提高原始对象矩阵的质量；
2.根据权利要求1所述的多因素影响下原始对象矩阵的最优滞后时间因子分析方法，其特征在...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。