数据驱动技术

支持向量机的特点
1、非线性映射是SVM方法的理论基础，SVM利 用内积核函数代替向高维空间的非线性映射； 2、对特征空间划分的最优超平面是SVM的目标, 最大化分类边际的思想是SVM方法的核心； 3、支持向量是SVM的训练结果，在SVM分类决 策中起决定作用的是支持向量。 4、SVM 是一种有坚实理论基础的新颖的小样本 学习方法。它基本上不涉及概率测度及大数定律 等,因此不同于现有的统计方法。从本质上看，它 避开了从归纳到演绎的传统过程,实现了高效的从 训练样本到预报样本的“转导推理” ，大大简化 了通常的分类和回归等问题。
①增、删非支持向量样本对模型没有影响； ②支持向量样本集具有一定的鲁棒性； ③有些成功的应用中,SVM 方法对核的选取不敏感。
致谢
Thank you!
支持向量机简介
一般的升维都会带来计算的复杂化，SVM方法 巧妙地解决了这个难题：应用核函数的展开定理 ，就不需要知道非线性映射的显式表达式；由于 是在高维特征空间中建立线性学习机，所以与线 性模型相比，不但几乎不增加计算的复杂性，而 且在某种程度上避免了“维数灾难”．这一切要 归功于核函数的展开和计算理论．
数据驱动方法
本篇论文的研究方向
1、在HVAC系统中使用数据驱动技术来进行故障诊 断和严重性估计； 2、针对汽车系统智能故障诊断的数据降维技术； 3、针对汽车系统中智能故障诊断的新颖的分类器 融合方法； 4、针对冲突和不稳定性分析的一种数据驱动分类 和预测框架； 5、在工程分析和社会系统将不同的诊断方法集成 到一个快速样机平台上。
支持向量机的特点
5、SVM 的最终决策函数只由少数的支持向量所 确定，计算的复杂性取决于支持向量的数目,而不 是样本空间的维数，这在某种意义上避免了“维 数灾难”。 6、少数支持向量决定了最终结果,这不但可以帮助 我们抓住关键样本、“剔除”大量冗余样本,而且 注定了该方法不但算法简单，而且具有较好的“ 鲁棒”性。这种“鲁棒”性主要体现在：
数据驱动技术在HVAC系统的应用
实时FDD策略的方框图
数据驱动技术在HVAC系统的应用
有噪声数据的FDD和严重性估计策略
数据驱动技术在HVAC系统的应用
有噪声数据的分类结果
数据驱动技术在HVAC系统的应用
有噪声数据的故障严重性估计结果
支持向量机简介
SVM方法是通过一个非线性映射p，把样本空间 映射到一个高维乃至无穷维的特征空间中（ Hilbert空间），使得在原来的样本空间中非线性 可分的问题转化为在特征空间中的线性可分的问 题。简单地说，就是升维和线性化。升维，就是 把样本向高维空间做映射，一般情况下这会增加 计算的复杂性，甚至会引起“维数灾难”，因而 人们很少问津。但是作为分类、回归等问题来说 ，很可能在低维样本空间无法线性处理的样本集 ，在高维特征空间中却可以通过一个线性超平面 实现线性划分（或回归）。
支持向量机原理图
一个SVM分类器的原理图
支持向量机的最优分类面
SVM 是从线性可分情况下的最优分类面发展而 来的, 基本思想可用图2的两维情况说明。
图中, 方形点和圆形点代表两类样本, H 为分类线,H1, H2分别为过各类中离 分类线最近的样本且平行于分类线的 直线, 它们之间的距离叫做分类间隔 (margin)。 所谓最优分类线就是要求分类线不但 能将两类正确分开(训练错误率为0), 而且使分类间隔最大。 推广到高维空间，最优分类线就变为 最优分类面。
数据驱动技术在HVAC系统的应用
一个离心机组和系统模型的图表
数据驱动技术在HVAC系统的应用 诊断ቤተ መጻሕፍቲ ባይዱ程综述
1、故障检测：通过监测一个参数与其标称值的偏 差数量/速度来执行，该例中我们采用GLRT方法； 2、故障隔离： 模式分类技术：SVM； 多变量统计技术：PCA和PLS； 3、故障严重性估计：故障严重性估计是通过PLSR、 SVMR和PCR算法执行的。
复杂工程和社会系统的智能数据 驱动分类和过程预测
Kihoon Choi, Ph.D.
主讲人：徐浩
LOGO
内容提要
背景及现实意义
数据驱动技术与传统方法的比较
本篇论文的研究方向 SVM介绍 致谢
LOGO
背景及现实意义

随着科学技术、特别是信息科学技术的快速发展， 企业的规模越来越大，生产工艺、生产设备和生 产过程越来越复杂。相当数量的企业每天都在产 生并存储着大量的生产、设备和过程数据，这些 数据隐含着工艺变动和设备运行等信息。如何有 效利用大量的离、在线数据和知识，在难于建立 受控系统较准确机理模型的条件下，实现对生产 过程和设备的优化控制、预报和评价，已成为当 今迫切需要解决的问题。因此，发展数据驱动技 术作为过程监控措施成为新时期的必然要求，具 有重要的理论与现实意义。
数据驱动技术与传统方法的比较
过程监控措施 优点 缺点 需要建立精确的模 型、大量的传感器 信息、对系统进行 深入的了解
基于模型的方法
比较直观、容易理 解
基于知识库的方法
通用性强、只需建 立定性的模型
相对简易且适应性 强，不需要对系统 进行深入的了解
需要对系统进行深 入的了解，定性的 模型容易失效
需要可用的监控数 据
支持向量机简介
在一维空间中，没有任何一个线性函数能解 决下述划分问题（黑红各代表一类数据），可见 线性判别函数有一定的局限性。
支持向量机简介
如果建立一个二次判别函数g(x)=(x-a)(x-b)，则可 以很好的解决上述分类问题。 决策规则仍是：如果g(x)>0，则判定x属于C1，如 果g(x)<0，则判定x属于C2 ，如果g(x)=0，则可以 将x任意分到某一类或者拒绝判定。