• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于改進(jìn)的高斯混合回歸的球磨機(jī)料位軟測(cè)量

    2018-03-03 19:54:37楊飛喬鐵柱龐宇松閻高偉
    現(xiàn)代電子技術(shù) 2018年5期
    關(guān)鍵詞:多模態(tài)聚類

    楊飛+喬鐵柱+龐宇松+閻高偉

    摘 要: 針對(duì)球磨機(jī)系統(tǒng)多模態(tài)復(fù)雜過(guò)程中的料位不確定性,球磨機(jī)振動(dòng)信號(hào)存在非線性、噪聲和外界干擾等問(wèn)題,采用一種基于改進(jìn)的高斯混合回歸(GMR)的球磨機(jī)料位軟測(cè)量方法,解決傳統(tǒng)高斯混合模型初始化含有噪聲和異常值的數(shù)據(jù)難以聚類的問(wèn)題。首先,利用改進(jìn)的K?medoids聚類算法與EM算法分別初始化和優(yōu)化高斯混合模型(GMM)的最佳高斯分量個(gè)數(shù)、最優(yōu)模型參數(shù),然后采用GMR預(yù)測(cè)輸出球磨機(jī)料位。最后實(shí)驗(yàn)驗(yàn)證了改進(jìn)GMR模型得到的預(yù)測(cè)料位可以很好地跟蹤真實(shí)料位,并且通過(guò)實(shí)驗(yàn)結(jié)果的對(duì)比分析,驗(yàn)證了改進(jìn)模型的有效性和實(shí)用性以及較好的預(yù)測(cè)精度。

    關(guān)鍵詞: 球磨機(jī)料位; 多模態(tài); 振動(dòng)信號(hào); GMM; 聚類; 軟測(cè)量; GMR

    中圖分類號(hào): TN98?34; TP181 文獻(xiàn)標(biāo)識(shí)碼: A 文章編號(hào): 1004?373X(2018)05?0153?06

    Abstract: Since the fill level of the ball mill system in multimode complicated process is uncertain, and the vibration signal of ball mill has the characteristics of nonlinearity, noise and outside interference, a soft measurement method for ball mill fill level based on improved Gaussian mixture regression (GMR) is proposed to solve the problem that it is difficult to cluster the data embedding noise and abnormal value of the traditional Gaussian mixture model (GMM) initialization. The improved K?medoids clustering algorithm and EM algorithm are used respectively to initialize and optimize the optimal Gaussian component quantity and optimal model parameters. The GMR is used to predict the output level of the ball mill. The experimental results verify that the predicted fill level obtained by improved GMR model can track the real fill level accurately. The comparative analysis of experimental results verifies that the improved model is feasible and practical, and has high prediction accuracy.

    Keywords: ball mill fill level; multimode; vibration signal; Gaussian mixture model; clustering; soft measurement; Gaussian mixture regression

    0 引 言

    球磨機(jī)是磨礦工業(yè)中廣泛使用的基礎(chǔ)設(shè)備,準(zhǔn)確測(cè)量球磨機(jī)料位是實(shí)現(xiàn)優(yōu)化控制和節(jié)能降耗的關(guān)鍵技術(shù)之一。近年來(lái),科研人員提出了許多測(cè)量球磨機(jī)料位的方法,其一般步驟是:先對(duì)采集的信號(hào)計(jì)算頻譜特征,然后進(jìn)行降維和特征提取,最后建立頻譜特征與料位之間的模型。文獻(xiàn)[1]利用快速傅里葉變換方法求取信號(hào)的功率譜密度(Power Spectrum Density,PSD),然后采用主元分析(Principal Component Analysis,PCA)方法提取特征和減少冗余信息,最后用支持向量回歸(Support Vector Regression,SVR)建立回歸模型。文獻(xiàn)[2]利用PCA方法進(jìn)行振動(dòng)信號(hào)的特征提取,然后采用偏最小二乘回歸方法(Partial Least Square Regression,PLSR)建立球磨機(jī)料位軟測(cè)量模型。文獻(xiàn)[3]采用偏最小二乘法(Partial Least Square,PLS)對(duì)球磨機(jī)振動(dòng)信號(hào)進(jìn)行特征提取和降維,然后采用極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)建立料位軟測(cè)量模型。上述方法均取得了較好的結(jié)果。

    文獻(xiàn)[4]通過(guò)分析球磨機(jī)研磨過(guò)程的機(jī)理和筒體振動(dòng)的加速度頻域信號(hào),將球磨機(jī)運(yùn)行過(guò)程分解成若干個(gè)不同的特征模態(tài),然后采用KPLS算法建立預(yù)測(cè)子模型,最后利用信息熵值的集成加權(quán)融合方法預(yù)測(cè)輸出。

    在此,對(duì)球磨機(jī)在不同料位條件下多工況的復(fù)雜多模態(tài)過(guò)程,由于不同料位采集數(shù)據(jù)的均值和協(xié)方差不斷變化,基本的單高斯分布建立的模型較差,無(wú)法準(zhǔn)確預(yù)測(cè)料位。高斯混合模型(GMM)是單高斯概率密度函數(shù)的延伸,具有平滑逼近任意形狀密度分布的特性[5],因此可以對(duì)復(fù)雜的球磨機(jī)數(shù)據(jù)的多模態(tài)性進(jìn)行很好的描述。針對(duì)球磨機(jī)系統(tǒng)多模態(tài)復(fù)雜過(guò)程中料位的不確定性,球磨機(jī)振動(dòng)信號(hào)存在非線性、噪聲和外界干擾等問(wèn)題,以及GMM在多模態(tài)過(guò)程監(jiān)督和軟測(cè)量方面的成功應(yīng)用[6?7],采用一種基于改進(jìn)的高斯混合回歸(GMR)在球磨機(jī)多模態(tài)過(guò)程料位軟測(cè)量的方法。首先,利用改進(jìn)的K?medoids算法[8]和EM[9]算法優(yōu)化高斯混合模型的最佳分量個(gè)數(shù)和最優(yōu)模型參數(shù),然后利用GMR預(yù)測(cè)料位的輸出。實(shí)驗(yàn)結(jié)果表明該方法具有較高的測(cè)量精度。endprint

    1 高斯混合模型及EM算法

    1.1 高斯混合模型

    高斯混合模型(Gaussian Mixture Model,GMM)是描述混合密度分布的模型,用有限多個(gè)單高斯概率密度函數(shù)的加權(quán)形式逼近任意的連續(xù)分布。高斯混合模型的概率密度函數(shù)[10]定義為:

    式中:是GMM中單高斯分量的個(gè)數(shù);是第個(gè)單高斯分量的概率密度函數(shù);是第個(gè)單高斯分量的權(quán)重,且滿足:是第個(gè)單高斯分量的參數(shù)集,和分別為第個(gè)單高斯的均值向量和協(xié)方差矩陣;表示個(gè)單高斯模型參數(shù)組成的全局參數(shù)集。因此,含有個(gè)高斯分量的高斯混合模型的所有參數(shù)表示為:。

    給定個(gè)獨(dú)立同分布的訓(xùn)練數(shù)據(jù)樣本的似然函數(shù)和對(duì)數(shù)似然函數(shù)分別為:

    1.2 改進(jìn)的GMM初始化聚類K?medoids方法

    傳統(tǒng)GMM利用K?means聚類算法對(duì)模型參數(shù)進(jìn)行初始化,然后通過(guò)期望最大化(Expectation?Maximization,EM)算法估計(jì)參數(shù),由于EM算法對(duì)初始值要求較高,初值不恰當(dāng)可能導(dǎo)致算法收斂到局部最大值點(diǎn),在此對(duì)傳統(tǒng)的GMM進(jìn)行改進(jìn),利用改進(jìn)的K?medoids算法優(yōu)化GMM模型的初始化參數(shù)。

    與K?means中心點(diǎn)選取不同,K?medoids中心點(diǎn)選取的規(guī)則是從當(dāng)前cluster中選取的中心點(diǎn)到其他所有cluster點(diǎn)的距離之和最小。K?means聚類算法產(chǎn)生類的大小相差不會(huì)很大,對(duì)于含有噪音或者異常值的數(shù)據(jù)很敏感,而K?medoids不容易受到那些由于誤差之類的原因產(chǎn)生的噪音數(shù)據(jù)的影響。由于球磨機(jī)運(yùn)行過(guò)程中,料位測(cè)量容易受到各種因素的干擾而出現(xiàn)噪音和異常值,K?medoids[11]在處理這樣的數(shù)據(jù)方面魯棒性較強(qiáng),具有一定的優(yōu)勢(shì),可以提高GMM模型的性能。

    K?medoids初始化GMM參數(shù)過(guò)程如下:

    1) 從訓(xùn)練數(shù)據(jù)樣本中隨機(jī)選擇個(gè)點(diǎn)作為初始的聚類中心點(diǎn)

    2) 將訓(xùn)練數(shù)據(jù)樣本中其他的數(shù)據(jù)點(diǎn)根據(jù)最近原則劃分到個(gè)聚類中;

    3) 根據(jù)下列公式更新每個(gè)聚類的中心點(diǎn);

    4) 返回步驟2),當(dāng)各個(gè)聚類中心點(diǎn)不再變化時(shí),執(zhí)行步驟5);

    5) 步驟4)得到樣本的個(gè)聚類中心點(diǎn)和其他樣本所屬類的標(biāo)簽屬性,根據(jù)每個(gè)聚類中的樣本個(gè)數(shù)可以計(jì)算出每個(gè)高斯分量的權(quán)重比值即將中心點(diǎn)作為GMM模型的均值,即根據(jù)每個(gè)聚類中的樣本,利用協(xié)方差公式可以計(jì)算出每個(gè)高斯分量的協(xié)方差

    通過(guò)以上步驟可得到GMM模型的初始化參數(shù):

    1.3 EM算法

    EM算法是一種從“不完全數(shù)據(jù)”中求解模型分布參數(shù)的極大似然估計(jì)方法。EM算法通過(guò)不斷重復(fù)E步驟(E?step)和M步驟(M?step),直到對(duì)數(shù)似然函數(shù)收斂到一定的閾值,最終獲得GMM模型中的未知參數(shù)和權(quán)值

    EM算法求解未知參數(shù)和權(quán)值的迭代步驟[12]如下:

    2 基于高斯混合回歸的軟測(cè)量

    2.1 高斯混合回歸(GMR)

    高斯混合回歸(Gaussian Mixture Regression,GMR)[12]主要是基于高斯條件和高斯分布的線性組合特性。假設(shè)數(shù)據(jù)向量是由兩部分組成:輸入和輸出如果服從含有個(gè)分量的高斯混合模型分布,同時(shí),每個(gè)高斯分量的均值向量和協(xié)方差矩陣可以劃分為以下輸入和輸出部分:

    對(duì)于第個(gè)高斯分量,給定輸入時(shí),相應(yīng)的輸出也服從高斯分布,關(guān)于的條件概率定義為:

    其中,均值和協(xié)方差的計(jì)算公式為:

    由于輸入是由混合模型生成的,輸出的分布式由部分組成的,就整個(gè)混合模型而言,關(guān)于輸入的輸出的期望條件分布也是一個(gè)高斯混合模型:

    式中:是關(guān)于輸入的第個(gè)高斯分量的后驗(yàn)概率,由貝葉斯公式可得:

    最后,給定一個(gè)輸入輸出的條件期望可以由高斯分布估計(jì)出,基于高斯分布的線性轉(zhuǎn)換特性,輸出的均值向量和協(xié)方差矩陣的計(jì)算公式為:

    2.2 擬合混合模型

    在預(yù)處理混合模型時(shí),無(wú)論是GMM模型還是GMR模型,都需要給定高斯分量個(gè)數(shù),此外,EM算法的參數(shù)估計(jì)過(guò)程也需要預(yù)先定義混合分量的個(gè)數(shù)在本文中,采用最小梯度準(zhǔn)則(Minimum Gradient Citerion,MGC)選擇最優(yōu)的高斯分量個(gè)數(shù),MGC定義如下:

    式中:分別代表的最小值和最大值;代表含有個(gè)高斯分量的GMM的概率密度的對(duì)數(shù)似然函數(shù);grad是對(duì)所有的對(duì)數(shù)似然函數(shù)值求梯度值;是最佳高斯分量個(gè)數(shù)。在高斯混合模型中,模型性能一般都隨著值的增加而提高,但是過(guò)大的值會(huì)增加模型復(fù)雜度,并且模型的泛化能力會(huì)變差,當(dāng)模型的對(duì)數(shù)似然函數(shù)不再增大或者增大較緩慢時(shí),取此時(shí)的模型為最優(yōu)模型,所以在此采用最小梯度準(zhǔn)則來(lái)選擇恰當(dāng)?shù)闹怠?/p>

    在上述過(guò)程中,當(dāng)變化時(shí)需要反復(fù)執(zhí)行EM算法來(lái)估計(jì)參數(shù),EM算法的初始化參數(shù)由K?medoids聚類算法得到。擬合混合模型的算法步驟如下:

    預(yù)處理:預(yù)處理訓(xùn)練集,給定和選取準(zhǔn)則函數(shù)MGC

    初始化:令

    使用改進(jìn)K?medoids初始化個(gè)分量的高斯混合模型的參數(shù),記為

    主循環(huán):當(dāng)重復(fù):

    采用EM算法估計(jì)模型的新參數(shù)并且計(jì)算相應(yīng)的對(duì)數(shù)似然函數(shù);

    刪除掉最不可能的高斯分量,并且與它最接近的一個(gè)高斯分量合并為一個(gè)新的高斯分量。這樣得到分量個(gè)數(shù)為的高斯混合模型,并且具有參數(shù);

    最佳高斯分量:通過(guò)最小梯度準(zhǔn)則函數(shù)選取

    最終混合模型的參數(shù)估計(jì)為

    上述步驟中關(guān)鍵的一步是刪除掉最不可能的高斯分量,并且與它最接近的一個(gè)高斯分量合并為一個(gè)新的高斯分量。首先,最不可能的高斯分量可以通過(guò)尋找權(quán)重最小得到,即:

    然后,與第個(gè)高斯分量最接近的高斯分量可以得到,對(duì)稱Kullvack?Leibler(KL)[13]散度是度量概率相似性的常見準(zhǔn)則。對(duì)于高斯密度,利用對(duì)稱KL散度準(zhǔn)則可以求出GMM中其他的高斯分量與第個(gè)高斯分量之間的相似度,如下:endprint

    與第個(gè)分量最相似的另一個(gè)高斯分量是

    這樣,第個(gè)和第個(gè)高斯分量將會(huì)合并為一個(gè)新的分量,根據(jù)文獻(xiàn)[14],新高斯分量的權(quán)重均值和協(xié)方差通過(guò)下式計(jì)算:

    2.3 基于GMR的軟測(cè)量

    假定過(guò)程輸入變量是輸出變量是將輸入變量和輸出變量合并為一個(gè)新的向量那么和的聯(lián)合概率密度就是的概率密度,用GMM分布表達(dá)為:

    如果新的輸入變量是相應(yīng)的輸出變量是為了預(yù)測(cè)輸出,需要構(gòu)建基于GMR的軟測(cè)量模型。首先,均值和協(xié)方差可以劃分為輸入、輸出部分,如式(7)。然后,對(duì)第個(gè)高斯分量,關(guān)于的后驗(yàn)概率和條件概率估計(jì)為:

    式中:和是第個(gè)條件高斯分布的均值和協(xié)方差參數(shù),可以通過(guò)式(9)計(jì)算。

    最后,預(yù)測(cè)輸出結(jié)果是各個(gè)高斯分量的加權(quán)和:

    基于GMR的軟測(cè)量過(guò)程主要分為兩個(gè)階段:離線建模階段和在線測(cè)量階段,其流程圖如圖1所示。

    3 基于改進(jìn)的GMR球磨機(jī)料位軟測(cè)量

    3.1 實(shí)驗(yàn)數(shù)據(jù)處理

    為驗(yàn)證本文所采用方法的有效性,針對(duì)實(shí)驗(yàn)室小型球磨機(jī)進(jìn)行料位軟測(cè)量實(shí)驗(yàn)研究。料位樣本分別為1 L,2 L,…,20 L,實(shí)驗(yàn)球磨機(jī)筒體振動(dòng)信號(hào)由現(xiàn)場(chǎng)同步采集,對(duì)每個(gè)樣本下的料位進(jìn)行振動(dòng)信號(hào)采集,最終獲得20組振動(dòng)信號(hào)數(shù)據(jù)。然后,采用Welch方法[15]計(jì)算振動(dòng)信號(hào)的功率譜密度(Power Spectrum Density,PSD),圖2為振動(dòng)信號(hào)的功率譜圖。將每組信號(hào)的PSD平均分成22個(gè)樣本,則樣本總數(shù)為440,并把每組的22個(gè)樣本隨機(jī)分成15個(gè)訓(xùn)練樣本和7個(gè)測(cè)試樣本,因此最終得到訓(xùn)練集有300個(gè)樣本,測(cè)試集有140個(gè)樣本。

    由圖2可以看出,球磨機(jī)研磨過(guò)程振動(dòng)信號(hào)的能量主要集中在600~6 000 Hz頻率范圍內(nèi),即振動(dòng)信號(hào)的有效頻譜。綜合考慮頻譜的波動(dòng)范圍及計(jì)算效率,以100 Hz為單位頻段對(duì)有效頻譜進(jìn)行分割并求均值。因此,最終得到的訓(xùn)練集數(shù)據(jù)維數(shù)大小為300×54,測(cè)試集數(shù)據(jù)維數(shù)大小為140×54。

    3.2 測(cè)量結(jié)果

    為了評(píng)價(jià)所提供方法的建模能力,采用均方根誤差(Root Mean Square Error,RMSE)和平均絕對(duì)誤差(Mean Absolute Error,MAE)作為測(cè)量精度的評(píng)價(jià)指標(biāo),其中將RMSE作為主要的評(píng)價(jià)指標(biāo)。其計(jì)算公式為:

    式中:和分別表示第個(gè)樣本的實(shí)際值和估計(jì)值;為測(cè)試樣本個(gè)數(shù)。

    根據(jù)擬合高斯混合模型,采用訓(xùn)練集數(shù)據(jù)進(jìn)行離線建模,設(shè)置初始化參數(shù)最后通過(guò)擬合混合模型方法優(yōu)化得到的最佳高斯分量個(gè)數(shù)是然后采用GMR方法對(duì)球磨機(jī)料位進(jìn)行在線軟測(cè)量,測(cè)試集數(shù)據(jù)預(yù)測(cè)結(jié)果如圖3所示,圖中實(shí)線代表球磨機(jī)料位的真實(shí)值,星號(hào)代表料位的預(yù)測(cè)值,從圖中可以看出球磨機(jī)料位預(yù)測(cè)值可以很好地跟蹤期望的真實(shí)值。本實(shí)驗(yàn)軟測(cè)量結(jié)果的測(cè)量精度均方根誤差RMSE為0.358 8,平均絕對(duì)誤差MAE為0.261 2。

    3.3 結(jié)果分析與對(duì)比

    為驗(yàn)證所采用改進(jìn)的GMR模型的軟測(cè)量建模能力和有效性,將其與傳統(tǒng)GMR方法、主元回歸(PCR)、偏最小二乘回歸(PLSR)和支持向量回歸(SVR)方法進(jìn)行比較。采用RMSE作為主要評(píng)價(jià)指標(biāo)。表1給出了上述五種方法的料位預(yù)測(cè)評(píng)價(jià)指標(biāo)對(duì)比結(jié)果。圖4為所提方法與對(duì)照方法測(cè)試的結(jié)果比較。

    根據(jù)表1中的評(píng)價(jià)指標(biāo)RMSE和圖4可以看出,改進(jìn)GMR模型得到的測(cè)試集預(yù)測(cè)結(jié)果最好,且要明顯好于其他四種方法,改進(jìn)GMR模型得到的預(yù)測(cè)料位可以很好地跟蹤真實(shí)料位,達(dá)到較好的預(yù)測(cè)精度。分析其原因,主要是改進(jìn)GMR在處理含有噪聲和外界干擾的球磨機(jī)數(shù)據(jù)時(shí),K?medoids初始化GMM得到較優(yōu)的參數(shù),由于球磨機(jī)系統(tǒng)運(yùn)行時(shí)存在料位的不確定性,改進(jìn)GMR可以建立表征不同工況的球磨機(jī)狀態(tài)模型,并且可以對(duì)球磨機(jī)數(shù)據(jù)的多模態(tài)性進(jìn)行很好的描述。除此之外,當(dāng)球磨機(jī)運(yùn)行過(guò)程中工況改變或者受到其他干擾時(shí),球磨機(jī)料位測(cè)量會(huì)出現(xiàn)異常值,改進(jìn)GMR模型受到的影響較小,并可以很好地跟蹤其真實(shí)料位,實(shí)驗(yàn)結(jié)果說(shuō)明改進(jìn)GMR預(yù)測(cè)模型的準(zhǔn)確性要優(yōu)于傳統(tǒng)GMR,PCR,PLSR和SVR方法。

    4 結(jié) 語(yǔ)

    針對(duì)球磨機(jī)系統(tǒng)復(fù)雜過(guò)程中的料位不確定性,球磨機(jī)振動(dòng)信號(hào)存在非線性特性等問(wèn)題,本文采用一種基于改進(jìn)的高斯混合回歸的球磨機(jī)料位軟測(cè)量方法。首先,利用改進(jìn)的K?medoids算法和EM算法優(yōu)化GMM的最佳高斯分量個(gè)數(shù)和最優(yōu)模型參數(shù),然后采用GMR預(yù)測(cè)輸出球磨機(jī)料位。實(shí)驗(yàn)結(jié)果表明,改進(jìn)GMR模型在處理球磨機(jī)系統(tǒng)多模態(tài)復(fù)雜過(guò)程中具有較好的優(yōu)勢(shì),顯示了GMR在多模態(tài)過(guò)程中軟測(cè)量的有效性和可行性。下一步將研究球磨機(jī)在實(shí)際的磨礦過(guò)程中的模態(tài)分析方法,對(duì)球磨機(jī)特有的多模態(tài)過(guò)程具體劃分模態(tài)工況,從而針對(duì)不同模態(tài)具體分析球磨機(jī)料位,進(jìn)一步提高球磨機(jī)料位的預(yù)測(cè)精度。

    參考文獻(xiàn)

    [1] TANG Jian, ZHAO Lijie, YU Wen, et al. Soft sensor modeling of ball mill load via principal component analysis and support vector machines [J]. Lecture notes in electrical engineering, 2009(67): 803?810.

    [2] 湯健,鄭秀萍,趙立杰,等.基于頻域特征提取與信息融合的磨機(jī)負(fù)荷軟測(cè)量[J].儀器儀表學(xué)報(bào),2010,31(10):2161?2167.

    TANG Jian, ZHENG Xiuping, ZHAO Lijie, et al. Soft sensing of ball mill based on frequency domain feature extraction and information fusion [J]. Chinese journal of scientific instrument, 2010, 31(10): 2161?2167.endprint

    [3] TANG Jian, WANG Dianhui, CHAI Tianyou. Predicting mill load using partial least squares and extreme learning machines [J]. Soft computing, 2012, 16(9): 1585?1594.

    [4] 湯健,柴天佑,趙立杰,等.基于振動(dòng)頻譜的磨礦過(guò)程球磨機(jī)負(fù)荷參數(shù)集成建模方法[J].控制理論與應(yīng)用,2012(2):184?186.

    TANG Jian, CHAI Tianyou, ZHAO Lijie, et al. Ensemble modeling for parameters of ball?mill load in griding process based on frequency spectrum of shell vibration [J]. Control theory and applications, 2012(2): 184?186.

    [5] BISHOP C M. Pattern recognition and machine learning [M]. New York: Springer, 2007: 432?443.

    [6] YU J. Multiway Gaussian mixture model based adaptive kernel partial least squares regression method for soft sensor estimation and reliable quality prediction of nonlinear multiphase batch processes [J]. Industrial and engineering chemistry research, 2012, 51(40): 13227?13237.

    [7] GRBI? R, SLI?KOVI? D, KADLEC P. Adaptive soft sensor for online prediction and process monitoring based on a mixture of Gaussian process models [J]. Computers and chemical engineering, 2013, 58(22): 84?97.

    [8] YUAN Xiaofeng, GE Zhiqiang, SONG Zhihuan. Soft sensor model development in multiphase/multimode processes based on Gaussian mixture regression [J]. Chemometrics and intelligent laboratory systems, 2014(138): 99?103.

    [9] GHAHRAMANI Z, JORDAN M I. Supervised learning from incomplete data via an EM approach [J]. Advances in neural information processing systems, 1993(6): 120?127.

    [10] KAUFMAN L, ROUSSEEUW P J. Finding groups in data: anintroduction to cluster analysis [M]. New York: John Wiley & Sons, 1990: 108?123.

    [11] MCLACHLAN G, KRISHNAN T. The EM algorithm and extensions [M]. New York: John Wiley & Sons, 2007: 105?132.

    [12] KULLBACK S. Information theory and statistics [M]. US: Courier Dover Publications, 2013: 189?207.

    [13] 周越,司剛?cè)?,曹暉,?功率譜分析在筒式鋼球磨煤機(jī)內(nèi)存煤量測(cè)量中的應(yīng)用研究[J].工業(yè)儀表與自動(dòng)化裝置,2006,35(6):21?24.

    ZHOU Yue, SI Gangquan, CAO Hui, et al. A study of the power spectrum analysis application to ball mill load measurement [J]. Industrial instrumentation & automation, 2006, 35(6): 21?24.

    [14] YU J, QIN S J. Multimode process monitoring with Bayesian inference?based finite Gaussian mixture models [J]. Aiche journal, 2008, 54(7): 1811?1829.

    [15] CHEN Xinquan, PENG Hong, HU Jingsong. K?medoids su?batitution clustering method and a new clustering validity index method [C]// Proceedings of the 6th World Congress on Intelligent Control and Automation. [S.l.]: IEEE, 2006: 5896?5900.endprint

    猜你喜歡
    多模態(tài)聚類
    基于K-means聚類的車-地?zé)o線通信場(chǎng)強(qiáng)研究
    基于DBSACN聚類算法的XML文檔聚類
    多模態(tài)話語(yǔ)中的詹姆斯·卡梅隆電影
    英語(yǔ)閱讀教學(xué)中多模態(tài)識(shí)讀能力的培養(yǎng)
    網(wǎng)絡(luò)環(huán)境下大學(xué)英語(yǔ)多模態(tài)交互式閱讀教學(xué)模式研究
    戲劇之家(2016年22期)2016-11-30 18:20:43
    多模態(tài)理論視角下大學(xué)英語(yǔ)課堂的構(gòu)建
    條紋顏色分離與聚類
    新媒體環(huán)境下多模態(tài)商務(wù)英語(yǔ)課堂教師角色定位
    基于Spark平臺(tái)的K-means聚類算法改進(jìn)及并行化實(shí)現(xiàn)
    一種層次初始的聚類個(gè)數(shù)自適應(yīng)的聚類方法研究
    视频区图区小说| 在线精品无人区一区二区三| 男女边摸边吃奶| 久久久久久久久久久免费av| 高清午夜精品一区二区三区| 国产淫语在线视频| 老女人水多毛片| 久久 成人 亚洲| 天天操日日干夜夜撸| 黑丝袜美女国产一区| 国产高清不卡午夜福利| 22中文网久久字幕| 免费av不卡在线播放| 国产熟女午夜一区二区三区 | 国产一区二区在线观看日韩| 中国美白少妇内射xxxbb| 国产伦理片在线播放av一区| 国产白丝娇喘喷水9色精品| 精品人妻一区二区三区麻豆| 中文字幕人妻熟人妻熟丝袜美| 国产伦精品一区二区三区视频9| 69精品国产乱码久久久| 日韩制服骚丝袜av| 一级二级三级毛片免费看| 天堂8中文在线网| 美女福利国产在线| 热99国产精品久久久久久7| 一本大道久久a久久精品| 春色校园在线视频观看| a级毛色黄片| 熟妇人妻不卡中文字幕| 观看免费一级毛片| 精品国产露脸久久av麻豆| 男女免费视频国产| 久久精品久久久久久噜噜老黄| 日韩中文字幕视频在线看片| 日本爱情动作片www.在线观看| 人妻人人澡人人爽人人| 亚洲精品日本国产第一区| 99热网站在线观看| 97在线视频观看| 天堂8中文在线网| 性色avwww在线观看| 亚洲国产最新在线播放| 精品卡一卡二卡四卡免费| 永久免费av网站大全| 十八禁网站网址无遮挡 | 永久免费av网站大全| av播播在线观看一区| 久久99热6这里只有精品| 精品久久久精品久久久| 少妇 在线观看| 午夜精品国产一区二区电影| 丝袜喷水一区| 亚洲成人av在线免费| 亚洲一区二区三区欧美精品| 我的女老师完整版在线观看| 校园人妻丝袜中文字幕| 国产精品嫩草影院av在线观看| 高清欧美精品videossex| 晚上一个人看的免费电影| 国产亚洲av片在线观看秒播厂| 国产午夜精品一二区理论片| 高清午夜精品一区二区三区| av福利片在线| 伦理电影免费视频| 精品一区二区三区视频在线| 新久久久久国产一级毛片| 亚洲丝袜综合中文字幕| av.在线天堂| 搡女人真爽免费视频火全软件| 国产亚洲欧美精品永久| 国产成人a∨麻豆精品| 99久久精品国产国产毛片| 国产乱来视频区| 亚洲精品一区蜜桃| 九九在线视频观看精品| 成人国产av品久久久| 蜜桃久久精品国产亚洲av| 乱人伦中国视频| 成人综合一区亚洲| 最近中文字幕2019免费版| 日韩一本色道免费dvd| 人人妻人人澡人人看| 高清av免费在线| 成人18禁高潮啪啪吃奶动态图 | 亚洲综合色惰| 日本猛色少妇xxxxx猛交久久| 亚洲精品久久午夜乱码| 最近2019中文字幕mv第一页| 国产精品久久久久久精品古装| 老熟女久久久| av有码第一页| 日本-黄色视频高清免费观看| 国内揄拍国产精品人妻在线| 国产亚洲欧美精品永久| av卡一久久| 亚洲欧美日韩卡通动漫| 一本大道久久a久久精品| 成人特级av手机在线观看| 国产精品久久久久久av不卡| 国产片特级美女逼逼视频| 亚洲精品中文字幕在线视频 | 波野结衣二区三区在线| 欧美区成人在线视频| 久久免费观看电影| www.色视频.com| 91久久精品国产一区二区三区| 精品人妻熟女av久视频| 老女人水多毛片| 大香蕉久久网| 91aial.com中文字幕在线观看| 久久精品国产自在天天线| 青青草视频在线视频观看| 99久国产av精品国产电影| 国产精品蜜桃在线观看| 在线播放无遮挡| 亚洲电影在线观看av| 人体艺术视频欧美日本| 少妇人妻久久综合中文| 午夜福利视频精品| 女的被弄到高潮叫床怎么办| 国产伦在线观看视频一区| 国产精品一区二区在线观看99| 免费播放大片免费观看视频在线观看| 久久6这里有精品| 欧美xxxx性猛交bbbb| 熟妇人妻不卡中文字幕| av有码第一页| 日本与韩国留学比较| 成人漫画全彩无遮挡| 久久久久网色| 亚洲第一av免费看| 波野结衣二区三区在线| 国产成人精品婷婷| 国产在视频线精品| 日日啪夜夜爽| 日韩熟女老妇一区二区性免费视频| 看非洲黑人一级黄片| 91久久精品国产一区二区三区| 亚洲国产色片| 青春草视频在线免费观看| 欧美日韩综合久久久久久| 亚洲精品视频女| 国产亚洲91精品色在线| 99久国产av精品国产电影| 成年av动漫网址| 大香蕉久久网| 草草在线视频免费看| 国产亚洲最大av| 国产在视频线精品| 精品亚洲成国产av| 国产有黄有色有爽视频| 极品人妻少妇av视频| 日本午夜av视频| 国产高清国产精品国产三级| 最近的中文字幕免费完整| 乱人伦中国视频| 国产精品国产av在线观看| 国产成人精品久久久久久| 最黄视频免费看| 久久午夜综合久久蜜桃| 国产乱来视频区| 国产成人精品一,二区| 亚洲成色77777| 日韩人妻高清精品专区| 大片电影免费在线观看免费| av.在线天堂| 又爽又黄a免费视频| 成人毛片60女人毛片免费| 国产精品久久久久久精品古装| 午夜91福利影院| 久久久午夜欧美精品| 亚洲精品一区蜜桃| 婷婷色av中文字幕| 精品一区在线观看国产| 亚洲精品成人av观看孕妇| 中文字幕人妻丝袜制服| 成人特级av手机在线观看| 又爽又黄a免费视频| 最近的中文字幕免费完整| 国产黄片视频在线免费观看| 精品久久久久久久久av| 成人国产麻豆网| 最新的欧美精品一区二区| 欧美激情极品国产一区二区三区 | 精品久久久精品久久久| 国产高清有码在线观看视频| 日本与韩国留学比较| 亚洲精品aⅴ在线观看| 人人妻人人爽人人添夜夜欢视频 | 热re99久久精品国产66热6| 2021少妇久久久久久久久久久| 成年av动漫网址| 人妻制服诱惑在线中文字幕| 哪个播放器可以免费观看大片| 男女国产视频网站| 妹子高潮喷水视频| 国产伦精品一区二区三区四那| 欧美精品一区二区大全| 国产精品一区二区在线不卡| 韩国高清视频一区二区三区| 国产又色又爽无遮挡免| 一级,二级,三级黄色视频| 伦理电影免费视频| 少妇熟女欧美另类| 国产高清不卡午夜福利| 欧美精品国产亚洲| a级毛色黄片| 欧美人与善性xxx| 日日啪夜夜撸| 一区二区三区乱码不卡18| 中文在线观看免费www的网站| 久久国产精品大桥未久av | 欧美xxxx性猛交bbbb| 久热这里只有精品99| 美女大奶头黄色视频| 丰满乱子伦码专区| 高清在线视频一区二区三区| 两个人的视频大全免费| 一级毛片电影观看| 久热久热在线精品观看| 亚洲成人av在线免费| 成人国产av品久久久| 在线观看美女被高潮喷水网站| 色视频www国产| 日本91视频免费播放| 日韩,欧美,国产一区二区三区| 久久99精品国语久久久| 自拍欧美九色日韩亚洲蝌蚪91 | 老女人水多毛片| 日本黄大片高清| 日韩中文字幕视频在线看片| 下体分泌物呈黄色| 国产成人一区二区在线| 欧美精品一区二区免费开放| 精品少妇内射三级| 成人综合一区亚洲| 日本色播在线视频| 亚洲欧美清纯卡通| 久久久久久久久久成人| 草草在线视频免费看| 中文字幕精品免费在线观看视频 | 久久国产精品大桥未久av | 性色av一级| 在线精品无人区一区二区三| 街头女战士在线观看网站| 亚洲情色 制服丝袜| 特大巨黑吊av在线直播| 九九在线视频观看精品| 我要看日韩黄色一级片| 久久精品国产亚洲网站| 国产精品久久久久久久电影| 九色成人免费人妻av| av女优亚洲男人天堂| 亚洲精品一二三| 久久99蜜桃精品久久| 最近手机中文字幕大全| 日韩欧美一区视频在线观看 | 国产亚洲最大av| 亚洲精品456在线播放app| a级片在线免费高清观看视频| 蜜臀久久99精品久久宅男| 成人漫画全彩无遮挡| 国产美女午夜福利| 老司机影院毛片| 黑人高潮一二区| 狂野欧美白嫩少妇大欣赏| 极品少妇高潮喷水抽搐| 在线观看av片永久免费下载| 欧美性感艳星| 欧美精品高潮呻吟av久久| 午夜福利网站1000一区二区三区| 国产精品免费大片| 欧美丝袜亚洲另类| 成人亚洲精品一区在线观看| 十分钟在线观看高清视频www | 一级黄片播放器| 80岁老熟妇乱子伦牲交| 免费观看a级毛片全部| videossex国产| 国产成人一区二区在线| 一级毛片 在线播放| 曰老女人黄片| 五月开心婷婷网| 美女国产视频在线观看| 纯流量卡能插随身wifi吗| 免费观看av网站的网址| 18禁在线播放成人免费| 涩涩av久久男人的天堂| 人妻 亚洲 视频| 国产一区二区在线观看av| 亚洲国产精品成人久久小说| 国产一区二区三区综合在线观看 | 少妇裸体淫交视频免费看高清| 亚洲精品国产av蜜桃| 国产熟女欧美一区二区| 欧美另类一区| 新久久久久国产一级毛片| 永久网站在线| 成人国产麻豆网| 欧美另类一区| 波野结衣二区三区在线| 亚洲欧美成人精品一区二区| 插逼视频在线观看| 日韩伦理黄色片| 校园人妻丝袜中文字幕| 在线亚洲精品国产二区图片欧美 | 精品久久久精品久久久| 国产欧美日韩综合在线一区二区 | 国产精品国产三级国产av玫瑰| 啦啦啦视频在线资源免费观看| 国产一级毛片在线| 午夜免费观看性视频| 国产男女超爽视频在线观看| 少妇人妻久久综合中文| 免费观看性生交大片5| 少妇 在线观看| 亚洲国产毛片av蜜桃av| 欧美激情极品国产一区二区三区 | av有码第一页| 人妻夜夜爽99麻豆av| 国产成人精品婷婷| 高清欧美精品videossex| 中文字幕制服av| 黄色配什么色好看| 亚洲国产精品999| 免费看光身美女| 亚洲国产精品一区二区三区在线| 国产亚洲5aaaaa淫片| 国产一区二区三区av在线| 99热国产这里只有精品6| 国内揄拍国产精品人妻在线| 国产精品三级大全| 99九九在线精品视频 | 纯流量卡能插随身wifi吗| 久久久国产欧美日韩av| 亚洲精品一二三| 国产欧美日韩综合在线一区二区 | 亚洲人成网站在线观看播放| 99久久中文字幕三级久久日本| 好男人视频免费观看在线| 夜夜爽夜夜爽视频| 国产极品粉嫩免费观看在线 | 亚洲av国产av综合av卡| 精品卡一卡二卡四卡免费| 另类亚洲欧美激情| 菩萨蛮人人尽说江南好唐韦庄| 久久久久国产精品人妻一区二区| 成年美女黄网站色视频大全免费 | 国产精品一区二区在线不卡| av在线老鸭窝| 婷婷色综合大香蕉| 免费观看的影片在线观看| 亚洲国产精品999| 丰满人妻一区二区三区视频av| 国产无遮挡羞羞视频在线观看| 欧美日本中文国产一区发布| 在线观看三级黄色| 亚洲av免费高清在线观看| 久久久久久久国产电影| 精品人妻熟女毛片av久久网站| 欧美日韩在线观看h| 在线观看国产h片| 人妻系列 视频| 日韩电影二区| 最近中文字幕2019免费版| 免费人妻精品一区二区三区视频| 亚洲国产欧美在线一区| 观看美女的网站| 嫩草影院入口| 婷婷色av中文字幕| 国产高清三级在线| 久久久欧美国产精品| 内射极品少妇av片p| 夜夜看夜夜爽夜夜摸| 99视频精品全部免费 在线| 五月伊人婷婷丁香| 日日爽夜夜爽网站| 日韩一区二区视频免费看| av.在线天堂| 啦啦啦中文免费视频观看日本| 午夜免费观看性视频| 十分钟在线观看高清视频www | 欧美性感艳星| 日韩视频在线欧美| 亚洲精品亚洲一区二区| 国产亚洲精品久久久com| 伊人久久精品亚洲午夜| 一级毛片电影观看| 亚洲国产精品国产精品| 一级毛片黄色毛片免费观看视频| 91久久精品国产一区二区成人| 国产免费又黄又爽又色| 国产一区二区在线观看日韩| 在线 av 中文字幕| 亚洲中文av在线| 亚洲欧洲精品一区二区精品久久久 | 国产男女内射视频| av在线老鸭窝| 国产成人91sexporn| 51国产日韩欧美| av福利片在线观看| 啦啦啦视频在线资源免费观看| 80岁老熟妇乱子伦牲交| 亚洲av.av天堂| 一级av片app| 哪个播放器可以免费观看大片| 亚洲欧美一区二区三区国产| 插逼视频在线观看| 老司机影院成人| 成人免费观看视频高清| 一区二区三区免费毛片| 内射极品少妇av片p| 亚洲国产欧美在线一区| 91成人精品电影| 亚洲精品色激情综合| 久久精品国产a三级三级三级| 99热网站在线观看| 黑人巨大精品欧美一区二区蜜桃 | 一级av片app| av免费观看日本| 97精品久久久久久久久久精品| 国产高清不卡午夜福利| 免费观看无遮挡的男女| 亚洲欧美成人精品一区二区| 黄色怎么调成土黄色| 亚洲人成网站在线观看播放| 777米奇影视久久| 九九爱精品视频在线观看| 国产精品无大码| 国产精品一区www在线观看| 夫妻性生交免费视频一级片| 乱码一卡2卡4卡精品| 中文欧美无线码| 国产片特级美女逼逼视频| 黄色一级大片看看| 国产高清国产精品国产三级| 成人综合一区亚洲| 亚洲国产欧美在线一区| 热99国产精品久久久久久7| 国产精品一区二区在线观看99| 久久午夜综合久久蜜桃| 美女中出高潮动态图| 女人精品久久久久毛片| 高清不卡的av网站| 国产又色又爽无遮挡免| 亚洲精品国产色婷婷电影| 亚洲丝袜综合中文字幕| 女人精品久久久久毛片| 乱人伦中国视频| 久久精品国产自在天天线| 亚洲av综合色区一区| 国产 一区精品| 国产日韩欧美视频二区| 久久久亚洲精品成人影院| 国产片特级美女逼逼视频| 久久av网站| 我要看日韩黄色一级片| kizo精华| 91久久精品国产一区二区成人| 欧美日本中文国产一区发布| 天美传媒精品一区二区| 亚洲精品一二三| 极品人妻少妇av视频| 久久精品国产a三级三级三级| 国产极品粉嫩免费观看在线 | 观看av在线不卡| 啦啦啦啦在线视频资源| 寂寞人妻少妇视频99o| 亚洲人与动物交配视频| 亚洲一区二区三区欧美精品| 91久久精品国产一区二区成人| 欧美成人午夜免费资源| 亚洲av男天堂| 观看免费一级毛片| 黑人猛操日本美女一级片| 日韩视频在线欧美| 精品午夜福利在线看| 精品99又大又爽又粗少妇毛片| av播播在线观看一区| 亚洲成人一二三区av| 22中文网久久字幕| 啦啦啦视频在线资源免费观看| 国产av国产精品国产| 丝袜喷水一区| 亚洲精品色激情综合| 亚洲国产毛片av蜜桃av| av又黄又爽大尺度在线免费看| 国产成人午夜福利电影在线观看| 国产高清有码在线观看视频| 高清午夜精品一区二区三区| av国产久精品久网站免费入址| 久久婷婷青草| 2018国产大陆天天弄谢| 男女无遮挡免费网站观看| 亚洲av男天堂| 久久久久久久久久久丰满| 日韩制服骚丝袜av| 欧美日韩亚洲高清精品| 91久久精品国产一区二区成人| 人妻少妇偷人精品九色| 熟女电影av网| 2021少妇久久久久久久久久久| 永久网站在线| 春色校园在线视频观看| 色94色欧美一区二区| 精品国产国语对白av| 久久久久久久久久人人人人人人| 精品国产一区二区三区久久久樱花| 偷拍熟女少妇极品色| 精品一区二区三卡| 少妇人妻 视频| 国产中年淑女户外野战色| 欧美最新免费一区二区三区| 日韩 亚洲 欧美在线| 黄色一级大片看看| 亚洲av男天堂| 精品久久久久久久久亚洲| 国模一区二区三区四区视频| 观看美女的网站| 97在线视频观看| 一级毛片电影观看| 一本大道久久a久久精品| 欧美老熟妇乱子伦牲交| 亚洲天堂av无毛| 一本一本综合久久| 国产淫语在线视频| 国产精品偷伦视频观看了| 六月丁香七月| 国产日韩欧美在线精品| 哪个播放器可以免费观看大片| 一本久久精品| 熟女av电影| 九九久久精品国产亚洲av麻豆| 亚洲成人一二三区av| 午夜福利在线观看免费完整高清在| 搡老乐熟女国产| 久久久国产欧美日韩av| 欧美精品一区二区大全| 青青草视频在线视频观看| av卡一久久| 成人特级av手机在线观看| 中文字幕免费在线视频6| 天天躁夜夜躁狠狠久久av| 麻豆乱淫一区二区| 黄色日韩在线| 热99国产精品久久久久久7| 80岁老熟妇乱子伦牲交| 美女国产视频在线观看| 99九九线精品视频在线观看视频| 18+在线观看网站| 国产亚洲欧美精品永久| 久热这里只有精品99| 99久久精品热视频| 少妇的逼水好多| 久久久久久伊人网av| 国产91av在线免费观看| 成人二区视频| 国产欧美日韩综合在线一区二区 | 你懂的网址亚洲精品在线观看| 日本猛色少妇xxxxx猛交久久| 3wmmmm亚洲av在线观看| 一区二区三区乱码不卡18| 看免费成人av毛片| 一级a做视频免费观看| 国产精品蜜桃在线观看| 国产免费一级a男人的天堂| 91久久精品国产一区二区三区| 99九九在线精品视频 | √禁漫天堂资源中文www| 丝瓜视频免费看黄片| 国产亚洲精品久久久com| 国产亚洲av片在线观看秒播厂| 国产精品久久久久久久电影| 国产综合精华液| h视频一区二区三区| 国产欧美日韩综合在线一区二区 | 全区人妻精品视频| 精品人妻偷拍中文字幕| 免费av中文字幕在线| 最近2019中文字幕mv第一页| 美女脱内裤让男人舔精品视频| 最近手机中文字幕大全| 老司机亚洲免费影院| 免费人成在线观看视频色| 精品一区在线观看国产| 成人综合一区亚洲| 欧美国产精品一级二级三级 | 亚洲国产精品一区三区| 高清在线视频一区二区三区| 91午夜精品亚洲一区二区三区| 99九九在线精品视频 | 99热国产这里只有精品6| 97精品久久久久久久久久精品| a级毛片在线看网站| 亚洲婷婷狠狠爱综合网| 人人妻人人看人人澡| www.色视频.com| 国产乱来视频区| 哪个播放器可以免费观看大片| 国产成人aa在线观看| 久久99精品国语久久久| 国产美女午夜福利| 国产精品成人在线| 少妇 在线观看| 亚洲熟女精品中文字幕| 简卡轻食公司| 免费观看av网站的网址| 黄色毛片三级朝国网站 | 丰满人妻一区二区三区视频av| 狠狠精品人妻久久久久久综合| 99久久精品热视频| 亚洲国产欧美日韩在线播放 | 亚洲精品久久午夜乱码|