• <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
    久久精品国产鲁丝片午夜精品| 日本欧美视频一区| 国产又爽黄色视频| 人体艺术视频欧美日本| 日韩不卡一区二区三区视频在线| 9色porny在线观看| 少妇熟女欧美另类| 尾随美女入室| 91aial.com中文字幕在线观看| 日本猛色少妇xxxxx猛交久久| 一区二区三区四区激情视频| 久久久久网色| 中文字幕制服av| 精品亚洲成国产av| 免费看av在线观看网站| 欧美日韩亚洲高清精品| 熟女av电影| 亚洲欧美精品自产自拍| 免费久久久久久久精品成人欧美视频 | 亚洲 欧美一区二区三区| 大陆偷拍与自拍| 色网站视频免费| 国产永久视频网站| 亚洲av男天堂| 人人澡人人妻人| videossex国产| 午夜激情av网站| 国产免费又黄又爽又色| 国产成人精品无人区| 最新中文字幕久久久久| 精品国产国语对白av| 在线亚洲精品国产二区图片欧美| av有码第一页| 亚洲伊人久久精品综合| 精品久久久精品久久久| 免费少妇av软件| 肉色欧美久久久久久久蜜桃| 久久久国产一区二区| 亚洲四区av| 久久久a久久爽久久v久久| 熟女电影av网| 国产成人精品婷婷| 亚洲人与动物交配视频| 欧美激情国产日韩精品一区| 国产 一区精品| 两个人看的免费小视频| 飞空精品影院首页| 日韩,欧美,国产一区二区三区| av播播在线观看一区| 久久热在线av| 在线观看www视频免费| 97超碰精品成人国产| 亚洲精品自拍成人| 日本av手机在线免费观看| 在线观看www视频免费| 深夜精品福利| 一区在线观看完整版| 免费观看性生交大片5| 蜜桃国产av成人99| 免费av不卡在线播放| 成人国产麻豆网| av卡一久久| 自线自在国产av| 亚洲中文av在线| 久久久久精品久久久久真实原创| 一区二区三区乱码不卡18| 新久久久久国产一级毛片| 欧美最新免费一区二区三区| 女人精品久久久久毛片| 亚洲欧美中文字幕日韩二区| 国产伦理片在线播放av一区| 日本午夜av视频| 久久99热这里只频精品6学生| 蜜桃国产av成人99| 五月开心婷婷网| 成人国产麻豆网| 好男人视频免费观看在线| 男女午夜视频在线观看 | 国产老妇伦熟女老妇高清| 日本欧美视频一区| 国产黄色免费在线视频| 最近中文字幕高清免费大全6| 女人被躁到高潮嗷嗷叫费观| 国产白丝娇喘喷水9色精品| 99热国产这里只有精品6| 91精品国产国语对白视频| 精品99又大又爽又粗少妇毛片| 看免费成人av毛片| 18禁裸乳无遮挡动漫免费视频| 欧美国产精品va在线观看不卡| 国产成人精品一,二区| 高清黄色对白视频在线免费看| 午夜激情久久久久久久| 国产成人aa在线观看| 国产精品人妻久久久久久| 国产精品成人在线| 日日爽夜夜爽网站| 欧美97在线视频| 欧美精品一区二区大全| 青青草视频在线视频观看| 国产一级毛片在线| 熟女电影av网| 在线观看国产h片| 欧美丝袜亚洲另类| 亚洲一码二码三码区别大吗| 国产综合精华液| 黄色 视频免费看| 成人亚洲精品一区在线观看| 少妇人妻 视频| 久久午夜福利片| 久久久a久久爽久久v久久| 纵有疾风起免费观看全集完整版| 青青草视频在线视频观看| 国产欧美日韩一区二区三区在线| 欧美xxⅹ黑人| 美女xxoo啪啪120秒动态图| 亚洲成人一二三区av| 黄色一级大片看看| 日韩不卡一区二区三区视频在线| a 毛片基地| 热99久久久久精品小说推荐| 日本色播在线视频| 精品国产国语对白av| 国产又爽黄色视频| 哪个播放器可以免费观看大片| 久久韩国三级中文字幕| 久久婷婷青草| 婷婷色综合大香蕉| 春色校园在线视频观看| 中国美白少妇内射xxxbb| 免费观看a级毛片全部| 国产精品久久久久久av不卡| 在线观看免费视频网站a站| 只有这里有精品99| 午夜老司机福利剧场| 国产精品国产三级专区第一集| 国产精品无大码| 在线观看国产h片| 久久热在线av| 9191精品国产免费久久| 一区二区三区乱码不卡18| 亚洲国产欧美日韩在线播放| 久久久久久久亚洲中文字幕| 五月开心婷婷网| 日本与韩国留学比较| 22中文网久久字幕| 国产精品无大码| 免费播放大片免费观看视频在线观看| 国产又爽黄色视频| av黄色大香蕉| 99国产综合亚洲精品| 日本vs欧美在线观看视频| 久久午夜综合久久蜜桃| 亚洲 欧美一区二区三区| 另类精品久久| 色5月婷婷丁香| 蜜臀久久99精品久久宅男| 精品久久国产蜜桃| 国产精品99久久99久久久不卡 | 91aial.com中文字幕在线观看| 成人国语在线视频| av国产精品久久久久影院| 一边摸一边做爽爽视频免费| 国产免费又黄又爽又色| 美女脱内裤让男人舔精品视频| 观看av在线不卡| 两个人看的免费小视频| 亚洲精品第二区| 日韩电影二区| 亚洲第一区二区三区不卡| 亚洲伊人久久精品综合| 高清不卡的av网站| 欧美3d第一页| 国产毛片在线视频| 女人精品久久久久毛片| 亚洲精品中文字幕在线视频| 国产免费一级a男人的天堂| 人人澡人人妻人| 精品亚洲成a人片在线观看| av网站免费在线观看视频| 人人妻人人添人人爽欧美一区卜| 成年女人在线观看亚洲视频| 亚洲av男天堂| 欧美成人精品欧美一级黄| 精品熟女少妇av免费看| 国精品久久久久久国模美| 国产日韩欧美在线精品| 黄片无遮挡物在线观看| 91精品国产国语对白视频| 免费人成在线观看视频色| av免费观看日本| 久久国内精品自在自线图片| 国产欧美亚洲国产| 国产高清国产精品国产三级| 一个人免费看片子| 日韩中字成人| 三级国产精品片| 夫妻性生交免费视频一级片| 黑人欧美特级aaaaaa片| 久久国产精品男人的天堂亚洲 | av黄色大香蕉| 五月伊人婷婷丁香| 国产黄色视频一区二区在线观看| 最近中文字幕2019免费版| 一级毛片电影观看| 又黄又爽又刺激的免费视频.| av播播在线观看一区| 婷婷色综合www| 人人妻人人爽人人添夜夜欢视频| 国产男女内射视频| 国产乱人偷精品视频| 国产精品 国内视频| 高清不卡的av网站| 午夜免费观看性视频| 久久精品国产自在天天线| 黄色视频在线播放观看不卡| 九九在线视频观看精品| 黄色毛片三级朝国网站| 人妻一区二区av| 亚洲成国产人片在线观看| 激情视频va一区二区三区| 香蕉丝袜av| 丰满迷人的少妇在线观看| 精品人妻一区二区三区麻豆| 欧美人与性动交α欧美精品济南到 | 亚洲一级一片aⅴ在线观看| 欧美日韩视频高清一区二区三区二| 精品一区二区三区四区五区乱码 | 激情五月婷婷亚洲| 午夜福利影视在线免费观看| 精品人妻一区二区三区麻豆| 99视频精品全部免费 在线| 我的女老师完整版在线观看| av电影中文网址| 蜜桃在线观看..| 大香蕉久久成人网| 美女xxoo啪啪120秒动态图| 亚洲精品中文字幕在线视频| 国产在线免费精品| www.色视频.com| 久久 成人 亚洲| 国产欧美日韩一区二区三区在线| 日韩熟女老妇一区二区性免费视频| 夫妻午夜视频| 亚洲欧美色中文字幕在线| 成人手机av| av不卡在线播放| 亚洲精品美女久久久久99蜜臀 | 欧美激情国产日韩精品一区| av一本久久久久| 国产亚洲av片在线观看秒播厂| 国产黄频视频在线观看| 黄色视频在线播放观看不卡| 最近中文字幕2019免费版| 综合色丁香网| 18+在线观看网站| 日日撸夜夜添| 女人被躁到高潮嗷嗷叫费观| 日本av免费视频播放| 亚洲精品日本国产第一区| 久久久久国产网址| 免费大片18禁| 熟女av电影| 啦啦啦在线观看免费高清www| 亚洲国产成人一精品久久久| 欧美精品一区二区免费开放| 少妇熟女欧美另类| 日韩人妻精品一区2区三区| 国产免费一区二区三区四区乱码| 精品人妻熟女毛片av久久网站| 亚洲欧洲日产国产| 精品一区二区三卡| av又黄又爽大尺度在线免费看| 丝袜在线中文字幕| 亚洲精品,欧美精品| av女优亚洲男人天堂| 欧美日韩综合久久久久久| 黄片播放在线免费| 午夜福利,免费看| 日韩av免费高清视频| 飞空精品影院首页| 成人免费观看视频高清| 成人免费观看视频高清| 少妇的逼水好多| 成年美女黄网站色视频大全免费| 欧美日韩视频精品一区| 欧美国产精品一级二级三级| 欧美精品亚洲一区二区| 人人妻人人爽人人添夜夜欢视频| 免费播放大片免费观看视频在线观看| 美女国产高潮福利片在线看| 亚洲精品一二三| 欧美bdsm另类| 2021少妇久久久久久久久久久| 亚洲人成网站在线观看播放| 婷婷色综合大香蕉| 国产亚洲精品久久久com| 久久久欧美国产精品| 一区在线观看完整版| 日韩欧美精品免费久久| 美女中出高潮动态图| 亚洲色图 男人天堂 中文字幕 | 国产乱来视频区| 90打野战视频偷拍视频| 在线观看免费高清a一片| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 色哟哟·www| 国产色爽女视频免费观看| 国产精品秋霞免费鲁丝片| 久久精品久久久久久久性| 日韩一本色道免费dvd| 高清欧美精品videossex| 亚洲人成77777在线视频| 亚洲,一卡二卡三卡| 欧美人与善性xxx| av天堂久久9| 精品视频人人做人人爽| 777米奇影视久久| 精品亚洲乱码少妇综合久久| 久久久久精品久久久久真实原创| 精品99又大又爽又粗少妇毛片| 制服诱惑二区| 香蕉精品网在线| 街头女战士在线观看网站| 亚洲欧美一区二区三区国产| 天天操日日干夜夜撸| av电影中文网址| 国产成人精品在线电影| 大片免费播放器 马上看| 十八禁网站网址无遮挡| 亚洲欧美日韩卡通动漫| 欧美激情国产日韩精品一区| 校园人妻丝袜中文字幕| www.av在线官网国产| 国产成人av激情在线播放| 国产成人午夜福利电影在线观看| 一级毛片电影观看| 考比视频在线观看| 亚洲欧洲日产国产| 欧美97在线视频| 我的女老师完整版在线观看| 午夜影院在线不卡| 九色成人免费人妻av| 少妇精品久久久久久久| 亚洲精品乱久久久久久| 欧美97在线视频| 啦啦啦在线观看免费高清www| 国产精品久久久av美女十八| 日韩中文字幕视频在线看片| 国产又爽黄色视频| av黄色大香蕉| 这个男人来自地球电影免费观看 | 最后的刺客免费高清国语| 久久精品人人爽人人爽视色| 美女内射精品一级片tv| 人人妻人人澡人人爽人人夜夜| 国产亚洲午夜精品一区二区久久| 如何舔出高潮| 欧美日韩一区二区视频在线观看视频在线| 亚洲av中文av极速乱| 国产av国产精品国产| 91成人精品电影| 久久久久久久久久久久大奶| 伦理电影免费视频| 欧美丝袜亚洲另类| 免费女性裸体啪啪无遮挡网站| 国产精品免费大片| 飞空精品影院首页| 欧美日韩一区二区视频在线观看视频在线| 男女高潮啪啪啪动态图| 久久久久久人妻| 久久久久久久久久久久大奶| 国产成人a∨麻豆精品| av视频免费观看在线观看| 久久久久久伊人网av| 日韩 亚洲 欧美在线| 国产男女超爽视频在线观看| 国产视频首页在线观看| 在线观看人妻少妇| 亚洲熟女精品中文字幕| 久久久精品区二区三区| 国产白丝娇喘喷水9色精品| 日韩中文字幕视频在线看片| 婷婷色av中文字幕| 精品福利永久在线观看| 美女内射精品一级片tv| 日本免费在线观看一区| 成年人午夜在线观看视频| 边亲边吃奶的免费视频| 欧美xxxx性猛交bbbb| 亚洲精品自拍成人| 超碰97精品在线观看| 午夜av观看不卡| 妹子高潮喷水视频| 免费播放大片免费观看视频在线观看| 极品少妇高潮喷水抽搐| 日韩三级伦理在线观看| 久久婷婷青草| 亚洲欧洲精品一区二区精品久久久 | 男女高潮啪啪啪动态图| 欧美人与善性xxx| 免费观看性生交大片5| 亚洲中文av在线| 精品卡一卡二卡四卡免费| 插逼视频在线观看| 美女国产高潮福利片在线看| 汤姆久久久久久久影院中文字幕| 999精品在线视频| av福利片在线| 丁香六月天网| 国产成人精品婷婷| 宅男免费午夜| 亚洲色图综合在线观看| 国产高清不卡午夜福利| 午夜福利影视在线免费观看| 亚洲av欧美aⅴ国产| 亚洲精品成人av观看孕妇| 国产黄频视频在线观看| 久久久久久人妻| 99热网站在线观看| 日韩视频在线欧美| 在线观看国产h片| 国产在线视频一区二区| 午夜福利视频精品| 永久网站在线| 狂野欧美激情性bbbbbb| 一区在线观看完整版| 免费黄网站久久成人精品| 日韩伦理黄色片| 亚洲av在线观看美女高潮| 久久久久视频综合| 赤兔流量卡办理| 青青草视频在线视频观看| av有码第一页| 2021少妇久久久久久久久久久| 伊人亚洲综合成人网| 国产精品一区www在线观看| 亚洲欧美一区二区三区黑人 | 亚洲精品久久午夜乱码| 日本欧美视频一区| 国产一区二区在线观看av| 国产成人欧美| 久久久亚洲精品成人影院| 亚洲欧美清纯卡通| 国产一区二区激情短视频 | 精品一区二区三区四区五区乱码 | 黑人巨大精品欧美一区二区蜜桃 | 啦啦啦啦在线视频资源| 永久免费av网站大全| 成人无遮挡网站| 女人久久www免费人成看片| 久久99热6这里只有精品| 男的添女的下面高潮视频| 高清欧美精品videossex| 国产高清不卡午夜福利| 91精品国产国语对白视频| 国产在线视频一区二区| 亚洲色图综合在线观看| 中文字幕另类日韩欧美亚洲嫩草| 51国产日韩欧美| 免费观看a级毛片全部| 国产乱人偷精品视频| 高清av免费在线| 亚洲性久久影院| 大片免费播放器 马上看| 亚洲av日韩在线播放| 秋霞在线观看毛片| 搡女人真爽免费视频火全软件| 欧美少妇被猛烈插入视频| 日日啪夜夜爽| 99热网站在线观看| 久久人人97超碰香蕉20202| 搡女人真爽免费视频火全软件| 国产深夜福利视频在线观看| 免费播放大片免费观看视频在线观看| 久久久久久久大尺度免费视频| 一区在线观看完整版| 如何舔出高潮| 久久精品久久久久久噜噜老黄| 久热久热在线精品观看| 成人黄色视频免费在线看| 人妻系列 视频| 亚洲精品自拍成人| 51国产日韩欧美| a级毛片在线看网站| 少妇人妻精品综合一区二区| 亚洲av国产av综合av卡| 最近2019中文字幕mv第一页| 精品人妻偷拍中文字幕| 国产精品嫩草影院av在线观看| 精品国产露脸久久av麻豆| 中文精品一卡2卡3卡4更新| 亚洲高清免费不卡视频| 亚洲在久久综合| 欧美日韩视频高清一区二区三区二| 国产免费又黄又爽又色| 国产一区二区在线观看av| 亚洲美女搞黄在线观看| 欧美人与性动交α欧美精品济南到 | 国产极品天堂在线| 中文乱码字字幕精品一区二区三区| 久久精品人人爽人人爽视色| 日韩成人av中文字幕在线观看| 深夜精品福利| 免费久久久久久久精品成人欧美视频 | 日韩电影二区| 精品一区在线观看国产| 日韩一区二区视频免费看| 一级a做视频免费观看| 热99久久久久精品小说推荐| 欧美日韩视频高清一区二区三区二| 国产精品人妻久久久久久| √禁漫天堂资源中文www| 成人综合一区亚洲| 日韩大片免费观看网站| 伊人久久国产一区二区| 日本vs欧美在线观看视频| 精品亚洲成国产av| 亚洲av福利一区| 久久国产精品男人的天堂亚洲 | 亚洲第一av免费看| av又黄又爽大尺度在线免费看| 亚洲欧美色中文字幕在线| 亚洲av福利一区| 国产免费又黄又爽又色| 黑人猛操日本美女一级片| 日韩在线高清观看一区二区三区| 校园人妻丝袜中文字幕| 成年人免费黄色播放视频| 免费观看无遮挡的男女| 久久精品人人爽人人爽视色| 99久久综合免费| 国产av码专区亚洲av| 在现免费观看毛片| 日韩人妻精品一区2区三区| 亚洲精品第二区| 国产精品国产三级专区第一集| 热re99久久精品国产66热6| 日本色播在线视频| 18禁观看日本| 国产一区二区在线观看av| 极品少妇高潮喷水抽搐| 亚洲成国产人片在线观看| 夜夜爽夜夜爽视频| 有码 亚洲区| 51国产日韩欧美| 一级,二级,三级黄色视频| 欧美成人午夜精品| 制服诱惑二区| 男人舔女人的私密视频| www.色视频.com| 国产精品麻豆人妻色哟哟久久| 啦啦啦在线观看免费高清www| 国产av一区二区精品久久| 亚洲情色 制服丝袜| 久久久久国产网址| 亚洲婷婷狠狠爱综合网| 欧美xxⅹ黑人| 人妻系列 视频| 看非洲黑人一级黄片| 内地一区二区视频在线| 一本—道久久a久久精品蜜桃钙片| h视频一区二区三区| 两个人看的免费小视频| 女人久久www免费人成看片| 一级毛片我不卡| 中文天堂在线官网| 亚洲av综合色区一区| 久久久久久伊人网av| 久久久精品免费免费高清| 国产亚洲最大av| 欧美+日韩+精品| 美女内射精品一级片tv| 天堂中文最新版在线下载| 欧美精品亚洲一区二区| 波多野结衣一区麻豆| 新久久久久国产一级毛片| 亚洲av福利一区| 亚洲三级黄色毛片| 欧美精品av麻豆av| 亚洲精品美女久久av网站| 国产精品久久久久久av不卡| 国产有黄有色有爽视频| 色婷婷久久久亚洲欧美| 最新的欧美精品一区二区| 国产精品久久久久久久久免| 日本vs欧美在线观看视频| 亚洲三级黄色毛片| 久久影院123| 亚洲精品美女久久av网站| 午夜老司机福利剧场| 美女大奶头黄色视频| 另类精品久久| 亚洲国产精品专区欧美| 久久国产精品男人的天堂亚洲 | 一区二区日韩欧美中文字幕 | 黄色 视频免费看| 国产成人免费观看mmmm| 日韩电影二区| 天堂8中文在线网| 另类亚洲欧美激情| 精品久久国产蜜桃| 日韩成人伦理影院| 国产成人a∨麻豆精品| 色94色欧美一区二区| 亚洲国产最新在线播放| 久久人妻熟女aⅴ| 免费黄色在线免费观看| 哪个播放器可以免费观看大片| 精品人妻一区二区三区麻豆| 夫妻午夜视频| 欧美日本中文国产一区发布| 最黄视频免费看| 春色校园在线视频观看| 久久人妻熟女aⅴ|