Vol.18 No.2 郑德玲等：神经网络专家系统的状态识别，知识表示和求解策略 .159. (2)原始资料处理因18个特征量纲不同，需进行标准化.通过欧氏距离计算，然后用标 准差标准化方法计算标准化后的资料阵 (3)特征矩阵的线性降维映射利用原有各特征去构造一批新特征， 1.2降维映射 (1)主要成分分析计算 原始资料矩阵已知，有N个样品，18个特征. ①求出原有特征的协方差矩阵S, S=[S,118n S=(W-I(化-XX:-X)X,为分别为第i,j个特征均值 (1) ②求出S.的全部特征值1，12，…1，和对应的特征向量U1,U2,,Un按降序排序，即11， 2,…,元n(n=1,2,…,18). ③定义第i个主要成分Y,的方差贡献率为： 元/(0，+12+…+2n) m个主要成分y,2,,y的累计方差贡献率为： (21+12+…+1m)/1,+12+…+1n) 当前m个主要成分的累计方差贡献率足够大就可只取前m个主要成分作为特征. (2)线性降维映射 将炉子的热工状况分为6类，对应有6类样本，设为A1,A2,,A6,样品数为N,N2,·,N。· 它们的均值为X,X2,…,X(=1,2,·,18).由式(1)算出S,S2,,S6 ①将A,类样品的均值变为0，即将原点移到A,的均值处 Xk=Xk=[X,-Xlk、 (2) X:k=1,2,…,6为6类样品的原始资料矩阵；i=1,2,,n;j=1,2,,18. ②对A,类样品进行白化变换 即求S4的特征向量转置矩阵V,和以特征值为对角线元素的对角矩阵C4,并对6类 样品同时做变换： Yk=Cw2A,V41X(k=1,2,…,6) (3) 这时A经变换后的协方差矩阵变为S4=L,A2~A6对应的协方差矩阵为S2wS,…,S6A ③构造新的资料矩阵M: M=[vlylyalyslyolS24-IS3-IS-ISs-IS-n (4) ④求M的协方差矩阵S. ⑤进行主要成分分析， 通过计算出的特征值可以看出，前10个特征值累计方差贡献率已达到88.3%，这样便 形成了线性降维映射矩阵U. 13分类判别 本系统采用了改进的连续亨明方法.郑德玲等 神经 网络专家系 统的状态 识别 、 知识表示 和求解策略 · · 原始资料处理 因 个特征量纲不同 ， 需进行标准化 通过欧氏距离计算 ， 然 后 用 标 准差 标准化方法计算标 准化后 的资料 阵 特 征矩 阵的线性 降维 映射 利用 原有 各特 征去 构造一批新特 征 降维映射 主要 成分 分析计算 原始 资料矩 阵已 知 ， 有 个样 品 ， 个特 征 ① 求 出原有特征 的协方差矩 阵 又 ‘ ， ， 人 凡一 一 ‘嗯以 一 刀 厂 ， 戈 ， 不分别 为第 ‘ ， ，个特征均值 ② 求 出 二 的全部特征值 又 ， 又 ，… 又 ， ， 和对应的特征 向量 ， ，矶 ，二 、认 按降序抖游 ， 即 义 ， 又 ， … ， 又 。 ， ， … ， ③ 定 义第 个 主要 成分 ‘ 的方差 贡 献率 为 又‘ 又 又 … 又 。 个 主要 成分 ， 儿 ， … ， 入 的累计方差 贡 献率 为 又 ， 又 … 又。 以 ， 又 … 义 。 当前 ， 个 主要 成分 的累计方 差贡献率足够大就 可 只取前 。 个主要成分作为特征 线性 降维映射 将炉 子 的热工状况分 为 类 ， 对应有 类样本 ， 设 为 ， ， ，… ， 。 ， 样 品 数 为 ，，从 ， … ，从 它们 的均值 为 城 ， ， 又 ， ， … ， 风 ，仃一 ， ， … ， 由式 算出 况 ，， 又， … ， 凡 · ① 将 ， 类样 品的均值变 为 ， 即将原点移 到 ， 的均值处 二 戈 』 戈 ， 一 戈 ， 、 戈 ，，… ， 为 类样 品的原始 资料矩 阵 ， ， 二 ， ， ， … ， ② 对 类样 品进行 白化变换 即求 ， 的特 征 向量 转 置 矩 阵 屹 ，和 以 特 征 值 为 对角 线元 素 的对角矩 阵 ， 并 对 类 样 品 同时做变换 玖 ’ ，叽 戈 二 ， ，… ， 这 时 经 变换后 的协方 差矩 阵变 为 凡 ， ， 一 。 对应 的协方差矩 阵为 ， 、 ，… ， 凡 ③ 构造新 的资料 矩 阵 沙 夕 夕 夕 夕 ， 一 ， 一 ， 一 ， 一 ， 一 月 ④ 求 的协方 差矩 阵 进行 主要 成 分分 析 通过计算 出的特征值 可 以看 出 ， 前 个特 征 值 累计 方 差 贡 献 率 已 达 到 ， 这 样 便 形 成 了线性 降维 映射矩 阵 分类判别 本 系 统采用 了改进 的连续 亨 明方 法