VoL23 No.2 徐正光等：基于统计空间映射的模式识别及在线质量推断 ·183 判别准则D,ZJ)=minD(x,ZU) 使用44组样本中的前35个样本在产品质 (3)将在特征空间获取的特征变量样本代入 量空间进行聚类，初始聚类中心设为20个，经 判别函数，完成特征空间的样本分类 聚类得到25个关于产品质量空间的类别及相 应的类别中心.将产品质量空间的聚类结果映 4仿真研究 射回特征空间，在特征空间使用44组样本中剩 实验在唐钢烧结厂提取了9个烧结机参数 余的9个样本进行分类，其中8个分类正确，1 作为反映烧结机生产工况的特征变量，构成特 个分类错误，识别率达到89%. 征空间.同时记录了与其相对应时刻的烧结矿 的3个产品质量：氧化亚铁FeO含量；转鼓指 5 结论 数SO,碱度R,用来构成产品质量空间. 复杂生产过程控制的根本目的是为了保证 将3个产品质量作为因变量，表示为y,, 产品的质量，从这一新概念出发，论证了复杂生 y,9个特征变量作为解释变量，表示为x,,x, 产过程的工况与产品质量之间存在着的一种相 x,x,x,,x,,分别来考虑9个解释变量对每 随变化的统计关系，但不能用数学模型来描述. 个因变量的影响关系.应用回归分析方法，得到 在这一基础上提出了基于统计空间映射的模式 关于产品质量与特征变量的3个回归模型为： 识别方法，通过仿真验证了该方法的正确性.该 FeO含量 方法同时也是一种复杂生产过程的在线质量推 y=0.000616x1-0.001755x+0.002748x3- 断方法.我们下一步将给出动态模式识别的新 0.000193x4-2.063111x5-0.000082x6+ 的定义，并完成基于动态模式识别的模式类预 0.000511x-0.000245x+0.012093x (9) 测模型. ISO 参考文献 y=-0.002633x+0.022193x2+0.004074x+ 1李金宗，模式识别导论.北京：高等教育出版社，1994 0.002931x4-7.220137x+0.008138x6- 2周纪芗.回归分析.上海：华东师范大学出版社，1993 0.002841x,+0.004316xg+0.102647x (10) 3任若恩，王惠文，多元统计分析一理论、方法、实 R 例.北京：国防工业出版社，1997 4盟寿德.智能自动化的模式识别方法.北京科技大学 y=-0.007545x1-0.002984x2-0.001086x+ 学报，1998,22(2)：385 0.005735x4+9.032436x+0.001972x6+ 0.005535x7-0.006256xg-0.162582x (11) A Pattern Recognition Method based on Statistical Mapping Space XU Zhengguang, WANG Haitao, OU Shoude Information Engineering School,UST Beijing,Beijing 100083,China ABSTRACT The statistical relationship between feature vector and quality index is built by regress analysis and then the quality index is expressed to the regress function of feature vector.By this means,a statistical ma- pping relation between in feature space and quality index space is built and a online pattern recognition method based on the statistical mapping space is provided through the clustering in quality space and classification in feature space.The validity of the method is verified by the simulation results of the data from Sinter factory of Tangshan Steel Corporation.From the algorithm analysis and simulation results,this method can effectively overcome the pattern intercross and can be used for complex production process quality online prediction. KEY WORDS complex production process;pattern recognition;statistical space mappingV七L 2 3 N o . 2 徐 正光等 : 基于 统计 空 间映射 的模式识 别及 在线 质量 推断 . 18 3 - 判 别准则 D 伪 , 写x(J ) =nI i nD xk( , 乙x(J .) (3 )将在特征空间获取的特征变量样本代人 判别 函数 , 完成特征空 间的样 本分类 . 4 仿真研究 实验在唐钢烧结厂提取 了 9 个烧结机参数 作为反映烧结 机生产工况 的特征变量 , 构成特 征空 间 . 同时记录 了与其相对应 时刻的烧结矿 的 3 个产 品质量 : 氧化亚铁 eF o 含量 ; 转鼓指 数 15 0 , 碱度 R , 用来 构成产 品质 量空间 . 将 3 个产 品质量作 为因变量 ,表示 为 yl ,儿 , 乃 , 9 个 特征变量作 为解 释变量 , 表示 为x l , 丸 , xs, 为 , 凡 , 石 ,为 , 石 , 两 , 分别来 考虑 9 个解释变量对每 个 因变量的影响关 系 . 应用回 归分析方法 , 得到 关 于产 品质量与特征变量 的 3 个 回 归模型 为 : F e o 含 量 y l = 0 . 0 0 0 6 1 x6 , 一 0 . 0 0 1 7 5 5 x 2+ 0 . 0 0 2 7 4阮一 0 . 0 0 0 1 9 3X4 一 2 . 0 6 3 l l l x s 一 0 . 0 0 0 0 8 2 x ` + 0 . 0 0 0 5 1 1为一 0 . 0 0 0 2 4 xs5 + 0 . 0 12 0 9 3两 (9 ) 15 0 y 厂一 0 . 0 0 2 6 3 3 x ,+ 0 . 0 2 2 19 3丸+ 0 . 0 0 4 0 7 xs4 + 0 . 0 0 2 9 3 1为一 7 . 2 2 0 1 3 7 x ,+ 0 . 0 0 8 13歇 6 一 0 . 0 0 2 8 4 1 x , + 0 · 0 0 4 3 1 xs6 + 0 . 10 2 64 x79 ( 10 ) R y3 = 一 0 . 0 0 7 5 4 5 x , 一 0 . 0 0 2 9 8x4 2一 0 . 0 0 1 0 8 x6 ,+ 0 . 0 0 5 7 3 5 x 4+ 9 . 0 3 2 4 3 x6 5+ 0 . 0 0 1 9 7 x2 `+ 0 . 0 0 5 5 3 5 x ,一 0 . 0 0 6 2 5 6 x . 一 0 . 16 2 5 8 2x , ( 1 1) 使用 4 组样本 中的前 35 个样本 在产 品质 量空 间进行 聚类 , 初始 聚类 中心设为 20 个 , 经 聚类得 到 25 个 关于产 品质量空 间的类别及相 应 的类别 中心 . 将产品质量空 间的聚类结果映 射 回特征空 间 , 在特征空间使用 科 组样本 中剩 余 的 9 个样本进 行分类 , 其中 8 个分 类正确 , 1 个分类错误 , 识 别率达到 89 % 5 结论 复杂生产过程控制 的根本 目的是为 了保证 产 品的质量 , 从这一新概念 出发 , 论证 了 复杂生 产过程 的工况与产品质量之间存在着 的一种相 随变化 的统计关 系 , 但不能用数学模 型来描述 . 在这一基础上提出了基 于统计空 间映射 的模式 识别方法 , 通过仿 真验证了该方法的正确性 . 该 方法 同时也是一种复杂生产过程 的在线质量推 断方 法 . 我们下一 步将 给 出动态模式 识别 的新 的定 义 , 并完成基 于动态模式识别 的模式类预 测模 型 . 参 考 文 献 1 李金 宗 . 模式识别导 论 . 北京: 高等教育出版社 , 19 94 2 周纪 萝 . 回归分析 . 上海:华东师范大学出版社 , 19 93 3 任 若恩 , 王 惠文 . 多元统计分析— 理论 、 方法 、 实 例 . 北京 : 国防工 业出版社 , 1 9 7 4 霍寿德 . 智能自动化的模式识别方 法 . 北京科技大学 学报 , 19 98 , 2 2 ( 2) : 38 5 A P at e nr R e e o g n it i o n M e ht o d b a s e d on S t at i s ti c a 1M ap P in g S P a e e 了U hZ 环月刃G 月乞iat o , QU hS o u de I n fo n u iat o n E n g l n e . r in g S c b o l , U S T B e ij ign , B e ij ign 10 0 0 83 , C h in a A B S T R A C T Th e s at i ist c al er lat i o n s h iP b e wt e en fe a t 珍e ve c otr an d q u a 】iyt in de x 1 5 加ilt by r e gr e s s an aly s i s a n d ht e n het q u a l iyt in d e x 1 5 e x Per s s e d t o het er g6r s s 丘nI e it o n o f fe a it ir e v e e ot r’ B y 而s m e an s , a s at i s it e al ma - P Pign r e liat o n b e t w e e n in fe a t ur e sP ac e an d q u a 1 iyt in d e x sP a c e i s b u iit an d a o ul ien Pat em er e o gn it 1on m e ht o d b as e d on ht e s at i ist e a l m aP Pi n g sP ac e 1 5 P r o v ide d htr o u hg het e in s t e r in g in q u a l iyt sP ac e an d e l a s s iif c iat on in fe a t u r e sP a e e . T h e v al id iyt o f ht e m het od 1 5 ve ir if e d by ht e s lm u liat on er s u lst o f het d at a fr o m S int er fa c t o yr o f T a n g s h an S et e l C o rp or at ion . F r o m ht e a l g o ir t hln an a 】y s i s an d s 加u l iat on er s u lt s , ht i s m e ht o d e an e fe e t i v e ly O V e r c om e ht e Pa t e m iin ecr or s s an d c an b e u s e d for c o m Plex Pr o du c it on P r o e e s s q ua l iyt Oul i n e Pr e id e it on . K E Y W O R D S e o m P lex rP o d u c t ion Por e e s s : Pa t e m er e o gn it i o n : s枉吐ist i e a l s P a e e m a P Pi n g