دانلود مقاله ISI انگلیسی شماره 46881
عنوان فارسی مقاله

شالوده شکنی تجزیه و تحلیل مولفه های اصلی با استفاده از چشم انداز اصلاح داده ها

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی تعداد کلمات
46881 2015 11 صفحه PDF سفارش دهید محاسبه نشده
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Deconstructing principal component analysis using a data reconciliation perspective
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Computers & Chemical Engineering, Volume 77, 9 June 2015, Pages 74–84

کلمات کلیدی
اصلاح داده ها - تجزیه و تحلیل مولفه های اصلی - شناسایی مدل - برآورد - حذف نویز
پیش نمایش مقاله
پیش نمایش مقاله شالوده شکنی تجزیه و تحلیل مولفه های اصلی با استفاده از چشم انداز اصلاح داده ها

چکیده انگلیسی

Data reconciliation (DR) and principal component analysis (PCA) are two popular data analysis techniques in process industries. Data reconciliation is used to obtain accurate and consistent estimates of variables and parameters from erroneous measurements. PCA is primarily used as a method for reducing the dimensionality of high dimensional data and as a preprocessing technique for denoising measurements. These techniques have been developed and deployed independently of each other. The primary purpose of this article is to elucidate the close relationship between these two seemingly disparate techniques. This leads to a unified framework for applying PCA and DR. Further, we show how the two techniques can be deployed together in a collaborative and consistent manner to process data. The framework has been extended to deal with partially measured systems and to incorporate partial knowledge available about the process model.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.