کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7104335 1460339 2018 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Weighted random forests for fault classification in industrial processes with hierarchical clustering model selection
ترجمه فارسی عنوان
جنگل های تصادفی وزن ای برای طبقه بندی گسل در فرایندهای صنعتی با انتخاب مدل خوشه بندی سلسله مراتبی
کلمات کلیدی
خوشه بندی سلسله مراتبی، جنگل های تصادفی وزن یادگیری گروهی انتخاب مدل، طبقه بندی گسل،
موضوعات مرتبط
مهندسی و علوم پایه مهندسی شیمی تکنولوژی و شیمی فرآیندی
چکیده انگلیسی
In this paper, a hierarchical clustering selection based weighted random forests scheme is proposed for fault classification in complex industrial processes. Model diversity and the strength of each model are deemed to be two key issues for the performance of ensemble learning method. To improve the diversity between classification trees and the performance of individual classification trees in random forests, the hierarchical clustering method is applied for offline model selection in random forests, which can simultaneously reduce the online fault classification complexity. Meanwhile, the weighted voting rule is used in random forests instead of majority voting, in order to boost the good performance models and weaken the bad ones. Detailed comparative studies between proposed method and conventional methods have been carried out through the Tennessee Eastman (TE) benchmark process.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Process Control - Volume 64, April 2018, Pages 62-70
نویسندگان
, ,