Identification of dynamic system additive models by KDD methods

• Autorzy: Łabęda-Grudziak Z.

Warianty tytułu

PL

Identyfikacja addytywnych modeli obiektów dynamicznych metodami odkryć wiedzy w bazach danych

• Języki publikacji: EN

Abstrakty

EN

The goal of this paper is to present a new way of knowledge discovery data (KDD) application to construct a statistical model that describes dynamic systems. This includes presentation of data mining as an iterative and adaptive process, from communication of the research problem through data collection, data preprocessing, model building, model evaluation, and finally, model deployment. The types of models discussed in this paper are in form of additive models and can be used for prediction of process outputs, for calibration, or for diagnostics purposes. The backfitting algorithm with nonparametric smoothing techniques was used for estimation of the additive model. The example of application of the methods, conclusions and remarks are presented as well. The research was carried out based on archival process data recorded in the Lublin Sugar Factory S.A.

PL

Celem niniejszej pracy jest zaprezentowanie nowego podejścia do identyfikacji modeli obiektów dynamicznych metodami odkryć wiedzy w bazach danych. W szczególności przedstawiono eksplorację danych jako proces iteracyjny i adaptacyjny, od zrozumienia uwarunkowań badawczych, przez zebranie danych, przygotowanie danych, modelowanie, ewaluację modelu do jego wdrożenia. W badaniach wykorzystano addytywny model regresji, który może posłużyć do przewidywania wartości wyjściowych procesu, kalibracji, a także w celach diagnostycznych. Do wyznaczenia parametrów modeli addytywnych zastosowano algorytm dopasowania wstecznego i nieparametryczne techniki estymacji. Badania przeprowadzono na podstawie archiwalnych danych pomiarowych zarejestrowanych w Cukrowni LUBLIN S.A.

Słowa kluczowe

EN

identification; additive model; databases; knowledge discovery data; dynamic systems

PL

identyfikacja; model addytywny; bazy danych; odkrywanie wiedzy z danych; obiekty dynamiczne

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2011
• Tom: R. 57, nr 3
• Strony: 249--252
• Opis fizyczny: Bibliogr. 10 poz., rys., tab., wzory

Twórcy

autor

Łabęda-Grudziak Z.

• Institute of Automatic Control and Robotics, Warsaw University of Technology, ul. św. Andrzeja Boboli 8, 02-525 Warszawa,

Bibliografia

• [1] Larose D. T.: Discovering Knowledge in Data: An Introduction to DATA MINING. Wiley, 2005.
• [2] Frawley W. J., Piatetsky-Shapiro G. and Matheus C.: Knowledge Discovery In Databases. AAAI Press/MIT Press, Cambridge, 1991.
• [3] Hand D., Mannila H. and Smyth P.: Principles of Data Mining. MIT Press, 2001.
• [4] Kościelny J. M.: Diagnostyka procesów przemysłowych. EXIT, Warszawa, 2001.
• [5] Korbicz J., Kościelny J. M., Kowalczuk Z., Cholewa W. (red): Diagnostyka procesów. Modele, metody sztucznej inteligencji, zastosowania. WNT, Warszawa, 2002.
• [6] Hastie T., Tibshirani R.: Generalized additive models. Chapman and Hall, 1990.
• [7] Łabęda Z. M.: Wykorzystanie addytywnego modelu regresji w eksploracyjnej analizie danych. VI Sympozjum Modelowanie i Symulacja Komputerowa w Technice, Łódź, 2008.
• [8] Łabęda Z. M.: The backfitting and marginal integration estimators for additive models. IV Konferencja Naukowo-Techniczna Doktorantów i Młodych Naukowców, Warszawa, 2009
• [9] Good P. I.: Introduction to statistics through reasampling methods and R/S-PLUS. Wiley, 2005.
• [10] Bartyś M., Syfert M.: Lublin Sugar Factory data description, http://diag.mchtr.pw.edu.pl/pub/diamadics/Lublin/damadics-lublin-data-description-v02March2002.zip, 2002.