
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于不确定性驱动的在线深度集成方法,用于处理不平衡数据流中的回归问题
《IEEE Transactions on Industrial Informatics》:Uncertainty-Driven Online Deep Ensemble for Imbalanced Drifting Data Stream Regression
【字体: 大 中 小 】 时间:2026年01月13日 来源:IEEE Transactions on Industrial Informatics 9.9
编辑推荐:
概念漂移与数据不平衡协同作用的工业流数据处理难题,提出不确定性驱动在线深度集成框架UODEF,通过动态权重调整与自适应过采样技术有效应对循环漂移和样本偏态问题,在柴油加氢精制真实数据集上验证优于现有方法。
随着信息科学和技术的进步,工业控制系统变得越来越复杂[1]、[2]。为了确保工业系统的正常运行,监控变量的数量也显著增加。同时,随着大数据的到来,监控数据的量和速度都在加速增长,这通常导致数据以数据流的形式出现。需要注意的是,由于操作条件或工艺参数的变化,工业数据流会随时间演变,其分布也会发生变化,这种现象被称为概念漂移[3]。当概念漂移与数据不平衡同时发生时,情况变得更加具有挑战性,因为在漂移数据流中某些目标值的样本数量明显更多[4]。例如,在柴油加氢精炼过程中(DHP),保持硫含量在预定范围内至关重要。为了满足这一要求,可以利用监控数据(如进料油的性质和工艺参数)来预测硫含量,从而指导操作。然而,随着催化剂活性的降低,监控数据的分布会随时间变化,并且由于不同操作期间硫含量的值大多处于不同的范围内,这些数据也会变得偏斜[5]。除了激发本研究的柴油加氢精炼过程外,类似的情景也出现在工业实践中的条件监控中,例如:充电特性的变化、温度波动以及电池性能的逐渐退化会不断改变数据分布[6];风速和环境温度的季节性变化,加上累积的机械磨损,会随着时间的推移重塑风力涡轮机的负载谱和结构应力特征[7]。