用于元胞制造系统中机器-零件单元构成可视聚类的主成分分析与自组织映射
适应与自组织系统
2012-03-21 v1
摘要
本文尝试利用主成分分析（PCA）和自组织映射（SOM），从基于序列的机器-零件关联矩阵输入中生成单元构成问题的可视聚类与数据提取。首先，重点利用 PCA 提取输入变量的高维特征，并将数据集投影到二维空间。其次，利用 SOM 算法的无监督竞争学习进行数据可视化，随后基于有序序列数据，通过 SOM 映射上的节点聚类求解单元构成问题。尽管来自数据集的数值算例结果表明 PCA 解释了数据的大部分累积方差，但实际上当存在基于序列的极大维度单元构成问题时，从 PCA 投影中获取聚类结构变得非常困难。最重要的是，在有序数据的可视聚类中，单独使用 U-matrix 无法有效获取聚类结构，但结合颜色提取、命中图以及通过 SOM 节点映射进行标注后，它成为一种强大的聚类可视化方法，因此本研究对元胞制造研究做出了重大贡献。
引用
@article{arxiv.1201.5524,
title = {Principal component analysis and self organizing map for visual clustering of machine-part cell formation in cellular manufacturing system},
author = {Manojit Chattopadhyay and Pranab K. Dan and Sitanath Majumdar},
journal= {arXiv preprint arXiv:1201.5524},
year = {2012}
}
备注
25 pages, 8 tables, 6 figures