用于准平稳源激活序列恢复的无监督复杂半二值矩阵分解
机器学习
2023-10-05 v1 信号处理
摘要
倡导可持续、韧性与以人为本的产业——工业 5.0 的三大支柱——要求增进对工业过程与制造系统及其能源可持续性的理解。理解的最基本要素之一是知晓系统何时被操作，因为这是定位高能耗子系统与操作的关键。此类知识在实践中常缺失。不过，激活状态可从传感器数据恢复。某些非侵入式传感器（加速度计、电流传感器等）获取包含多个执行器信息的混合信号。尽管其相对于所监测的系统群成本较低，仍需额外信号处理以提取个体激活序列。为此，稀疏回归技术可提取序列数据中的主导动态。著名的字典学习算法已在这方面被证明有效。本文考虑识别二值子系统激活序列的不同工业设定。在此语境下，假设每个传感器测量广延物理性质，源信号是周期、准平稳且独立的，尽管这些信号可能相关且其噪声分布任意。现有方法要么限制这些假设（例如通过强加正交性或噪声特性），要么利用额外假设（通常使用非线性变换）来放宽它们。
引用
@article{arxiv.2310.02295,
title = {Unsupervised Complex Semi-Binary Matrix Factorization for Activation Sequence Recovery of Quasi-Stationary Sources},
author = {Romain Delabeye and Martin Ghienne and Olivia Penas and Jean-Luc Dion},
journal= {arXiv preprint arXiv:2310.02295},
year = {2023}
}