工业网络物理系统中的大数据分析与机器学习
1. 概念意图与关系概念分析问题
当用概念意图取代参考时，会出现一些模糊性问题。首先要对概念定义进行选择，因为存在多种选项。若选择不断演变的概念选项，意图就可能有多个阶段。从纯信息角度看，对于一个概念，描述其对象最准确的方式是定点意图。然而，在这种框架下，关系概念分析（RCA）会出现循环依赖问题，即多重图的关系路径可能形成回路，解读这类回路很困难，需要运用最小定点理论。最后，通过考虑用规范生成元在无循环关系属性中表示概念，可实现规则提取。
2. 机器学习基础
机器学习包含多种可用于数据挖掘的工具，如朴素贝叶斯、决策树、随机森林、k近邻、支持向量机、多层感知器（MLP）和深度学习。虽然深度学习目前最流行，但它不一定是处理工业数据的最合适工具。深度学习适合处理随时间稳定且有大量数据集的问题，如目标检测、自然语言处理等。而工业系统本质上是不断演变的，如生产线重组、刀具磨损、机器更换等。因此，需要使用缩减数据集构建模型，使模型适应所建模系统的演变，并处理可能被噪声和异常值严重污染的数据。接下来重点介绍MLP，它具有易于实现的优点，能处理分类或回归等多种不同问题，同时在准确性和泛化能力方面表现良好。
3. 多层感知器（MLP）
3.1 MLP结构
经典的MLP是只有一个隐藏层的前馈神经网络。隐藏神经元的激活函数是S形函数，如双曲正切函数。输出层神经元的激活函数在处理分类问题时为S形函数，处理回归问题时为线性函数。已有研究表明，这种类型的网络是通用逼近器，即能够以所需的精度逼近任何非线性函数。其结构由以下公式给出（对于输出k）：
[z_k = g_2\left(\sum
)
