本论文面向实际化工生产过程的软测量技术，融合了大量的现场观测数据，其中的任一异常数据（野值）的出现都可能导致模型的预测效果下降，甚至完全失败，因此对测量数据进行预处理非常重要。以延迟焦化过程焦炭产率软测量模型为例，考虑以多变量的聚类分析为异常样本数据的识别方法，进行识别异常样本数据并解释这些异常样本对后继建模结果的影响。
本文首先总结、探讨关于数据挖掘、离群点分析、聚类算法方面取得的已有主要研究成果。并详细介绍了基于密度的聚类算法和神经网络，并结合延迟焦化过程焦炭产率软测量模型，对原数据做成分分析和神经网络，再对处理过的数据进行成分分析和神经网络分析，并对它们进行比较。
本文着重利用主成分分析和神经网络分析方法来识别和处理异常数据，正确地剔除异常数据证明了这两种方法的有效性。但是也存在方法自身的缺点，就是对于相关性不是很强的测量数据，减少误差有一定的局限性。
在加速发展的现代社会，信息化普及到了各行各业。化工行业中控化使得化工生产中异常数据识别与处理越来越受到人们的重视。
尽管化工过程异常数据处理方法已经从线性领域扩展到非线性、从稳态过程发展到动态过程、多尺度领域，但由于工业生产过程的复杂性，还需在在线数据校正、动态、非线性等方面进一步研究。
现有的化工过程数据校正方法大多数都假设噪声服从高斯分布，但是这种假设有时不成立。如果误差分布是非高斯分布，最小二乘估计器不再是极大似然估计器。在这种情况下，需要进一步研究数据协调合适的公式。与动态数据校正一样，噪声非正态分布的问题也是数据校正工作者需要进一步研究。

本生物化学毕业设计“化工生产中异常数据处理”论文由清风毕业设计网[www.lunwen550.com]征集整理！