为了避免系数矩阵的秩减低，改进后的 MT-NT 联合算法被提了出来。在这个方
法中，当流股中的显著误差被定义到后，我们并不会把这个误差除去，但会用估算的
值去代替这些误差数据，从而系数矩阵不会被改变。 1.2.2  基于时间冗余的显著测量误差处理方法
基于时间冗余的不可删显著误差处理新方法 采用线性回归的方法，利用显著误
差产生前一段时间内的历史数据对当前时刻进行预测，并代替实际测量值进行协调运
算。这种方法充分利用了数据的有效信息，预测值符合实际变化趋势, 很好地消除了
显著误差对数据协调的影响，提高了协调精度。
1.2.3  基于独立物流的组分流率与总流率平衡的数据校正新方法
新方法将组分独立物流与总独立物流的平衡约束代入目标函数中，使得所求解的
数据校正问题仍为无约束的优化问题,保留了Simpson 法(基于独立物流的校正方法)
简单方便的优点。
新方法与典型的适于双线性数据校正的Crowe 法（两步投影矩阵技术）相比具有
较高的计算精度，可有效地用于无反应节点过程的数据校正。
1.2.4  修正的时序法
为充分利用数字控制系统的大量历史数据，提出了对测量数据进行预处理的时间
序列分析法，用于过程数据校正和过失误差侦破与识别。修正的时序法充分利用了测
量数据的时间冗余，通过对多次测量数据的时域分析，使得随机误差的影响大大下降，
过失误差侦破的临界值也相应降低，可有效地侦破出较小的系统偏差，从而克服了传
统的统计检验法的不足。
1.2.5  广义似然比方法
针对实际数据校正问题中同时含有未测变量和带大误差的已测变量的情况， 提
出利用两步投影矩阵方法来进行数据分类，先将稳态模型变换为统计检验所需要的标
准形式( 只含已测变量)  ，用广义似然比方法侦破出大误差并予以补偿后再对数据校
正问题进行求解计算，从而为数据校正及大误差侦破的集成提出了一种通用策略，并
且减少了计算量。
1.2.6  新的数据协调模型检测显著误差方法
新的数据协调模型在不存在显著误差时，协调结果与传统模型的协调结果基本一
致，可消除随机误差; 当测量数据中存在显著误差时，只对还有显著误差的测量值给
予较大的协调量，而对其他测量值的影响较小，因此该方法具有较好的鲁棒性.  实例
表明，  基于该模型的协调结果， 利用测量检测法进行显著误差检测的正确率较高，  第
I类错误率较低， 适用于实际的工业生产过程。
1.2.7  基于主元分析法的显著误差检测与校正 主元分析法是将研究对象的多个相关变量化为少数几个不相关变量的一种多元
统计方法，而且这些不相关的综合变量包含了原变量提供的大部分信息。主元分析法
能够去除数据相关性、减少噪声、降低数据文数等优点，在数据压缩、模式识别、故
障诊断等各个领域都有广泛应用。
1.2.8  类神经网络检测显著误差和数据校正
用蒙特卡罗仿真人工神经网络模拟，我们解决了以下问题：（一）型输入/输出模
式，用于训练和他们的预处理。 （二）参数的影响性能。 （三）用于检测多个显著的战
略。
1．3    MT-NT联合改进算法简介
联合算法利用MT和NT的长处，将其联合起来取长补短，以免人为操控。
MT的长处是可以直接确定显著误差的位置，但是它往往给出过多的显著误差， MT-NT联合改进算法检测显著误差(3):http://www.youerw.com/zidonghua/lunwen_8950.html