异常点云干扰下的车身构件鲁棒性配准方法

点云配准是大型车身构件位姿参数测量的关键方法,但现有算法在大量异常点云干扰下难以配准至有效位姿,从而导致匹配失真,进而无法保证后续机器人作业质量。针对此问题,提出一种能够有效抑制异常点云干扰的车身构件鲁棒性配准算法——鲁棒函数加权方差最小化(RFWVM)算法。建立鲁棒函数加权目标函数,通过施加随迭代次数可变的动态权重来抑制配准过程中异常点云的影响,并由高斯-牛顿法迭代完成刚性转换矩阵的求解。以高铁白车身侧墙、汽车车门框为研究对象的试验结果表明,较经典的最近点迭代(ICP)算法、方差最小化(VMM)算法、加权正负余量方差最小化(WPMAVM)算法和去伪加权方差最小化(DPWVM)算法,所提出的RFWVM算法配准精度更高,能够有效抑制各种异常点云对配准结果的影响,并具有更好的稳定性和鲁棒性,能够有效实现各类车身构件点云的精确配准。

基于异常点检测的大学生异质行为分析

大学生异质行为指的是大学生具有个性特征、不同于他人的行为偏好。针对大学生异质个体的行为挖掘问题,提出一种基于异常点检测的异质行为分析方法。首先以某校大学生成绩数据和校园一卡通数据为基础,建立异质行为分析模型,采用主成分分析、K-Means++和DBSCAN聚类分析寻找异常点,研究关注异常点对应的异质行为人。然后,通过异常点检测辨别学习成绩中的异质个体,并进一步探究其作息规律与学习成绩异常之间是否存在强关联。接下来,运用多种算法相互印证异常点的准确性,借助对相关学生的调研来验证异常点数据的可信度。研究表明,所提方法能对大学生异质行为模式进行深度分析,为提升学校管理水平和管理效率提供了基础依据。

新疆准噶尔盆地北部黄花沟铀异常点矿化特征及找矿方向

近年准噶尔盆地北缘铀矿勘查取得了较好的找矿成果,相继发现了顶山矿点、卡姆斯特矿产地等。黄花沟异常点的发现为盆地北缘“新地区、新层位、新类型”三新找矿提供了重要线索。文章通过对盆地北缘黄花沟铀异常点的地质调查和系统采样,总结了异常点的铀矿化特征,探讨了矿化成因。研究认为:1)黄花沟异常点矿化主要发育在红砾山背斜核部,吐丝托依拉断裂上盘;2)矿石岩性以细粒岩屑砂岩为主,其次为砾岩,发育褐铁矿化、黏土化蚀变;3)含矿层砂岩成分成熟度较低、结构成熟度中等,为近源冲积扇扇中辫状河道沉积成因;4)黄花沟地区下一步主攻层位为下白垩统吐谷鲁群,主要找矿类型以潜水氧化带型和潜水-层间氧化带型为主。准噶尔盆地北缘下一步找矿工作应重视对隆起与凹陷构造单元的边界及控凹断裂附近、目的层沉积环境与上覆地层具有继承性的位置的查证。

基于MOPSO算法改进的异常点检测方法

挖掘工业大数据的隐含价值是智能制造的一个重要研究方向,针对工业大数据特点开展异常点检测是实现数据分析的前提。首先,介绍了工业大数据异常点检测解决的主要问题,提出相关定义。其次,基于多目标粒子群算法(MOPSO),提出一种工业大数据异常点检测的改进DBSCAN模型,介绍了模型的算法设计思想、算法步骤,完成了算法伪代码的编写,并提出了算法时间复杂度的计算方法。最后,通过某电芯工厂制造数据,进行了模型仿真与实验,经实验验证,所提模型提高了工业大数据异常点检测的准确率,为数据挖掘在工业异常点检测中的应用提供了参考。

损伤源-异常点累计谐波减速器性能退化评估

以LSHG-20-50-C-I型谐波减速器为研究对象,以声发射为监测手段,提出损伤源-异常点累计算法,完成谐波减速器的性能退化评估。首先,分析声发射信号,通过对振铃计数的经历图分析分辨出性能退化过程中磨损和裂纹两类声发射源,对比加速寿命实验结果,验证损伤源分类的准确性。在此基础上,建立裂纹扩展模型,依据裂纹扩展规律及能量和平均电平平均值的变化趋势,进行基于损伤源的性能退化评估,区分出占主要地位的裂纹扩展在性能退化过程中的4个时期。为解决单一声发射参数趋势性和单调性差的问题,提出基于PCA异常点累计指标的性能退化评估方法,与传统的One-Class SVM算法相比,PCA算法对早期异常点更敏感,阈值报警时间提前650 h,更适用于谐波减速器的异常点检测与性能退化评估。

链路失衡干扰下网络流量异常点挖掘仿真

网络数据中心流量的异常会占用大量的带宽资源,且数据流量具有多样化特征,尤其当网络链路流量失衡时,通过部署监测软件获取的节点信息已经无法实时监控流量状态。为此提出链路失衡干扰下网络流量异常点挖掘方法。利用卷积神经网络自编码器对网络流量去噪,有效控制链路失衡对流量数据挖掘的影响。通过对比正常流量点与异常流量点提取网络流量特征,结合马氏距离到改进的自编码神经网络系统中挖掘网络流量异常点。实验结果表明,研究方法的网络流量异常点挖掘准确率可稳定在90%以上,F1值始终高于0.8,误报率不高于0.5%。

基于SVDD算法的高维非线性传感器数据流异常点检测

传感器数据通常具有高维特征,且在实际工业环境中可能存在复杂的非线性关系。如何有效处理高维度、非线性和复杂的数据特征,是当前研究的难点问题。为此本研究基于支持向量数据描述算法,针对高维非线性传感器数据流进行异常点检测。采用生成对抗网络提取高维非线性数据特征,通过主成分分析方法对提取得到的特征进行降维处理,以减少数据维度。使用经过降维处理的数据训练SVDD模型,通过求解对偶问题,得到的支持向量的系数和阈值等参数,以确定异常检测的决策边界,根据决策边界实现异常点检测。通过实验验证可知,所提方法的异常检出率较高,误报率较低,得出SVDD算法在高维非线性传感器数据流中异常点检测具有有效性,证明了其在实际工程应用中的潜在价值。

基于高斯分布和多元正态分布结合模型的点云异常点检测与去噪方法研究

针对异常点检测在点云采集中,由于复杂数据分布导致去噪准确率和效率下降的问题,文章提出了一种结合高斯分布模型和多元正态分布模型的异常点检测方法。实验结果表明,该方法能够快速有效地去除大量外部噪声,并且去噪后的点云数据较好地保留了原始点云特征。

一类区间值时间序列IO型异常点检测方法及其在金融时序分析中的应用

针对区间值时间序列的异常点检测问题,从区间数据的区间中心和区间半径出发,基于ARIMA的点值时间序列IO型异常点检测原理,构造一类区间值时间序列IO型异常区间的检测方法。其中,对区间值时间序列IO型异常区间的概念和类型进行了具体的界定,给出了区间值时间序列IO型异常区间的检测步骤。最后,针对上证指数2016年1月4日到2018年12月28日每日最高价和最低价构成区间值时间序列且其每日收盘价构成点值时间序列,用所提方法进行IO型异常区间的检测,通过和传统点值异常检测结果的对比分析表明,所提方法能够更有效地识别出金融时间序列中存在的异常状况。

基于距离异常点的机械比能评价储层物性研究

在调研了大量国内外机械比能在石油钻探中的应用及储层物性评价模型的研究方法和实际应用的基础上,将结合塔东和松辽盆地的测录井数据以及相关物理实验,开展基于距离的异常点检测研究和应用,完善机械比能评价模型的研究方法,建立评价更加准确的机械比能评价储层物性模型,合理准确的评价该地区储层物性的好坏,为国家或石油公司开采石油的储层提前预测与评价的研究和行业发展趋势政策的选择提供决策性的依据。采用基于距离的异常点检测算法提取出了反映岩石储集层物性的特征参数(WOB,A_(b),T,RPM,ROP),通过确定标准化,和归一化后的特征参数,在实验中计算得到“物性指数”,来反映储层的物性,“物性指数”越大反映储层物性越差,相反,“物性指数”越小反应储集层的物性越好。最后实验结果表明,与普通算法相比,将基于距离的异常点检测算法应用到机械比能评价储层物性的模型中,储层物性评价结果准确率达到88.35%。

面向多维数据的异常点检测模型设计

为了在大数据环境下快速、精准地挖掘异常点,保障网络安全,提出了一种面向多维数据的异常点检测模型设计方案。该方案利用长短期记忆网络(LSTM)存储任意时间段的多维数据,并使用图卷积网络提取完整数据结构,同时加入惩罚参数和均方误差来缩小异常点出现范围。此外,还利用编码器和解码器构建变分自编码器函数模型,使其能够解读正常数据子特征,并通过编码重建损失函数来计算数据异常度量,从而实现异常点检测。经过实验验证,该方法表现出较高的检测正确率和运行效率,具有极高的应用价值。

基于混合机器学习框架的网约车订单需求预测与异常点识别

城市网约车订单需求体现了居民出行活力,同时表征了出行规律和内在特征。如何从复杂动态的时变数据中准确地识别异常点并进行调度优化,是优化网约车平台运力的关键环节。建立了网约车订单需求数据的时间序列图,并分析了订单需求的动态特性,提出1种基于混合机器学习框架的网约车订单需求预测模型(ARIMA-BPNN-DSR,ABD)。混合模型由差分整合移动平均自回归模型(auto regressive integrated moving average model,ARIMA)和反向传播神经网络(back propagation neural network,BPNN)通过动态选择回归算法(dynamic selection of regression,DSR)融合而成。混合模型汲取了统计方法的鲁棒性和机器学习方法的高效性,并考虑各个独立基线模型在数据局部空间上的性能表现。以2019年和2020年(疫情影响下)厦门市滴滴网约车平台订单数据作为试验基准并进行对比分析,结果表明:①与多个基线模型相比,ABD模型实现了最优的预测性能,同时在面向疫情外部因素影响下同样表现出优异的性能;②消融实验表明,在常规序列中,BPNN对融合模型的预测性能增益更高。混合模型相比较单独的ARIMA和BPNN模型,在预测性能指标上,平均绝对误差(mean absolute error,MAE)分别提高22.77%和13.50%,均方百分比误差(mean absolute percentage error,MAPE指标分别提高21.71%和12.37%。另外,在受到2020年的外部干扰下,ARIMA提供的稳定性至关重要;③预测结果与观测值之间的残差结合3-sigma异常检测准则实现订单数据中的需求突增异常点自动识别,以此提高交通管理效率。该结果说明,提出的ABD模型具有良好的预测精度和鲁棒性。

改进麻雀搜索算法优化SVM的异常点检测

支持向量机是检测异常点的常用方法,但其仍然存在难以高效获取最优参数,导致检测效率低、稳定性差的问题。鉴于此,提出一种改进的麻雀搜索算法ISSA,并将其用于优化支持向量机参数。首先,采用改进折射反向学习和可变对数螺线改进传统麻雀搜索算法;然后,利用改进麻雀搜索算法ISSA对支持向量机参数进行优化;最后,将优化后的支持向量机用于异常点检测。仿真实验结果表明,在G-mean和F-measure 2个评价指标上,利用ISSA优化后的支持向量机检测效果明显优于其它3种分类算法,具有更优秀的检测效率、稳定性和泛化能力。

无线通信网络信息局部异常点快速检测研究

为了快速准确区分异常和常规无线通信网络信息节点,避免无线通信网络信息局部异常点误检行为的出现,设计无线通信网络信息局部异常点快速检测方法。根据NS2无线通信网络架构连接形式设置跨层传输协议,通过完善信息认证标准的方式,实现无线通信网络信息的跨层认证。根据异常和常规信息节点坐标的定义格式,计算待检信息的信誉值系数,结合非常规检测权限的求取结果,实现无线通信网络信息局部异常点快速检测。实验结果显示,随着信息传输流量的改变,无线通信数据局部异常点误检率指标的数值水平始终低于理想数值,实际应用效果好。

基于检定数据自相关性的低压智能电能表局部异常点检测方法

低压电能表在运行过程中,若不能及时找出局部异常点故障,会直接影响智能电网的电力传输质量。为保证低压电能表的安全运行,提出基于检定数据自相关性的低压智能电能表局部异常点检测方法。该方法首先对电能表内部结构展开具体分析,获取电能表运行影响因素,并基于分析结构,结合检定自相关函数实施电能表数据的去噪处理;通过对低压智能电能表状态特征值的提取,利用BP AdaBoost复合神经网络建立电能表的局部异常点检测模型,将获取的特征值输入模型中,根据模型输出实现低压智能电能表局部异常点的精准检测。实验结果表明,利用该方法开展低压智能电能表局部异常点检测时,可靠性高,检测效果好。

异常点挖掘研究进展

异常点是数据集中与其他数据显著不同的数据.一个人的噪声对另一个人而言可能是有用的数据,因此,随着人们对数据质量、欺诈检测、网络入侵、故障诊断、自动军事侦察等问题的关注,异常点挖掘在信息科学研究领域日益受到重视.在充分调研国内外异常点挖掘研究文献基础上,系统地综述了数据库研究领域中异常点挖掘的研究现状,对已有各种异常点挖掘方法进行了总结和比较,并结合当前研究热点,展望了异常点挖掘未来的研究方向及其面临的挑战.

基于配电网的采样点异常点的处理方法分析

振荡波的波形畸变值比较小,并且持续时间比较长,原有的采样点异常点处理方法不能对振荡波的干扰进行有效过滤,导致振荡波的波形畸变对模拟量采集的影响一直存在,且影响较大。考虑到小电流接地系统中单相接地情况复杂多样,因此本文对原有的采样点异常点处理的方法进行了修改,并进行了相关测试。测试结果表明新的方法能够对振荡波的波形进行有效过滤,并实现对小电流接地系统中单相接地故障进行准确判断。通过以上测试结果可以得出:当前点与前一点的差值无法判断是否为异常点时需要计算当前点与前一点及后一点斜率差值并且斜率的差值乘积小于0。

基于多尺度局部对比度的海上风电风机叶片异常点检测

针对传统方法在海上风电风机叶片砂眼等损伤异常点检测虚警率高的问题,提出了一种基于多尺度局部对比度的风机叶片异常点检测方法。首先通过Facet-Kernel滤波对图像进行预处理,抑制背景杂波,突出异常点;其次通过多尺度局部对比度计算,准确提取异常点位置;最后通过自适应阈值分割提取损伤异常点。实验结果表明,该方法具有较好的检测结果,拥有有效性及鲁棒性。

一种基于自适应支持向量机的异常点检测方法

为了从海量的移动目标轨迹数据中识别异常轨迹点数据,提出了一种基于自适应单类支持向量机的轨迹异常点检测方法。首先,提取轨迹点的运动特征构造特征向量作为模型输入;其次,基于粒子群算法构造最优单类支持向量机模型;最后,利用最优单类支持向量机模型识别异常轨迹点。实验结果表明,新提出的方法能够自适应地构造最优单类支持向量机模型,并有效识别轨迹数据中的异常点,具有很好的自适应性与准确性。

基于卡方检验的测向异常点抑制滤波算法

针对机载无源侦察系统某批信号测向结果引入异常点的问题,提出一种基于卡方检验的测向异常点抑制滤波算法。该算法通过在无迹卡尔曼滤波(Unscented Kalman Filter,UKF)算法中引进卡方检验方法,检验测向结果测量残差,实时判断当前测量值中是否存在异常点,进而通过调整相应参数对异常点进行抑制。采用蒙特卡洛模拟(Monte Carlo Method,MC)仿真实验进行验证,结果表明,与传统的无迹卡尔曼滤波算法相比,所提算法能够较好地抑制测向异常点,验证了所提算法的有效性。