基于滑动窗口含负项的高效用模式挖掘

针对传统高效用模式挖掘均未考虑项的效用值为负,以及对流数据处理的时效性问题,提出一种基于滑动窗口的高效用挖掘算法HUPN_SW。利用一种新定义的滑动窗口正负效用列表PNSWU-List,维护挖掘最近批次高效用模式集所需的所有信息,实现有效的逐批次挖掘,避免重复的数据库扫描,在不产生候选效用模式集的情况下,直接挖掘出高效用模式,使HUPN_SW有效适应于动态流数据。实验结果表明,HUPN_SW算法在运行时间和可扩展性方面有良好表现。

基于非参数估计与滑动窗口改进的主成分分析方法研究

电容式电压互感器(CVT)测量准确性关乎电能的准确计量,监测难点是误差变化微小不易察觉。针对CVT数据非严格满足高斯分布的特点,提出了基于非参数估计与滑动窗口改进的主成分分析(PCA)方法。对同一电压等级下的各CVT相位差与幅值进行Johnson变换增强高斯性,由PCA分解为主成分与残差成分;在此基础上分别建立霍特林统计量(T^(2))和平方预测误差(Q);对待监测的T^(2)和Q先进行滑动窗口处理,再与控制限相比较,以判断角差和比差是否超差。控制限由CVT正常运行时的T^(2)和Q进行非参数估计得到。基于某变电站现场的CVT数据,通过人为施加固定/渐变偏差,该方法可有效识别±10′范围的角差超差与±0.2%范围的比差超差。

基于滑动窗口的协作频谱感知对抗拜占庭攻击

认知无线电技术允许从用户动态地接入主要用户被授权的频谱,提高频谱利用率。协作频谱感知是认知无线电技术的一个重要组成部分,通过空间分集检测主用户信号。然而,由于认知无线网络的开放性,协作频谱感知过程可能会受到拜占庭攻击,恶意用户伪造有关主用户信号的状态信息,然后对主用户的通信造成干扰或自私地占用频谱资源,此外,协作频谱感知因多个从用户协作而需要更多的时间来检测主用户信号,因而将导致协作频谱感知的性能和效率进一步降低。针对上述问题,提出了基于滑动窗口的协作频谱感知方案,以减轻拜占庭攻击的负面影响,提高协作效率。在深入分析融合中心盲的问题的基础上,从恶意用户的角度出发,建立了一个随机拜占庭攻击模型来描述恶意行为。为了解决感知样本融合过程中的盲的问题,提出了一种交付评估机制,为基于滑动窗口的协作频谱感知奠定了坚实的基础,并在一个滑动窗口内进一步评估信誉值,以提高报告阶段的协作效率。仿真结果表明,无论恶意比例如何,基于滑动窗口的协作频谱感知在始终攻击的情况下只需要6个平均样本数就可以提供100%的检测准确率,而在恶意比例超过50%的随机攻击的情况下依然能够展现出显著的性能优势。

基于单步滑动窗口-长短期记忆网络的锂电池SOC估计算法

准确的荷电状态(SOC)预估是电池管理系统安全稳定运行的基础,对锂离子电池的推广应用具有重要意义。为提高荷电状态的估计精度,建立了一种长短期记忆网络(LSTM)与单步滑动窗口技术相结合的荷电状态估计模型。引入单步滑动窗口技术对输入数据进行预处理。构建单步预估LSTM模型,利用错时间步数据结构增强LSTM算法的鲁棒性,达到提高SOC估计精度的目的。分别在自定义的充电、放电与模拟真实飞行器充放电实验工况下对所提算法进行了验证。结果表明,算法能够在充电与放电工况下实现10 s内收敛,模拟真实飞行器充放电实验工况下0.01 s收敛至预估精度2%以下,收敛后3种工况下最大预估误差均不超过0.005。证明了所提算法具有较强的鲁棒性与快速性,为动力电池的SOC估计优化提供了理论指导。

基于滑动窗口集成即时学习算法的ALD工艺压强预测

原子层沉积(ALD)设备被广泛应用于半导体、新材料、光伏产业中制备高质量纳米膜。针对制膜过程中关闭真空计,导致压强数据缺失,无法判断反应源是否通入及设备是否正常运行的问题,采用软测量方法预测制膜过程中的压强。为提高软测量对不同工艺条件及配方的预测泛化能力,提出采用基于滑动窗口的集成即时学习法(BaggingMwLWPLS)对压强进行实时建模及预测,使用滑动窗口划分数据集,采用Bagging集成算法将局部加权偏最小二乘法(LWPLS)的预测值平均融合作为预测压强。结果表明:该方法能自适应预测不同工艺配方的实时压强,且预测快速、准确、不易受噪声干扰,实现设备压强状态和性能的实时监控。

基于滑动窗口和时空特征的微表情检测算法

微表情存在时间短、强度弱等固有特性,目前微表情自动检测仍然存在较大的困难。为了提升微表情检测的效果,论文提出一种基于滑动窗口和时空特征的微表情检测算法:首先使用滑动窗口技术将一段微表情视频分割成若干个滑动窗口,然后在每个滑动窗口中提取时空特征,并和微表情SP模式匹配得到单个窗口的检测结果,最后融合所有滑动窗口的检测结果。该算法在CAS(ME)2和SAMM数据集上进行了实验,并与2020年微表情挑战赛(MEGC 2020)的基线结果进行了对比,结果显示,在CAS(ME)2和SAMM数据集上该算法比基线算法在微表情检测上分别提升了4.7%、9.7%,在整体上分别提升了9.9%、5.7%,验证了该算法的有效性。

SW-SAN:基于Seq2Seq结合注意力机制与滑动窗口的车辆轨迹预测模型

针对长时间内4~5 s车辆轨迹预测精度较差的问题,提出基于Seq2Seq结合注意力机制与滑动窗口的车辆轨迹预测模型(SW-SAN)。首先,使用滑动窗口的方法更新历史轨迹状态集合,利用编码器对目标车辆的历史轨迹数据编码,得到历史轨迹特征向量;其次,经过注意力机制计算历史时间内各时刻的关联性得分、时间注意力权重因子和历史时间相关性特征向量;最后,解码器将历史时间相关性特征向量作为输入,多次循环解码层,输出目标车辆的未来预测轨迹。实验结果表明,SW-SAN模型在4 s和5 s时预测轨迹的RMSE误差为1.99 m和1.94 m,SW-SAN模型在较长时间4~5 s的预测误差更低,在车辆轨迹预测问题上性能更强。

面向自动泊车的可变滑动窗口环视SLAM算法

针对车辆在自动泊车场景中遇到减速带或坑洼地带导致的地图偏移问题,以及动态环境多变导致的系统实时性变差、精度降低的问题,提出了一种面向自动泊车的可变滑动窗口环视SLAM算法。首先,使用IMU对采集的环视图像进行实时姿态校准,提升建图的准确性;其次,结合多传感器融合优势,融合IMU和里程计数据对车辆位姿进行估计;最后,通过可变滑动窗口算法加速后端优化,提升系统的实时性和精度。仿真测试结果表明,该方法解决了减速带或坑洼地带的地图偏移问题,且在特征稀疏环境下,效率和实时性分别提升了31.35%和25.06%。实车试验结果表明,该方法可以达到平均误差0.039 m的定位精度,为泊车提供了安全保障。

基于滑动窗口特征聚合的声呐图像处理技术研究

近年来,滨海核电冷源取水口致灾生物,特别是毛虾、水母等已成为核电站安全运行的重大隐患,对其监测需求日益迫切。然而,上述致灾生物通常具有透明度高、体型小等特点,加上近海岸水体浊度高,难以通过光学设备进行有效探测。声呐探测因具有良好的方向性和穿透性、对浊度不敏感等优势,成为探测上述致灾生物的理想方案。目前,声呐探测技术主要通过实时检测单张声呐图像中的致灾生物目标来实现。由于海洋环境复杂多变,存在潮汐等干扰,声呐图像中的目标形状往往不清晰、边缘信息容易丢失,造成致灾生物目标的虚检率和漏检率较高。为解决上述难题,本文提出一种基于滑动窗口特征聚合的声呐图像处理技术。首先,对声呐图像进行增强和潮汐干扰去除的预处理操作,减少噪声和潮汐干扰对监测结果的不利影响;然后,以连续的视频帧作为研究对象,利用滑动窗口的方式对其进行特征聚类,确定固定物的位置并排除其干扰;最后,结合帧间差分分析法及交并比(Intersection over Union,IoU)算法、非极大值抑制(Non-Maximum Suppression,NMS)算法,精确识别并检测出近海致灾生物目标。本系统可以实现对近海致灾生物的实时、精确监测,且检出率高达96%。该技术可提升我国在核电站海洋生物监测预警方面的精确度、维护核电站的正常运行。

基于滑动窗口的无线网络通信端口流量控制方法

为增加无线网络吞吐量,促进端口分组传输率的提升,引入滑动窗口,开展无线网络通信端口流量控制方法研究。建立无线网络通信多端口性能模型,结合滑动窗口,实现端口数据最优分组。在此基础上,对端口数据NC处理,实现传输流量控制。通过对比实验证明,新的控制方法应用下,无线网络的吞吐量得到有效提高,且端口分组传输率更高,实现对端口流量的有效控制,促进无线网络通信与传输的稳定性和可靠性提升。

基于滑动窗口的混合属性大数据聚类算法

文章研究了基于滑动窗口的混合属性大数据聚类算法,通过引入滑动窗口设计和相似度计算方法,有效提高了聚类的准确性和效率。实验结果表明,该算法在相关评价指标上均优于传统方法,特别是在处理大规模高维数据时表现出更好的性能。在未来的工作中,将继续深入研究滑动窗口的设计和参数选择,以进一步优化算法的性能。

基于滑动窗口置信度评估算法的无线传感器网络异常检测研究

本文提出了一种基于滑动窗口置信度评估算法的无线传感器异常数据检测方法。该方法通过提取数据特征并应用置信度评估模型来识别无线传感器发送的异常数据点,研究通过在数据集上的实验,验证了该滑动窗口置信度方法在准确率、召回率和F1分数等方面具有明显的优越性。

基于主元分析的滑动窗口累积和的微小故障检测

针对传统的多元统计分析方法对生产过程中微小故障检测不灵敏的问题,提出一种基于主元分析的滑动窗口累积和的微小故障检测方法(Principal Component Analysis and Moving Window Cumulative Sum,PCA-MWCUSUM)。利用主元分析(Principal Component Analysis,PCA)对数据降维,去除数据的相关性,计算得出样本的主元得分T^(2);利用滑动窗口技术将相邻某几个主元得分作为一个窗口,同时利用累加和(CUSUM)将每个窗口内T^(2)与T^(2)的均值误差进行叠加,以实现微小故障的累加;利用核密度估计确定故障检测控制限,实现对微小故障的检测。PCA-MWCUSUM通过增加故障工况的偏移尺度提高微小故障检测率。利用数值例子和田纳西-伊斯曼(Tennessee Eastman,TE)过程的仿真实验,并与ICA、PCA-SVDD和K近邻法(KNN)比较分析,实验结果进一步验证了该方法的有效性。

基于优化最大类间方差法阈值分割与滑动窗口法的车道偏离预警

为了改善因传统边缘算子在车道线特征提取时鲁棒性差、传统霍夫变换弯道拟合能力较弱导致车道偏离预警率降低的问题,提出了一种基于优化最大类间方差法(OTSU算法)阈值分割与滑动窗口法的车道偏离预警方法。首先,使用遗传退火算法优化求解OTSU算法的最优阈值并调用整体嵌套边缘检测(HED)模型获取车道线边缘特征,将感兴趣区域转换成鸟瞰图形式;然后,使用滑动窗口法将车道线切分并逐个对窗口内的车道像素点进行二阶多项式拟合;最后,根据车辆与车道线的相对位置关系进行车道偏离预警以及弯道预警。试验结果表明,该方法的综合路况预警准确率为95.92%,检测速率可达34 ms/帧。

KL散度多模块滑动窗口慢特征分析的故障诊断方法

针对传统分块方法根据经验划分子块导致变量特征信息无法充分利用,其单一的建模方式忽略局部信息以及离线模型无法适应时变特性的问题,提出了一种KL (Kullback-Leibler)散度多模块滑动窗口慢特征分析方法。在正常工况数据集中,利用KL散度来度量变量间的距离,同时引入最小误差平方和准则进行聚类,分成两个距离最小的子模块;在此基础上利用慢特征分析方法对每个子模块进行建模,结合滑动窗口对每次采样的数据进行更新,得到最优模型,分别计算监测统计信息,利用支持向量数据描述对故障监测结果进行融合,实现故障诊断。并将该方法应用于田纳西伊斯曼过程的监控中,得到了较高的故障检测率和较低的虚警率,验证了该方法的可行性和有效性。

基于滑动窗口CRITIC-G1的空战态势评估

传统的指标重要性相关(CRITIC)方法进行态势评估不能实现变权重,仅从数据本身属性出发进行赋权,忽略了专家意见,且CRITIC方法本身会使得图像抖动。针对以上问题,提出一种基于滑动窗口CRITIC-G1的近距离空战态势评估方法,将空战数据进行预处理,得到根据时间变化的优势函数矩阵,采用滑动窗口的方法将优势函数矩阵进行分解,通过对滑动窗口中的优势函数矩阵进行CRITIC-G1赋权,从而既实现变权重,又完成重要性排序的权重优化;同时引入变异系数降低综合优势函数图像抖动。最终输出飞机的综合优势函数值,对于两飞机的综合优势函数值进行分析得到态势评估的结果。仿真结果表明,滑动窗口CRITIC-G1法较传统CRITIC方法准确性提高了22.75%。

基于滑动窗口和置信度的无线传感器网络异常检测算法

针对无线传感器网络中异常检测误报率高及节点间通信开销大的问题,提出了基于滑动窗口和置信度的无线传感器网络异常检测算法(ADABSWC)。该算法使用环境干扰因子量化监测环境中的不确定性,建立异常数据干扰区间识别滑动窗口中的异常数据。提出了数据异常度的计算方法,用来预判异常来源;然后引入多通信半径划分最佳邻域,利用相对熵计算节点信息置信度;根据节点信息置信度协同判定出节点异常数据的来源。通过仿真实验,ADABSWC算法在不同传感器节点规模下均体现了较好的性能。该算法与KNN-PSOELM、OFN算法相比,事件节点、错误节点的检测率均高于98%,且误报率均低于1.5%。实验结果表明,所提出的算法可保证高检测精度的同时控制误报率在较低水平,算法拥有较好的容错性能。

云环境下基于动态滑动窗口多通道Bi-LSTM的虚拟机故障预测模型

针对点值预测方法预测虚拟机故障,未充分利用虚拟机历史周期特征和上下文信息、预测准确率不高的问题,提出了一种动态滑动窗口多通道Bi-LSTM的虚拟机故障预测模型。该模型首先利用动态滑动窗口动态捕获虚拟机故障发生过程的上下文特征;然后构建多通道机制的Bi-LSTM以同时学习不同指标类之间的相关性特征,预测虚拟机下一周期的故障;最后根据OCSVM和区间偏移度方法对预测结果进行判断,得出具体的故障类型。实验表明,该模型在预测准确率、召回率、F值三个指标上均优于基线模型,验证了模型对虚拟机故障预测的有效性。

基于滑动窗口一维卷积自编码器的滚动轴承故障实时诊断

针对滚动轴承故障检测的特征自适应问题以及工业互联网边缘计算需求,提出一种基于滑动窗口一维卷积自动编码器(SW1DCAE)的无监督滚动轴承故障诊断方法。首先,将一维卷积与自编码器有效结合,同时加入节点随机丢弃技巧,提高模型的学习能力并防止过拟合;然后,将滑动窗口算法引入模型,针对性的塑造样本,提高模型性能,控制模型响应时间;最后,利用预训练SW1DCAE模型的编码层,与全连接层、Softmax分类层构成分类模型进行轴承故障诊断。试验结果表明:SW1DCAE模型具有良好的数据重构能力,故障分类准确率优于传统的自编码器和卷积神经网络,而且占据存储空间小,运算量低,可搭载于嵌入式系统进行在线检测。

基于滑动窗口的数据流高效用模糊项集挖掘

高效用项集挖掘可以提供有趣的结果集,但并不能提供单个项的数量,因此,本文提出了高效用模糊项集.但是,现实世界的数据是不断出现的,需要实时处理新到来的数据.为解决当前高效用模糊项集不能处理数据流的问题,又提出了模糊效用列表(fuzzy utility list,FUL)结构用于存储当前窗口中项的批次号、项在事务中的事务标识符、项的模糊效用以及项的剩余模糊效用,该结构能有效的对批次进行插入和删除操作.最后,基于FUL提出了数据流高效用模糊项集挖掘算法.对真实数据集和合成数据集进行了广泛的实验,结果证实了算法的效率及可行性.