基于全矢谱和动态支持向量数据描述的滚动轴承故障诊断研究

传统的单通道信号分析容易造成信息缺失和诊断结论不一致等问题,这些问题可由全矢谱分析技术来解决。动态支持向量数据描述算法是对传统支持向量数据描述的改进算法,它的分类边界随着被测样本数的不断增加而不断更新,具有自学习能力。将全矢谱分析技术与动态支持向量数据描述算法相结合而提出全矢谱动态支持向量数据描述(vector spectrum dynamic support vector data description,VSDSVDD)的故障诊断新方法。运用全矢谱技术对数据进行处理,并提取特征矢量,作为VSDSVDD的输入参数,建立起分类模型即可以对机器运行状态进行分类。实验表明,该方法具有很好的分类准确性。

基于动态支持向量数据描述的故障诊断研究

在传统的支持向量数据描述算法中所使用的训练样本往往比较有限,所形成的目标样本区域边界的精确度往往不够,同时SVDD算法在进行实时检测时要处理大量样本数据运算量较大。基于此提出动态支持向量数据描述的故障诊断方法。该方法是支持向量数据描述算法的改进型,将测得的目标样本与支持向量集一起形成新的训练样本重新训练分类器,随着被测样本数的增加而不断更新目标样本区域。这样可以减小优化规模,提高故障诊断的效率和准确度。

监控视频中采用深度支持向量数据描述的异常检测

由于异常定义的模糊性,异常数据的稀少性,以及复杂的环境背景和人类行为,视频异常检测是计算机视觉领域中一大难题。现有基于深度学习的异常检测方法往往是利用训练好的网络提取特征或者是基于现有网络结构的,而并非针对于异常检测这个目标而设计网络的。提出一种基于深度支持向量数据描述(Deep Support Vector Data Description, DSVDD)的方法,通过学习一个深度神经网络,使得输入的正常样本空间能够映射到最小超球面。通过DSVDD,不仅能找到最小尺寸的数据超球面以建立SVDD,而且可以学习有用的数据特征表示以及正常模型。在测试时,映射在超球面内的样本被判别为正常,而映射在超球面外的样例判别为异常。提出的方法在CUHK Avenue和ShanghaiTech Campus数据集上分别取得了87.4%和74.5%的帧级AUC,检测结果优于现有的最新方法。