基于单类支持向量机OCSVM的流量异常检测技术研究与应用

目前,网络攻击已成为新型武器,敌对势力利用网络攻击成功破坏电力等国家关键基础设施已成为现实。电网智能终端攻击一般针对电力特有的协议和特定的业务逻辑,具有攻击目标明确、操作隐蔽、潜伏时间长等特点,且一般通过集团式甚至是国家级实施攻击。目前电网智能终端系统在攻击检测方面主要是借鉴传统IT系统已较成熟技术,检测网络侧的安全事件,但无法检测到如伪造控制指令等针对系统业务指令级的异常安全事件。针对电网网络侧流量检测,本研究提出了基于单类支持向量机OCSVM的流量异常检测技术,其基本思想就是通过机器学习的方法对数据进行二分类,并且只需要一类样本就可以训练检测模型,对噪声样本数据具有鲁棒性,很好地满足了工控系统的数据不平衡特点。

基于热重启随机梯度下降和一类支持向量机信息融合的户变关系辨识方法

为了提高低压台区户变关系校验的效率,提出一种基于用电量和电压信息融合的台区户变关系辨识方法。首先,基于用电量建立台区和用户的关系模型,利用热重启随机梯度下降法(SGDR)求解,并使用滑动时间窗进行多次判断,综合得出户变关系初步辨识结果;然后,使用初步辨识得到的正常户变关系用户的电压数据构成训练样本,构建一类支持向量机(OC-SVM)学习台区正常用户的电压特征,完成台区用户的户变关系最终辨识;最后,对实际台区数据进行分析。结果表明:该方法实现了低压台区户变关系的有效识别,验证了该方法的实用性和可靠性。

近红外光谱结合一类支持向量机算法检测鸡蛋的新鲜度

研究利用近红外光谱技术结合模式识别方法识别鸡蛋的新鲜度，在识别模型建立过程中，引入一类支持向量机（OC-SVM）算法解决新鲜蛋和非新鲜蛋训练样本数量不平衡问题。首先获取鸡蛋在10000-4000cm^-1范围内的近红外漫反射光谱，通过主成分分析方法提取光谱数据中的特征信息，优选了3个主成分作为模型的输入向量，然后采用OC-SVM区分新鲜蛋和非新鲜蛋。在模型建立过程中，对相关参数进行了优化，试验结果显示在相同条件下，OC-SVM模型识别结果较传统的支持向量机模型好。最优OC-SVM模型对新鲜蛋和非新鲜蛋的识别率均为80％，传统的支持向量机对新鲜度的识别率为100％，对非新鲜度的识别率却为0％。研究结果表明利用近红外光谱快速识别鸡蛋新鲜度方法是可行的；OC-SVM算法为训练样本数量不平衡提供了一种有效的解决方法。

基于一类超球面支持向量机的机械故障诊断研究

针对机械故障诊断中故障类样本不易获取以及样本分布不均的问题,提出了基于一类超球面支持向量机(SVM)的故障诊断方法,该方法只需要对正常类样本进行训练。试验分析了异常类样本缺失对一类超球面支持向量机性能的影响,并提出模型参数优化选择方法,以提高分类模型的推广能力。分析了不同训练结果的分类能力,并对一类超球面支持向量机与一类超平面支持向量机的分类结果进行比较,验证了前者的正确性和有效性。

一类支持向量机的设备状态自适应报警方法

为了提高对异常状态识别的适应性和有效性,提出了一种基于一类支持向量机的设备状态自适应报警方法.该方法使用一类支持向量机的在线算法,动态估计监测参数在高维特征空间中的最优分布区域,将新数据与上一时刻分布区域的相对距离作为异常指标,描述监测参数的统计特征变化,辨识出设备的异常状态.通过对仿真数据的报警效果分析,以及将该方法应用于对加热炉风机的振动监测中,得到的异常报警结果能够满足实际监测的需要,证明该方法具有异常的识别敏感性、缓慢劣化包容性和状态迁移适应性的特点.

基于一类支持向量机的高光谱影像地物识别

高光谱遥感影像具有丰富的光谱信息,在地物识别方面具有明显的优势。一类支持向量机(OCSVM)不仅保留了支持向量机的原有优势,而且只需要待识别类型的训练样本。为此提出了算法,通过数学模型选择、核函数设计与参数的自适应调整将OCSVM原理融入到高光谱影像的地物识别算法中,提高了识别的精度,降低了对训练样本的要求。最后利用两幅高光谱影像进行了实验分析,实验结果证明了所提算法的有效性。

基于流形学习与一类支持向量机的滚动轴承早期故障识别方法

提出了一种基于流形学习与一类支持向量机的轴承早期故障识别方法。首先提取轴承信号的时域参数构成原始特征样本空间;然后采用基于拉普拉斯特征映射算法(Laplacian eigenmap,LE)的流形学习方法对特征样本进行特征压缩,提取出敏感的故障特征;最后采用一类支持向量机对各状态实现分类识别。利用实测的滚动轴承故障数据对算法进行了验证,并将LE方法与主成分分析(PCA)方法进行了比较,结果证明该方法可行。

孤立点一类支持向量机算法研究

一类支持向量机将数据样本映射到高维空间,通过与坐标原点保持最大间隔的特征超平面检测孤立点。实际应用中算法对坐标原点的选择依赖性较强,检测性能受数据样本的分布影响较大;将算法转化为求解二类问题在一定程度上克服了这些不足,但其带来的数据不平衡问题受到现实中孤立点样本稀少或者不存在的影响。该文提出了"孤立点一类支持向量机"算法,并在此基础上设计了一种无监督的孤立点检测方法。分别基于超平面距离和概率输出大小定义两种孤立点异常程度,设定不同权值合并两种异常程度输出,将获得的可疑孤立点特征信息引入算法;在特征空间划分距离可疑孤立点最大间隔的超平面,分析在全部样本上的预测输出大小进而交互更新两部分的数据样本。在UCI数据集上进行了仿真实验,数据结果表明了该文方法能有效的提高检测率,降低误报率;同时样本交叉更新提高了检测的稳定性。

利用一类支持向量机探测GPS载波相位的周跳

为解决差分法不能探测小周跳的问题,基于一类支持向量机的异常数据检测的原理和算法,结合相空间重构理论,提出利用一类支持向量机探测GPS载波相位差分序列中的小周跳。实际观测数据探测试验结果表明,利用一类支持向量机方法能准确地探测出GPS载波相位中0.5周大小的小周跳,该方法在静态与低动态情况下都是有效的,并且适用于单频接收机。

异物在线识别中一类支持向量机机理及实现

针对高速异物在线识别中正常物料与异物颜色差异及异物颜色随机性的特点，研究了一类支持向量机（OC-SVM）在异物识别中的特性，提出了一种基于一类超球面支持向量机的在线识别算法。通过OC—SVM确定正常物料的颜色分布，从而对异物进行识别。在求解OC—SVM过程中，提出了超球面离心系数ω的概念，并采用Zoutendijk可行方向机制确定工作集，简化了序列最小优化算法。研究工作表明，该算法速度快，整体运算时间比LibSVM减少20％；识别率高，尤其对与正常物料颜色接近的异物有明显效果，与一维和三维正态拟合算法相比，整体识别率提高约8％～10％。

一类增量式支持向量机的分析

针对训练数据发生增量改变时,标准一类支持向量机的批处理算法需要重新进行训练,不适合在线增量环境学习的问题,提出一种详细的增量式标准一类分类向量机算法,并通过理论分析对该算法的可行性和有限收敛性进行了证明,确保该算法的每步调整都是可靠的,并确保该算法通过有限步调整最终收敛到问题的最优解。在标准数据集上的实验结果验证了理论分析的正确性。

基于作用集的一类支持向量机递推式训练算法

为了求解一类支持向量机(1-SVM)的二次规划问题(QPP),利用该QPP的稀疏解集性质,提出了基于作用集的1-SVM递推式训练算法.将支持向量集设定为作用集,迭代地局部优化作用集以获得全局最优解,并引进递推式算法降低计算复杂度。不同于序贯最小优化(SMO)收敛目标函数的思路,该算法寻找支持向量在最优状态下的分布,对Karush-Kuhn-Tucker(KKT)条件不敏感,并可获得解析的最优值。仿真结果表明,本算法在计算时间和精度上均优于SMO,可有效地应用于1-SVM的大样本学习。

一类支持向量机在车辆识别中的应用

支持向量机分类方法已经在实际应用中显示了良好的学习性能,其最初是针对二值分类问题提出的,如何有效地将支持向量机推广到多值分类中一直是人们关注的课题。通常的多值分类问题是以一系列二值分类来实现,可是这将导致较高的计算复杂性,本文将一类支持向量机推广到多值分类情况,并将其应用于车辆识别中,仿真实验结果表明了所给方法的可行性及有效性。

基于一类支持向量机的传感器故障诊断

提出了一种基于一类支持向量机的传感器故障诊断方法,它利用相空间重构技术将传感器本身获取的相关时序数据转化成矢量,再用一类支持向量机来训练正常行为模型,进而通过发现数据异常来进行故障诊断。通过连续输入测量数据,它还可以实现在线诊断。仿真实验表明:该方法在诊断传感器故障方面有良好的性能。

基于模糊一类支持向量机的核聚类算法

引进模糊概念替代距离拒绝尺度,定义具有支持向量特性的模糊隶属度函数,以描述训练点隶属于聚类集的程度.惩罚了边缘点对聚类中心的贡献权重,从而抑制了聚类中心的偏移,在避免复杂的参数搜索过程的同时,保证了算法的鲁棒性能.仿真结果表明,在相同初始条件下,改进算法较原算法对不规则分布数据的处理效率更高.

基于一类学习的支持向量机核参数选择方法

合适的核函数参数对支持向量机的性能起着重要作用,然而如何选择参数是目前尚未得到很好的解决的一个难点问题。文章从实用的角度出发,提出了一种基于一类学习的支持向量机核参数选择方法,利用一类学习算法——支持向量数据描述的特性,通过简单的二分搜索法获取单类数据中一定支持向量个数比例下的核参数值;然后再确定支持向量机核函数参数。实验结果表明,对于不同问题,该方法可快速找到合适的核参数。

基于一类支持向量机的财务数据异常模式识别

财务监督在反腐倡廉建设中发挥着重要作用,但是财务数据具有非平稳、非线性、信噪比低等特点,且没有专门用于鉴别财务数据异常的训练集。将金融交易数据以周为时间跨度生成时间序列,选择交易总金额、交易离散系数、转账次数作为财务账户数据的特征,利用基于统计学习理论的一类支持向量机(one-class SVMs)实现金融交易数据的无监督分类,从而识别出可疑异常财务数据。采用径向基函数作为一类支持向量机的核函数,运用交叉验证法选择核参数γ和惩罚参数C。仿真数据异常检测实验证明了该方法的有效性,并检测出了实际财务账户数据中的可疑值。

基于一类支持向量机的黄顶菊种子识别

为提高黄顶菊种子识别的有效性和正确性,在识别模型建立时,引入一类支持向量机算法解决黄顶菊种子和与其相似种子训练样本数量不平衡问题.介绍了一类支持向量机建模的基本原理,分析了影响模型准确率的主要因素,采用交叉验证法和网格搜索对模型进行了优化.仿真结果表明,该模型在黄顶菊种子识别中具有良好的性能,对黄顶菊种子的平均识别率在96%以上,对非黄顶菊种于的平均识别率为100%.

一类支持向量机在烟叶选择中的应用

为解决卷烟叶组配方中的烟叶替换问题,提出了基于一类支持向量机的烟叶选择方法。介绍了烟叶选择支持向量机建模的原理,分析了影响模型准确性的主要因素,提出了特征选择与支持向量机参数的联合优化策略。应用实例表明,该方法能够根据烟叶中化学成分的测量值来确定烟叶的相似性,为实现烟叶的智能化选择打下了基础。

基于一类支持向量机与主成分分析的转静碰摩故障检测技术

针对实际旋转机械中转静碰摩故障获取困难,大量拥有的正常非碰摩状态样本,引入一类支持向量机学习算法进行转静碰摩故障识别,通过对大量正常样本的学习得到碰摩故障判别边界,从而实现碰摩擦故障检测。由于转子故障信号的频谱存在大量冗余,又提出一种基于主成分分析的转子故障特征提取方法。该方法对信号频谱进行归一化处理后对大量样本的频谱进行主成分分析,按不同能量保持率要求提取低维特征。诊断实验表明该方法的正确有效性。