不平衡时间序列集成分类算法

针对现有集成分类方法对不平衡时间序列数据学习能力欠佳的问题,采用优化组件算法性能和集成策略的思路,以异构集成方法即基于变换的集合的层次投票集合(HIVE-COTE)为基础,提出一种不平衡时间序列集成分类算法IMHIVE-COTE。该算法主要包含两个改进内容:首先,增加了一个新的不平衡分类组件SBST-HESCA,引入Boosting结合重采样的思路,并通过交叉验证预测结果来更新样本权重,从而使数据集的重采样过程更有利于提升少数类样本的分类质量;其次,结合SBST-HESCA组件对HIVE-COTE计算框架进行改进,通过优化组件算法的权重使不平衡时间序列分类算法对分类结果拥有更高的投票比重,从而再次提升集成算法整体的分类质量。实验部分对IMHIVE-COTE的性能进行了验证和分析:和对比方法相比,IMHIVE-COTE有最高的整体分类评价,并且在三个不平衡分类指标值上分别得到了最优、最优、第三优的整体分类评价,可以证明IMHIVE-COTE解决不平衡时间序列分类问题的能力明显较高。

基于混合神经网络的时序不平衡分类研究

针对时间序列不平衡分类包含了时间序列数据和不平衡数据这2大研究热点和传统分类算法难以给出较好的分类结果的问题.提出一种混合神经网络算法(SKLF算法),首先,将原始数据样本通过K-means结合SMOTE的混合采样形成类数据平衡样本,再通过全卷积网络(FCN)和长短期记忆网络(LSTM)挖掘出时序数据前后隐藏的时间和空间特征,并将二者并行合并.最后利用全连接网络输出最终的分类决策.在实验室火灾数据集和occupancy_data数据集上的实验结果表明,相比于CNN,LSTM和FCN-LSTM,算法SKLF在时序不平衡分类的评价指标F-means, G-means和AUC值均可达到98%以上,能够提高时序不平衡数据的分类效果.

基于深度动态密度估计的轴承异常检测

针对传统的机器学习算法在应对工业系统中样本不均衡现象时难以获得较高的异常检测性能的问题,提出一种基于深度动态密度估计的轴承信号异常检测方法(DCEN)。首先,训练该压缩网络时只需要从正常样本中提取特征,得到原始数据的低维表示;接着将其进一步输入到高斯混合模型(GMM)中,对正常数据进行动态密度估计;然后,利用估计网络来促进模型的参数学习,以端到端的方式多次迭代同时优化深度自动编码器和混合模型的参数;最后,采用高斯混合模型的预测能量值作为异常分数,模型在没有学习异常样本分布的情况下将故障样本输入到本文模型中产生更高的异常分数来检测异常。通过在3个不同轴承数据集上的实验和对比分析,验证了该方法的有效性和优越性。

基于对抗生成网络的滚动轴承故障检测方法

在工业系统中普遍存在样本数据不平衡现象,正常样本数量远远大于异常样本数量。而传统的机器学习算法和深度学习方法,例如朴素贝叶斯和支持向量机,在处理类不平衡问题时,很难获得较高的识别分类准确率,因为它们往往会偏向保证多数类的准确率。为此,本文提出了一种基于生成对抗网络(GAN)的异常检测方法。这个方法中的生成器结构是“编码器–解码器–编码器”的三子网,并且训练该生成器只需要从正常样本中提取特征,所以训练数据集中就不需要异常样本。此系统的异常检测结果由样本的最终得分来判别,其中异常分数由表观损失和潜在损失组成。本文方法的亮点在于可以实现在无异常样本训练的情况下对异常数据样本做检测,通过系统生成更高的异常分数来诊断故障。本项目在凯斯西储大学(CWRU)获得的基准滚动轴承数据集上验证了该方法的可行性和有效性。本文提出的方法在数据集中区分异常样本与正常样本的准确率达到了100%。