基于改进分段半马尔可夫模型的在线序列模式检测

在时间序列数据挖掘中,在线检测在时间上存在任意缩放的相似模式是一个具有挑战性的问题.本文对基于模型匹配的分段半马尔可夫模型进行改进,通过引入偏移量分布、振幅差值分布和前项状态,克服该模型参数难以确定、鲁棒性差的缺点.实验表明,改进分段半马尔可夫模型能够快速准确检测出在时间上存在任意缩放的相似模式.

基于灰色EM-SHSMM的缺失数据下设备健康预测研究

设备健康预测问题的研究大多在全样本数据下进行,而在缺失样本数据下的研究却很少。针对缺失样本数据下设备健康预测问题,提出了集成分段隐半马尔可夫模型(SHSMM)与GM(1,1,λ)的联合优化模型。基于SHSMM的模型架构,利用EM算法推导出SHSMM中的参数估计式,再基于GM(1,1,λ),提出灰色启发式算法填补样本中的缺失数据,在预测过程中进行设备健康预测。最后,通过案例分析对模型进行评价和验证。结果表明,提出的设备健康预测方法能有效解决缺失数据的问题。

基于动态EM-SHSMM的异常数据下设备健康预测研究

针对设备退化过程中异常数据下的剩余有效寿命预测问题,提出了一种基于动态的期望最大化算法(EM)-分段隐半马尔可夫模型(SHSMM)预测方法。基于SHSMM的理论框架,采用期望最大化参数自适应估计算法估计模型中的未知参数;基于WGM(1,1)模型,提出动态前向后向灰色填充算法处理样本中的异常数据,并利用健康预测过程预测设备的剩余有效寿命;通过实例分析对模型进行评价和验证。结果表明,提出的设备健康预测方法能有效解决异常数据的问题。