水轮发电机组故障诊断的反向选择算法

本文提出了一种水轮发电机组故障诊断的新方法。该方法将生物免疫系统中的“自己_非己”理论应用于水轮发电机组故障诊断中,采用贪婪算法产生检测器集,使得所产生的检测器集能够更好的覆盖各种故障模式,从而实现了对水轮发电机组故障的分类诊断,并通过实例证明了该方法的有效性。文中最后对试验结果做出了分析。

液体火箭发动机故障检测与诊断的反向选择算法

基于生物免疫系统中的反向选择原理,提出了液体火箭发动机地面试车故障检测与诊断的新方法,对检测器的产生、检测器数量的确定以及故障诊断的实现等几个问题进行了分析。基于发动机地面试车数据的验证结果表明,该方法能有效提高算法的训练效率、实时性能和诊断结果的准确性。

人工免疫系统中反向选择算法的改进

将人工免疫系统运用到入侵检测系统中,近年来已经有了一定的发展。在这个领域中,如何培育出符合需求的免疫细胞,使能够较多地识别非我并较少地识别自我,尽可能地覆盖NONSELF空间,这就是如何培育更好的识别器的问题。反向选择算法是识别器的传统构造算法,该文针对反向选择算法的伪肯定率过高的问题,提出了改进算法,在入侵检测系统中达到的效果更好。

人工免疫中可变识别器反向选择算法研究

将人工免疫系统运用到入侵检测系统中,近年来已经有了一定的发展。在这个领域中,传统的识别器构造算法(反向选择算法)是基于二进制空间的,近年来出现了利于处理更复杂问题的基于真值空间的算法。文章针对基于真值空间的识别器范围不可变的不足,提出了能够生成可变范围识别器的构造算法。该算法不仅加强了反向选择算法的效率和可靠性,而且在复杂性上也没有显著增加。

基于实值反向选择算法的齿轮箱异常检测

在人工免疫系统反向选择机理的基础上,分析了二进制反向选择算法的缺点及采用实值编码的优点。在利用实值编码的反向选择机理中加入2个进化学习机制,对原始反向算法进行改进得到实值反向选择算法,并应用于机床齿轮箱的运行状态检测。结果表明,该算法产生的检测器集合对非己空间有很好的覆盖能力,并得到了很高的异常检测率。

基于反向选择的网络异常学习行为识别方法

网络学习中,异常学习行为不易及时被察觉和纠正,可能会导致严重的学习问题.网络异常学习行为具有多样性和不确定性,难以通过规则直接界定.借鉴生物免疫系统识别病原体的原理设计的反向选择算法,能自适应识别未知异常,并具有实时性、动态性、多样性、鲁棒性等特征.借助主成分分析法从网络学习行为日志数据中抽取行为特征,构成多维空间的学习行为向量,通过优化训练集改进了反向选择算法并设计了基于该算法的网络异常学习行为识别方法.在真实数据集上的实验结果表明:该方法的识别率优于朴素高斯贝叶斯、决策树、支持向量机等常用算法,能够及时对异常学习行为进行早期预警,为干预和改进学习效果提供客观依据.该方法不需要人工干预,能识别未知的异常行为,具有多样性和较高的自适应性.

基于免疫算法的无刷励磁发电机旋转整流器故障诊断

在大型发电机的无刷励磁系统中,旋转整流器承受着强大的离心力和电磁作用,故障发生率相对较高。采用旋转整流器故障时交流励磁机旋转电枢产生的谐波磁场在其定子励磁线圈中感应谐波电势的电磁特性,从中提取旋转整流器故障信号波形。运用傅里叶分解故障信号波形,对故障信号波形的特征值进行编码处理,并用免疫算法中的反向选择算法对傅里叶分解后的故障特征值进行计算,完成旋转整流器的故障诊断。利用人工免疫的反向选择算法,对一台15 kW无刷励磁同步发电机旋转整流器的短路与开路故障进行仿真诊断。仿真结果表明,基于免疫系统反向选择机制的人工免疫算法,与傅里叶分解算法相结合,进一步提高了无刷励磁同步发电机旋转整流器故障诊断的准确率,可达95%以上。

基于人工免疫算法的Multi-Agent故障监测诊断系统

根据复杂机电设备的分布式、自动化、集成化高的特点,将Multi-Agent技术应用于复杂机电设备的故障监测,提出了一个基于层次模型的监测系统构架。各监测Agent中采用实值反向选择免疫算法,对设备运行中的异常情况进行识别。应用该系统对某选煤厂电机系统进行在线监测,提高了系统监测的智能化、自适应能力,并具有良好的可扩展性。

基于模糊控制及遗传算法的人工免疫入侵检测算法

针对反向选择算法在面对大量的网络通信数据或具有多个分离特征区间网络通信数据时的无效性,提出了基于模糊控制及遗传算法的人工免疫入侵检测算法,利用模糊控制原理对抗体进行浓缩,并通过遗传算法进化种群,从而使得抗体的数量得到控制且检测效率较高。

一种人工免疫系统改进算法的仿真研究

针对人工免疫系统在处理多维向量分类时存在的初始抗体数量“爆炸”问题,对人工免疫系统的反向选择算法进行改进,研究了初始抗体的生成机理,并在初始抗体的生成条件中加入新的约束,降低了人工免疫系统所需的初始抗体数量,解决了多维向量的分类问题,在实际应用中有着很强的推广应用价值。

基于免疫原理的旋转机组故障诊断方法研究

针对目前旋转机组故障诊断中存在的样本需求量大及诊断学习缺乏自主连续性等问题,提出了基于人工免疫原理的故障诊断方法。以状态征兆为抗原,各种故障模式下的故障检测器作为抗体,通过反向选择算法判别机组运行是否正常,利用动态规模免疫算法进化学习获得能识别抗原结构的记忆抗体。根据最大故障隶属度诊断故障类型,以旋转机组振动为诊断对象的仿真结果表明,该方法可行,且适合故障样本难以获得的小样本故障诊断。

基于自适应性分类器的垃圾邮件检测

垃圾邮件形式内容多变,容易伪装成正常邮件而绕过检测,其中新型垃圾邮件的检测漏报率较高。为此,结合反向选择和支持向量机(SVM)的思想,设计一种新的自适应性分类器并应用于垃圾邮件检测。使用SVM的最优超平面对邮件进行预分类,得到与预测模型匹配的"正常邮件"和垃圾邮件,运用反向选择算法(NSA)对筛选出的"正常邮件"数据集进行二次过滤以检测出新型垃圾邮件,并利用含有标签的正常邮件和垃圾邮件集合自适应更新原有的最优超平面,循环上述检测过程直至垃圾邮件的识别率趋于稳定,最终得到的最优超平面符合当前检测最优。实验结果表明,相对于SVM与NSA,该检测方法能在保证正常邮件高识别率的基础上,提高新型垃圾邮件的识别率。