基于可变滑动窗口KLPP的故障检测

为了提高KLPP在故障检测过程中对非线性和时变特性的自适应能力,提出一种基于可变滑动窗口KLPP(VMWKLPP)的故障检测方法。利用训练数据建立KLPP模型,并计算其统计量和控制限;对测试样本块进行检验,通过正常过程的变化来调节窗口的大小,选择最优的窗口大小。滑动窗口来添加新的样本块和丢弃旧的样本块,实现窗口数据样本的实时更新,以进一步更新KLPP模型和控制限。将该方法运用于田纳西-伊斯曼过程中,仿真结果表明,与KLPP和滑动窗口KLPP(MWKLPP)相比,VMWKLPP方法在工业过程监控中具有明显的优越性。

基于可变滑动窗口与3σ准则的脉冲星信号去噪算法

针对地面接收射电观测脉冲星信号较弱、信噪比较低的问题,提出了基于可变滑动窗口与两层3σ准则的信号去噪算法。该算法引入可变滑动窗口,对信号进行分步连续处理,同时在筛选噪声时使用两层3σ准则算法,解决了噪声遗漏及过度去噪问题。为证明算法可靠性与实用性,利用佳木斯66 m观测站实测数据进行算法验证,针对J1939+2134与J1744—1134脉冲星的实测数据进行分析处理。结果表明,该算法能够对脉冲星数据进行有效去噪,普遍提高信噪比约10dB。

电网断面越限预测滑动可变窗口方法研究

稳定断面是电网运行人员重点监视和控制的电网重要组成部分,分析稳定断面以发现电网薄弱环节,具有重要的理论和实践意义。传统方法对稳定断面运行的海量数据无法高效分析并快速告警,但随着电力系统自动化技术和计算机新技术的发展,通过对海量存储的断面历史状态数据分析稳定断面越限情况,辅助电网运行人员进行稳定断面越限的快速分析和识别,对电网运行具有积极作用。针对传统方法在样本容量不确定的情况下,已有的基于回归分析的预测方法难以实现对目标点的精准预测等特点,提出了一种基于滑动可变窗口的电网稳定断面越限预测方法。利用多重迭代方法可动态获取最优拟合模型及样本。试验表明,基于滑动可变窗口的电网稳定断面越限预测方法可精确预测电网稳定断面越限变化规律,并对多类数据的预测具有良好的适用性。

基于动态特征提取和神经网络的数据流分类研究

为提高数据流分类的精确性和适应性,提出了一种新的数据流分类方法。该方法基于总体最小二乘法对数据流进行分段拟合,并将传统曲线分析算法——滑动窗口(SW)和在线数据分割(OSD)进行结合、改进,以可变滑动窗口算法实现对数据流的合理分割,提高趋势分析精度。在此基础上,对数据流进行动态特征提取和判断,并以神经网络对数据流特征进行模式识别,精确分类,进而对监控对象提供早期预警、状态评估和决策支持。实验结果表明,该方法能对数据流进行有效的动态特征描述,分类效果明显。

基于K-means的数据流离群点检测算法

针对数据流中离群点挖掘问题,在K-means聚类算法基础上,提出了基于距离的准则进行数据间离群点判断的离群点检测DOKM算法。根据数据流概念漂移检测结果来自适应地调整滑动窗口大小,从而实现对数据流的离群点检测,与其他离群点算法的一系列实验验证和对比结果表明,DOKM算法在人工数据集和真实数据集中均可以实现对离群点的有效检测。

基于模糊聚类的数据流概念漂移检测算法

针对数据流中可能出现的概念漂移现象,采用改进的FCM算法进行模糊聚类,提出在大小可变的滑动窗口中通过度量相邻窗口之间的差异性来判断是否发生了概念漂移,并给出了相应的处理方法。实验表明该算法能够有效地检测出数据流中的概念漂移现象,具有很好的聚类效果和很高的时间效率。

一种数据流趋势分析方法的研究与应用

有效趋势的提取可为监控对象提供早期预警、状态评估和决策支持。传统的曲线趋势分析算法有滑动窗口(SW)算法、外推式在线数据分割(OSD)算法,二者均采用常规最小二乘法进行曲线拟合。与常规最小二乘法相比,总体最小二乘法具有更高的直线拟合精度。此外,针对SW算法的滑动窗口最大长度没有限制,当检测点阈值比较大时,窗口的长度可能很长;而0SD算法限定了最小滑动窗口长度,使得在最小滑动窗口内的突变点无法检测。针对SW算法和OSD算法的缺陷,提出了一种新的数据流趋势分析方法,该方法采用总体最小二乘法对数据流进行分段拟合,提高了趋势分析精度;还提出了可变滑动窗口算法解决SW算法和OSD算法的固定窗口问题,以实现对数据流的合理分割。实验结果表明,有效性较为明显。

一种新的网络入侵模式提取算法及其应用

该文在分析国内外现有入侵检测技术和系统的基础上,提出了一种基于实时入侵时态知识模型和可变滑动窗口的实时模式提取算法,并在此基础上,实现了基于规则的、层次化的智能入侵检测原型系统(RIDES)。实验结果表明:该系统不仅能快速检测网络入侵,而且具有一定的学习能力,能够适应不同的网络应用环境。