一种新的在线流数据异常检测方法

流数据的海量、无限、分布动态变化且不均衡等特征使得对流数据的在线异常检测成为当前一个研究热点。分析了异常数据的少而不同且更容易通过随机空间的分割而孤立出来的特征,基于在线集成学习理论,提出了一种基于隔离森林的在线流数据异常检测算法。在4个UCI标准数据集上的实验结果表明提出的方法有效。

基于EOS-ELM的高频地波雷达有效波高反演

高频地波雷达(HFSWR)海面回波谱中包含海态信息,通常基于一阶谱和二阶谱特征信息分别建立拟合模型来反演有效波高,但是单独利用一阶和二阶谱信息来反演波高,会分别存在一阶谱能量饱和和二阶谱信噪比低的问题。本文基于集成在线顺序极限学习机(EOS-ELM)的方法,利用高频地波雷达数据,综合考虑一阶谱和二阶谱的特征信息来进行有效波高的反演。学习机能够有效选择一阶谱和二阶谱信息,使结果达到最优化,从而提高有效波高的反演精度。针对低海况的数据,本文通过分析确定波高分类阈值,将数据分段进行波高反演,进一步提高了波高反演的精度。