不平衡数据集异常检测和分类算法

针对传统异常检测模型在面对不平衡样本集时存在参数优化困难、少数类识别效果差等问题,提出一种组合模型以实现不平衡数据集的异常检测和分类。首先利用支撑向量数据描述构造闭合曲面实现“异常”检测,然后提出改进少数样本合成技术对“异常”数据进行过采样以构建平衡数据集,最后利用所提最大类间-类内距K-均值聚类进行自动聚类,实现3种异常数据的分类判决。结果表明,所提方法能够获得较高的异常检测和分类性能,并且具有较强的泛化能力。

基于神经网络—模糊集的多元过程质量异常检测及分类

传统的多元控制图用于多元质量过程监控难以给出异常相关的进一步信息。而对于与过程异常关联的质量特性或其组合的检测及其偏移量的测定或定性,对于异常原因的快速诊断、纠正措施的及时制定意义重大,从而减少过程异常导致的不合格产品量。本文提出一种利用神经网络和模糊集技术对多元过程质量异常进行检测及分类的方法,神经网络模块利用其模式识别功能对过程偏移信号作出解释,确定引发异常的质量特性或其组合;模糊分类模块利用其模糊聚类功能对神经网络的输出信号加以分类,确定异常质量特性或其组合的偏移程度。并以ARL为评价指标,与多元T2控制图做了比较。

基于流形学习的异常检测算法研究

化探异常识别是成矿预测的重要依据。化探异常识别本质上是一不均衡数据的分类问题。异常识别过程中面临的主要问题是高维数据的处理问题,流形学习通过非线性降维方法实现维数约简。提出了一种基于流形学习的异常识别算法,通过流形学习进行维数约简,结合AdaCost技术,以改善不平衡数据的分类性能。以某锡铜多金属矿床的数据为研究对象进行仿真实验,实验结果表明该算法能够更准确地圈定区域化探异常,为成矿预测与评价提供了新的解决途径。