基于改进SVDD的飞参数据新异检测方法

为实现飞参数据自动判读,提出一种基于改进支持向量数据描述(SVDD)的飞参数据新异检测方法。首先通过启发式的约减SVDD核矩阵尺寸,加快了SVDD的运算速度,并使之更适合于大样本的飞参数据新异检测;而后研究了飞参数据中参数采样率不统一条件下样本生成的问题;最后以发动机气路参数、舵面偏转参数和发动机振动值参数3组异常状态飞参数据为例,应用改进的SVDD方法进行了飞参数据新异检测。结果表明,该方法能准确检测出飞参数据中的异常,可用于飞参数据自动判读。

面向新异检测的启发式约减支持向量数据描述

针对支持向量数据描述(SVDD)单类分类方法运算复杂度高的缺点,提出一种启发式约减支持向量数据描述(HR-SVDD)方法.以启发的方式从原有训练集中筛选出部分样本构成约减训练集,对约减训练集进行二次规划解算,得到支持向量和决策边界.通过不同宽度系数高斯核SVDD特征的讨论,证明了HR-SVDD的有效性.人工数据集和真实数据集上的实验结果表明,HR-SVDD分类精度与传统支持向量数据描述相当,但具有更快的运算速度和更小的内存占用.