基于半监督学习的未知异常检测方法

异常检测旨在识别偏离预期行为模式的数据.虽然半监督异常检测方法可以充分利用有限的标签数据作为先验知识来提高检测准确性,但是收集到的标记异常(即已知异常)很难覆盖所有类型的异常并且在现实场景中往往存在着一些新型的异常(即未知异常),这些异常可能与已知异常表现出不同的特性,因此难以被现有的半监督异常检测方法识别.针对该问题,提出了一种基于半监督学习的未知异常检测(semi-supervised unknown anomaly detection,SSUAD)方法,旨在同时识别已知异常和未知异常.该方法利用闭集分类器对已知异常和正常分类,利用未知异常检测器检测未知异常.此外,还考虑了异常场景中异常和正常极端不平衡的情况,设计了有效的数据增强方法来扩充异常样本的数量.在UNSW-NB15和KDDCUP99数据集以及一个真实数据集SQB上进行了实验,实验结果表明,相较于现有的异常检测方法,SSUAD在异常检测性能指标AUC-ROC(area under receiver operating characteristic curve)和AUC-PR(area under precision-recall curve)上都有明显的提升.证明了SSUAD的有效性和合理性.

基于小波神经网络的轴承未知异常诊断

针对滚动轴承振动信号复杂,故障类型难以预知的问题,提出基于小波-神经网络技术的滚动轴承未知异常诊断的新方法。利用小波包对滚动轴承振动信号进行分解与重构,获得振动信号的突变信息,提取与滚动轴承故障相关的特征信息,将其作为特征向量输入自组织特征映射(Self-Organizing Feature Maps,SOFM)神经网络,对其进行自动分类识别,根据数据映射位置,可实现对滚动轴承未知异常的诊断,并为专家系统知识的自动获取提供了一条新途径。通过对仿真结果的分析,证实这种诊断方法的可行性。

计算机识别多类异常方法探讨

对异常的识别,已有不少的研究成果,如数学地质方法中的判别分析、聚类分析等。这些方法对两类异常、地质条件类似时有较好的效果。但对多类异常的识别仍然是十分复杂而困难的问题。 在本文中,将研究识别多类异常的简单而有效方法。它是从已知的C类异常中提取m个特征,构成特征空间。这些特征可以是原始资料中的各种参数、原始资料的各种变换,只要具有辨识能力的均可以认为特征。这里设计分类器,通过它将具有m个特征的未知异常进行分类识别。

EH-4连续电导率剖面法在金牛厂铅锌矿的应用

金牛厂铅锌矿产状陡、下延不清,采用其他物探方法效果不够好,本文介绍在该区开展EH4方法有效性研究及其成效。