基于特征样本的变参数模型估计方法研究

文章基于特征样本采样方法,通过对特征样本的重新组合,设计了一种新的变参数模型估计方法,实现经济社会问题中小样本情况下的变参数估计。该方法根据采样顺序将特征样本重组为时间序列各期的样本,通过分期回归实现各期的变参数估计,并对估计结果进行显著性和拟合度检验。该方法简便易行,且符合贝叶斯原理和蒙特卡罗原理,为变参数模型的估计提供了一种新的思路。

基于特征样本核主元分析的TE过程快速故障辨识方法(英文)

核主元分析(KPCA)在非线性系统的故障检测方面明显优于普通的PCA方法,但存在无法进行故障辨识以及在故障诊断过程常常出现核矩阵K计算困难等难题。针对上述问题,提出了一种基于特征样本核主元分析方法(FS-KPCA)非线性故障辨识方法。首先采用特征样本(FS)提取方法有效解决核矩阵K的计算量问题。然后利用计算核函数的偏导方法求取KPCA监控中每个原始变量对统计量T2和SPE的贡献率,利用每个变量对监控统计量贡献程度的不同,可以辨识出故障源。将上述方法应用到TE过程,仿真结果表明该方法不仅能够有效辨识故障,而且提高了故障检测和辨识速度。

特征样本重复抽样建模方法和应用研究

本文在传统统计回归方法的基础上,构建了一种新的特征样本重复抽样回归(FSR)建模方法。该方法是依据变量特征采用机器抽样方法重复抽样,形成多个特征样本,然后对多个样本进行参数估计,形成参数的抽样分布;最后依据抽样分布,在多个优化目标要求下建立最优化模型。FSR方法能够作为社会科学研究中一种通用的建模方法。

蒙特卡洛特征样本采样方法研究

从蒙特卡洛计算机模拟目的出发,在特征样本定义的基础上讨论特征样本的蒙特卡洛采样方法。对特征样本进行分类,设计了分布型和曲线型两大类特征样本的10种采样方法,用4个例子展示了特征样本的具体采样方法和计算机程序,并用一个多元回归参数估计的实例说明了特征样本的应用。

稳健特征样本集

本文从用样本集对所研究对象的特征稳定性描述的角度出发,提出了稳健特征样本集的概念、表述式及其确定方法,并能广泛地应用于用样本集的变化反映所研究对象的特征稳定性的有关领域。

改进特征样本方法的KPCA变压器故障检测模型

针对核主元分析(KPCA)监控模型由于建模样本不纯而导致故障检测失效问题,提出基于改进特征样本方法的KPCA故障检测模型并应用于变压器故障检测中。利用特征值变化信息,设计出异常样本剔除算法以避免异常样本被选入特征样本集;采用特征样本方法提取建模样本集,建立KPCA监控模型,采用复合统计量对变压器运行状态进行检测,实验结果验证了改进特征样本算法的有效性,表明提出的方法具有较高的故障敏感性和检测效率。

一种新的用于故障诊断分类器的特征样本生成方法

研究了测量向量的特征。提出了利用Voronoi多胞体选择特征样本的新方法。该方法由 3部分组成 :置信判决 ,首正归一及边界样本选择。利用该法生成的训练集不仅可以大大减少样本数从而提高训练速度 ,而且通过调节故障类别分割面位置 ,还可提高故障诊断准确率。

自样本特征构造的1DCNN-BiLSTM网侧光伏功率预测

为解决电网难以获取NWP数据和无法建立光伏功率预测模型的问题,提出一种自样本特征构造的一维卷积双向长短期记忆神经网络光伏发电功率预测方法。通过K均值聚类和功率骤减事件检测的特征工程获取细粒度的天气状态标签,实现基于自身样本的特征构造,以解决样本特征缺少问题;采用卷积和长短期记忆网络结合的模型结构,解决局部特征提取和长期依赖的问题。算例验证结果表明,所提方法改善整体的预测性能,降低多特征数据存在的数据匮乏和数据稳定性风险,为模型输入特征较少的网侧光伏功率短期预测提供一种有效途径。

基于混合特征提取的流数据概念漂移处理方法

大数据时代,越来越多的数据以数据流的形式产生,由于其具有快速、无限、不稳定及动态变化等特性,使得概念漂移成为流数据挖掘中一个重要但困难的问题.目前多数概念漂移处理方法存在信息提取能力有限且未充分考虑流数据的时序特性等问题.针对这些问题,提出一种基于混合特征提取的流数据概念漂移处理方法(concept drift processing method of streaming data based on mixed feature extraction,MFECD).该方法首先采用不同尺度的卷积核对数据进行建模以构建拼接特征,采用门控机制将浅层输入和拼接特征融合,作为不同网络层次输入进行自适应集成,以获得能够兼顾细节信息和语义信息的数据特性.在此基础上,采用注意力机制和相似度计算评估流数据不同时刻的重要性,以增强数据流关键位点的时序特性.实验结果表明,该方法能有效提取流数据中包含的复杂数据特征和时序特征,提高了数据流中概念漂移的处理能力.

基于样本分布特征的数据投毒防御

流量分类模型在更新过程中易受数据污染的干扰而降低模型性能,现有基于数据清洗的防御方法需依赖专家经验和人工筛选,且无法有效应对利用未知分布样本构造的投毒攻击。针对上述问题,受分布外检测和判别主动学习的启发,设计一种基于样本分布特征的数据投毒防御方法,通过二分类判别器筛选每轮新增样本中的已知及未知分布样本。对于新增的已知分布样本,通过模型预测与标注结果一致率评估新增样本的数据质量,决定是否进行模型更新;对于新增的未知分布样本,则利用基于标注正确率的少样本抽检评估样本可用性。实验结果表明,该方法在抵御数据投毒攻击的同时可以保证模型准确率,并有效识别利用未知分布样本构造的数据投毒攻击。

基于样本特征的耗材精细化管理方法

为提高耗材精细化管理在管理效率和分类精度方面的能力,提出基于耗材样本特征的耗材精细化管理方法。通过提取医院耗材信息的约束子集,计算每个科室的约束得分以及信息特征序列,并提取样本特征,将其信息映射到每个类别的概率构造其函数,通过计算相关性权重值进行融合分类,通过对不同科室耗材信息源在小范围内建立子库,利用实体模式规则抽取耗材信息源集合,构建精细化管理模型并应用,实现科室耗材的精细化管理。实验表明,该方法不仅能提高管理效率,而且能提高分类的准确性。

基于中心距和样本特征的换流变压器模糊状态评估模型

换流变压器是高压直流输电工程中的枢纽设备,随着投运年限的增加,其绝缘问题日益突出,对其运行状态进行评估以指导运维工作就显得尤为重要。文中综合分析了换流变压器的结构和工作特性,建立了全面的换流变压器评估指标体系;提出了一种基于模糊层次分析的换流变压器状态评估方法,避免了主观因素影响;以不同时段内换流变压器运维数据样本为基础,建立了多个带有样本特征的换流变压器模糊状态评估模型,通过中心距融合法,得到了基于样本特征的换流变压器综合模糊状态评估模型。本方法以实测数据和运维统计数据为基础,充分体现了换流变结构特点和不同时段内运行特性,具有较高的精度和较广泛的适用范围。

利用样本特征的盲频谱感知算法

为克服噪声不确定度及噪声方差的影响,利用样本特征构造了新的检验统计量,推导了频谱空闲、频谱占用时检验统计量的概率密度函数,提出基于F分布的盲频谱感知算法,但其判决门限受采样点数影响;为此,利用Anderson-Darling准则提出基于F分布的拟合度检验算法。在高斯信道下对两种算法进行了仿真,并与能量检测算法、GOF算法仿真结果比较可知,所提两种算法性能优于噪声方差已知的能量检测算法,并克服能量检测算法、GOF算法受噪声不确定度以及噪声方差影响这一缺陷。

基于样本分布特征的核函数选择方法研究

核函数选择是支持向量机研究的热点和难点。目前大多数核函数选择方法主要应用验证方法选择,很少考虑数据的分布特征,没有充分利用隐含在数据中的信息。为此提出了一种应用样本分布特征的核函数选择方法,即先行分析样本分布特征,然后结合核函数蕴含的几何度量选择合适的核函数,使非线性样本映射得到的特征空间线性可分性得到提高,增强可分性和预测能力。仿真结果证明,提出的方法对支持向量机核函数选择能提供有效的指导,且对泛化能力也得到提高,方案具有可行性和有效性。

基于样本特征强化的APT攻击多阶段检测方法

针对高级持续性威胁(APT)攻击检测方法普遍缺乏对APT攻击多阶段流量特征多样性的感知,对持续时间较长的APT攻击序列检测效果不佳且难以检测处于不同攻击阶段的多类潜在APT攻击等不足,提出一种基于样本特征强化的APT攻击多阶段检测方法。首先,根据APT攻击特点,将恶意流量划分至不同攻击阶段并构建APT攻击标识序列。其次,通过序列生成对抗网络模拟生成APT攻击多个阶段的标识序列,增加不同阶段序列样本数量实现样本特征强化并提高多阶段样本特征的多样性。最后,提出一种多阶段检测网络模型,基于多阶段感知注意力机制对提取的多阶段流量特征与标识序列进行注意力计算,得到阶段特征向量,并作为辅助信息与标识序列进行拼接操作,增强检测模型对不同阶段感知能力并提高检测精度。实验结果表明,所提方法在2个基准数据集上均有良好的检测效果,对多类潜在APT攻击的检测效果优于其他模型。

基于添加小样本特征VQ算法的说话人识别

针对说话人识别采用LBG算法训练码本进行矢量量化(VQ),对初始码书依赖性大,容易陷入局部最优而忽略语音信号中的小样本特征等,提出一种添加小样本特征的VQ改进算法,采用PCC算法提取语音信号的小样本特征码本,避免发生小特征样本被忽略及由小特征样本聚类产生空胞腔的情况.实验表明,该算法的识别率可达99.50%.

谬误回归中相关参数及统计量的极限分布与样本特征

为了研究出现谬误回归时回归方程中相关参数及统计量的极限分布与样本特征,文章在泛函中心极限定理的基础上,采用蒙特卡罗模拟方法对两个独立的随机游走序列进行了大样本模拟。研究结果表明:当出现谬误回归时,R2、DW统计量、α、t(α)、β、t(β)的极限分布不再满足正态性,样本特征也呈现出不同的变化,R2的极限分布呈现低峰、薄尾、右偏的特征。随着样本容量得增加,DW统计量依概率收敛于0,α、t(α)、t(β)并不会收敛于某一个常数,也就是说他们都是发散的,而β却是收敛的,样本的扩展使得R2>0.5的频数不断的增加,所以增加样本容量不能有效解决或者弱化谬误回归现象。

基于粗糙集理论的模式分类样本特征选择方法研究

本文提出了一种基于粗糙集理论的模式分类样本特征选择方法,该方法应用粗糙集理论和方法,对给定的学习样本进行特征选择,根据这些特征构造神经网络模型进行训练,并在网络的工作阶段,根据这些特征对待识样本进行分类。在模式分类中,该方法能够减少网络的训练时间并改善网络的泛化能力。

基于样本的等距特征映射的行为分析方法

针对运动捕捉数据分析和应用的效率要求,提出了一种基于样本-Isomap的行为分析方法.通过计算运动数据中样本帧的距离矩阵得到样本嵌入空间的特征向量,用其近似表示嵌入空间的特征向量,然后在该空间上计算非样本帧的投影,得到非样本帧的近似流形嵌入.结果表明当样本帧的选取比例在10%时可以近似得到整个运动数据的低维流形嵌入,且处理效率比原方法提高10倍以上.应用该算法对高维运动捕捉数据进行降维,能够提高运动捕捉数据分析和应用的效率.

回归神经网络中样本特征记忆的反馈控制方法研究

分析了具有遗忘特性及信息锁存能力的状态回归神经网络的计算方法。针对多输入多输出时序样本,提出了更能反映网络短时记忆能力以及时序样本数据物理特性的同时刻反馈控制和计算方法。实验结果显示,该文提出的方法对时序样本的学习和记忆不但具有更高的准确性,而且不增加计算的复杂性。