基于自动特征工程的飞行器轴承故障诊断

针对飞行器轴承信号单一且噪声多、需要针对性特征以及需要高可解释性的问题,开发了涵盖具有自适应噪声的完全集合经验模态分解(CEEMDAN)、自动特征工程以及随机森林的故障诊断模型,模型核心为自动进行特征生成以及提取的特征工程。通过该特征工程能够根据不同对象的信号差异,自动提取出不同对象的有效特征,具备对象间的通用性,且该特征工程可根据样本量的不同调整有效特征的数量,丰富特征空间,具备灵活的可扩展性。验证表明,该涵盖自动特征工程的模型的故障分类准确率为95.32%,可较好地在大样本量下区分压缩机轴承上的不同故障。

一种基于自动特征工程与压缩感知的网络隧道检测方法

利用网络隧道进行攻击、窃密等成为近年来网络安全领域的热点问题。如何提高大规模网络隧道检测分析时带来的识别精度低的问题亟需解决。针对基于DNS、HTTP协议的主流隧道检测问题,提出一种基于自动特征工程与压缩感知相结合的网络隧道检测方法。通过自动特征工程挖掘出更深层次的网络隧道特征,同时通过压缩感知算法在不损失高维特征精度的基础上实现降维,提高计算效率。在大规模真实数据集上实验结果表明,DNS隧道检测的F-measure值能达到95%,HTTP隧道检测的F-measure值能达到82%以上。

自动化特征工程综述

机器学习基于信息可以更加高效地做出预测和决策,因此在数据驱动模型中发挥了重要的作用。特征工程是提高机器学习系统高效性的决定性因素,但却是最耗时的任务之一。因此考虑到人为错误和极端的时间成本,自动化特征工程应运而生。近年来,自动化特征工程得到了飞速的发展,解放了大量且乏味单调的人工操作。本文对自动化特征工程的算法进行系统性的整理和总结,为后续研究提供了参考。

自动特征工程的飞行器轴承故障诊断分析

飞行器轴承具有较多问题,一般问题包括信号较差,信号来源单一,有较大噪声。特征有针对性、可解性强,有一种自适应噪声、自动特征工程和随机森林于一体的全套经验模式(CEEMDAN)故障诊断模型。该模型的核心是特征工程,用于自动生成和提取特征。特征工程可以根据不同对象的信号差异自动提取不同对象的有效特征,具有对象间的通用性。特征工程可以根据不同的样本大小调整有效特征的数量,丰富功能空间,具有灵活的可扩展性。验证表明,覆盖自动特征工程模型的故障分类准确率高达90%以上,能够在大样本下更好地区分压缩机轴承的不同故障。

一种面向网络支付反欺诈的自动化特征工程方法

互联网金融欺诈正导致诸多社会经济问题.网络支付是互联网金融中的典型模式之一,此模式中的欺诈交易也是互联网金融欺诈的主要形式之一.通过构建基于机器学习的欺诈检测模型来识别欺诈交易的方法已成为网络支付反欺诈领域的主流思路.在构建欺诈检测模型的过程中,特征工程是最为关键的一步,特征的质量将直接影响模型的性能;通常,这也是最为耗时且对相关领域的专业知识要求最高的步骤.现有网络支付欺诈检测模型在特征工程上主要是领域专家基于业务知识以手动构造的形式来开展.而在网络支付模式下欺诈场景众多,不同场景下的特征构造流程不尽相同.人工特征构建方法已不能满足与日俱增的反欺诈需求.解决此问题的重要方法之一便是自动化特征工程.本文针对网络支付欺诈检测提出了一种轻量化、树结构、高效率、可扩展和可解释的自动化特征工程方法.该方法:(1)对计算条件的要求低且对数据集样本的依赖性小,这一优势是利用树结构模型进行特征构造得以实现;(2)可构造出深度层次的复杂特征和广度层次的各类型特征,这一优势是利用节点处特征构造的新型流程和转换函数权重向量的时效性更新机制得以实现;(3)在网络支付模式不同场景下可实现跨场景复用,这一优势是通过复用和扩展定制化转换函数得以实现;(4)构造出的特征具有可解释性,这一优势得益于基于结合转换函数与树模型的特征构造过程具备可表达性.本文在网络支付典型场景的业务数据集上验证了所设计的自动化特征工程方法的有效性.

一种面向网络借贷反欺诈的自动化特征工程方法

识别欺诈性贷款申请是信贷机构面临的一个严峻挑战。不良贷款申请每年为金融业造成了巨额经济损失,目前已有不少机构使用机器学习技术预防和打击欺诈贷款。在构建欺诈检测模型的过程中,特征工程是最关键的一步,因为特征的质量将直接影响模型的性能,也是最耗时、对相关领域的专业知识要求最高的步骤之一。针对这一问题,提出了基于深度特征合成算法的自动特征工程方案,具有能够处理脱敏字符串、生成易于理解的特征的特点。其中,特征的合成和筛选步骤均由程序自动进行,不仅降低了反欺诈工作的门槛,也使专业研究人员将更多时间花在后续的模型选择和参数调整上。最后,通过对比实验,发现自动构造的特征相对于原始特征和人工构造的特征,数量和分类性能均有提高,而所耗时间大幅减少。

基于图谱增强和CNN的旋转机械智能故障诊断

针对短时傅里叶变换时频谱存在Heisenberg测不准现象,提出了一种基于图谱增强和CNN的旋转机械智能故障诊断的方法。首先,对振动信号进行数据质量验证后,采用不同窗宽度的短时傅里叶变换构造多个时频谱图,之后将多个时频谱图进行拼接实现图谱增强。然后将图谱增强后的训练集图像进行向量化后输入到卷积神经网络进行训练,并生成训练模型文件。最后将测试集图像进行向量化后输入到训练模型文件进行预测,实现对旋转机械端到端的智能故障诊断。实验结果表明,该方法在小样本集、变负载变转速以及高噪声环境下具有较好的泛化性和鲁棒性。在凯斯西储大学滚动轴承故障数据集上得以验证,其中,小样本集实验的平均准确率为98.5%、变负载实验的平均准确率为99.7%、强噪声干扰实验的平均准确率为99.4%。

基于MediaPipe与机器学习模型融合的手势识别框架

文章提出了一种基于MediaPipe与机器学习模型融合的手势识别框架。首先,通过MediaPipe获取手部21个关键点;其次,使用数据集增强模块扩充数据集,根据角度信息和距离信息使用自动化特征构建模块生成特征并使用主成分分析进行降维;最后,使用机器学习模型在自主数据集进行训练和预测,通过验证发现支持向量机模型效果最好。