基于模糊SVDD的电子装备状态评估模型研究

为有效解决电子装备的状态评估问题,提出了一种将模糊理论和SVDD算法相结合的电子装备状态评估模型。首先,采用模糊理论对电子装备健康状态进行了描述,将普通意义上的状态表述形式转化为了模糊特征描述;然后,采用正常状态样本建立了基于模糊SVDD的电子装备状态评估模型,并以健康度为评估指标,对装备退化状态样本进行了状态评估;最后,以某电子装备滤波电路为例进行了验证,仿真结果表明,该模型用于电子装备状态评估是行之有效的。

基于迭代多模型ICA-SVDD的间歇过程故障在线监测

采用多向主元分析的间歇过程故障监测方法需假设过程数据严格服从高斯分布,而且要对监测批次的测量未知值进行预测,这在一定程度上限制了其应用范围。为此通过建立迭代的多模型序列,不仅有效地解决了测量未知值的预测问题,而且考虑了各个间歇过程时间片之间的关联信息。同时,利用独立成分分析方法提取出过程的非高斯信息,通过引入支持向量数据描述方法对独立成分进行进一步建模,实现非高斯特性下的间歇过程故障在线监测。通过一个实际的半导体制造过程的实验研究,表明提出的新方法可以更有效地处理间歇过程数据信息。

一种基于SVDD模型的说话人确认方法研究

为改善说话人确认的性能,提出一种基于支持向量数据描述(SVDD)模型的说话人确认方法,通过改变SVDD硬判决方式,采用以样本接受率为依据的软判决方式,把似然得分规整到[0,1]之间,简化门限阈值的设定。仿真实验结果表明,与通常基于高斯混合模型(GMM)的说话人确认算法相比,该方法的说话人确认性能有较大提高。

基于SVDD的三维目标多视点视图建模

同一目标在不同观察视点下成像后外形可能有较大差异,因此三维目标多视点视图建模是目标识别的关键.针对该问题,提出了基于支持向量数据描述(SVDD,SupportVector Data Description)方法对目标特征进行描述.在视点球面上均匀采样获取目标全姿态图像,以SVDD方法求取在高维空间内包含尽可能多目标特征向量的最小超球体相关参数,得到数量较少的支持向量将作为目标多视点视图的最佳模型.对多类目标不同姿态的图像(每类2592帧),以规则化不变矩描述目标外形特征,进行了建模实验,并通过识别实验验证了所提方法的有效性和可行性.

加权SVDD算法在人体姿态估计中的研究与应用

支持向量数据描述(SVDD)算法是解决单类分类问题的最好方法之一,在人体姿态估计问题中获得了成功的应用,在建立部位外观模型方面取得了良好的效果,但现有利用SVDD算法建立的部位外观模型将所有训练样本和样本不同特征都平等对待。为克服存在的这两个缺陷,提出了一种样本和特征加权的SVDD算法,并用其建立了一种基于样本和特征加权SVDD算法的部位外观模型。样本的权重系数根据样本到样本中心的距离远近来确定,样本特征的权重系数根据特征对应图像区域被训练图像中真实人体部位包含次数的多少来确定。仿真实验结果表明所建立的部位外观模型比利用标准SVDD算法建立的部位外观模型能更准确地描述真实人体部位的外观,能得到更高的人体姿态估计准确度。

基于主成分建模的SVDD高光谱图像异常检测

针对SVDD背景建模时混入异常点造成的检测率下降的问题,提出了基于主成分建模的SVDD方法并应用于高光谱图像异常检测。利用高光谱图像的光谱特征提取背景的主要成分,并分别对不同成分构建超球体,形成单种背景成分SVDD模型,最后利用综合决策函数对单个SVDD背景模型进行综合判断待检测像元,从而实现高光谱图像异常像元的检测。用仿真数据和真实数据对算法的性能进行验证,并将其与SVDD方法进行性能比较。结果表明,新算法在低虚警概率下较之SVDD模型有更高的检测概率,实验结果证明了算法的有效性。

基于SVDD的信用卡欺诈风险检测与管控研究

随着全球信用卡欺诈交易数量的与日俱增,由信用卡欺诈交易检测和预警不力所带来的银行及用户损失也日益增加。首先,本文通过判断欺诈检测准确性的TP和FP参数,运用概率估计确定算法训练集和测试集的容量。其次,以超球体为判断准则,运用拉格朗日函数训练得到最优超球面的半径和中心,建立信用卡欺诈消费的SVDD风险识别与评估模型。最后,提出信用卡欺诈的风险管控概率模型与反欺诈系统等处理措施。

基于颜色模型和SVDD的烟叶异物识别

为了识别烟叶图像中的异物,利用文献[1]中提出的颜色模型建立方法,为烟叶建立烟叶颜色模型。针对该模型可以得到具有二维属性特征的样本数据,使用支持向量数据域描述的方法(SVDD)训练样本数据,得到特征数据的一个包围域从而得到分类器模型。为了提高单幅异物图像的识别速度,对分类模型建立查找表,从而识别出异物,经验证本方法识别效果颇佳,并且对于和烟叶颜色相近的异物的识别也有所提高,综合剔除率高达98.3%,足以满足实际的剔除设备的要求。

固定翼无人机健康退化建模方法研究

固定翼无人机随使用时间累积,健康状态会逐步退化。研究其健康退化建模方法,可用于无人机剩余寿命预测,指导开展预先维修、智能维修,从而有效延长装备使用寿命和减少故障发生概率。针对固定翼无人机全寿命数据难以获取及故障数据稀缺导致建模困难的问题,提出了基于多任务批次健康飞行数据的建模方法。该方法以SVDD算法为基础,构建无人机健康超球体模型,以球心距偏移趋势刻画健康退化程度,在此基础上引入KDE算法构建飞机整体健康退化指标,进一步使用LSTM算法实现多批次退化趋势的拟合。该方法可应用于固定翼无人机维护与维修,减少维修成本。

结合全局与局部视频表示的视频异常检测算法

针对视频异常行为检测问题,提出结合全局与局部视频表示的视频异常检测算法.首先将输入视频连续多帧划分为视频块.再按空间位置将视频块划分为互不重叠的时空立方体,利用时空立方体运动特征构建基于空间位置的全局时空网格位置支持向量数据描述模型(SVDD).然后针对视频运动目标,提取局部纹理运动特征,采用SVDD获得围绕目标特征的超球体边界,构建运动目标正常行为模型.最后组合两部分以实现更全面的检测.公共数据集上的实验验证文中算法的有效性.

基于时域统计特征的天然气管道泄漏检测方法

根据管道动态压力信号在时域的幅值统计特性,提出一种基于时域统计特征的信号提取方法,实现对天然气管道的泄漏检测。通过每帧信号归一化的频率分布直方图(k-P图),提取动态压力信号时域幅值在均值上、下特定范围内波动的概率特征,使得时域的特征提取与信号幅值及波形无关,并且不受信号频率成分偏移的影响,具有较好的工况适应性。以PCA降维后的正常工况下动态压力信号时域统计特征向量为目标类样本,建立PCA-SVDD诊断模型,实现了对管道泄漏的可靠检测。历史数据的离线检验以及连续、实时的现场检验结果表明该方法可实现天然气管道的泄漏检测。

滑坡危险性区划中基于一类分类模型的样本筛选

历史滑坡样本的准确性对基于统计机器学习的滑坡危险性区划建模工作有着决定性的影响。针对滑坡样本中普遍存在的可靠性问题,该文探索利用一类分类模型的异常探测能力,将其应用于历史滑坡样本筛选和甄别,以期筛除滑坡样本中可靠性较低的点,提升滑坡危险性区划的建模效果。以深圳市为实例研究区,对该方法的可行性和应用效果进行了验证。实例研究中采用支持向量数据描述方法（SVDD）进行样本筛选,利用GAM进行滑坡危险性区划建模,并对样本筛选前后的建模效果和模型应用效果进行了对比分析。使用SVDD模型进行样本筛选时,筛除比例设置为0-30%,以5%为步长递增,共得到7个筛选样本集,之后基于7个样本集分别进行了GAM建模。建模效果对比分析表明,当筛除比例为20%时,模型建模效果最佳,显著优于原始样本集所对应模型。实例研究说明,一类分类模型的异常探测能力适用于历史滑坡数据的筛选甄别工作,并能够显著提升建模效果,模型输出的滑坡危险性区划与历史滑坡分布也更为一致,可为滑坡灾害管理工作提供更为可靠的参考。

基于大数据分类与SVDD模型的多场景500kV劣化绝缘子判定研究

正常状态下500 kV交流瓷绝缘子串在不同场景时分布电压差异较大,根据现有DL/T 487标准电压对所有场景下的绝缘子串进行劣化判定容易产生误判。随着智能运维设备的开发与应用,可为劣化绝缘子判定研究提供数据支持。为准确判定劣化绝缘子,笔者首先建立500 kV绝缘子串多场景下分布电压仿真计算模型,仿真表明塔型、相位、绝缘子片数、均压环是绝缘子串分布电压的重要影响因素;进一步基于这些因素建立大数据分类与SVDD模型的多场景下500 kV劣化绝缘子判定模型,利用仿真得到的分布电压作为样本数据,对模型进行训练和测试。结果表明:基于大数据分类与SVDD模型的多场景500 kV劣化绝缘子判定模型可以对绝缘子进行劣化判定,判定准确率可达到96%。

基于Hurst指数方差分析的堡垒机攻击检测方法

为了有效解决网络安全隐患问题,提出一种基于Hurst指数方差分析的堡垒机攻击检测方法。优先提取堡垒机攻击信号的Hurst指数,同时构建近似仿真Lorenz混沌含噪信号,通过Hurst指数方差分析方法中的小波系数方差对信号分解,分析噪声方差在不同层小波系数上的分布规律,确定小波系数对应层的阈值系数,完成堡垒机攻击信号去噪处理。然后通过聚类和样本相似度区间的方式将训练样本集划分为多个子集,将全部训练子集分别输入到SVDD模型中,同时训练分类器决策边界,实现堡垒机攻击检测。最终经过大量实验测试证明,所提方法可以准确检测堡垒机攻击。

一种乙烯裂解炉的多工况监控方法

随着进料负荷、产品组分等过程参数的改变,生产过程的工况也随之改变,而传统的基于多元统计过程监控方法都是假设过程处于单一工况下,因此,将传统方法应用到多工况过程时,往往不能获得很好的监控效果。在对复杂系统进行监控时,由于过程的非线性,传统的基于线性模型的监控方法由于忽略了系统的非线性特征,监控性能也大打折扣。本文针对工业过程中的多工况和非线性监控问题,提出了一种基于即时学习(Lazy Learning)和Greedy-SVDD的多工况过程监控方法。首先使用Lazy Learning对过程进行多模型局部建模,获得局部模型输出和过程真实输出的残差,通过对残差进行监控从而去除多工况的影响。然后用能够很好地处理非线性问题的支持向量数据描述(SVDD)方法对残差建立过程监控模型。为了解决SVDD方法用大样本建模时计算复杂度非常高的问题,本文用Greedy方法提取建模数据集的特征样本用于SVDD建模。最后将上述方法应用在TE模型和乙烯裂解炉的监控上,仿真结果证明了该方法的有效性。

利用旋转不变特征提取全极化SAR影像人工地物

利用全极化SAR影像进行城市地区地物分类和目标识别时,极化方位角偏移、散射类型复杂多样以及弱后向散射地物难以区分等问题影响了图像分类和目标识别的准确性。针对这些问题,提出一种利用目标散射矢量模型TSVM(Target Scattering Vector Model)生成的旋转不变极化参数组合提取城市区域典型人工地物(建筑、道路、广场和桥梁等)的方法。首先,采用目标散射矢量模型分解和Relief特征选择算法提取出表征目标对称性的旋转不变极化参数、表征散射机理的散射角旋转不变极化参数;然后利用支持向量数据描述SVDD(Support Vector Data Description)分类器快速提取典型人工地物。利用南京市Radarsat-2全极化SAR数据进行实验,结果表明提出的方法抑制了地形起伏的山地或建筑分布不规则城区的极化方位角效应,有效解决了全极化SAR影像中人工地物提取的难题。同时,相比光学影像利用生物物理组合指数BCI(Biophysical Composition Index)和归一化建筑指数NDBI(Normalized Difference Built-up Index)提取城市人工地物的方法,对称性极化参数和散射角参数组合能有效区分出城市建筑用地和具有相似光谱特征的裸地,其检测精度提高10%以上。