基于SVDD算法的高维非线性传感器数据流异常点检测

传感器数据通常具有高维特征,且在实际工业环境中可能存在复杂的非线性关系。如何有效处理高维度、非线性和复杂的数据特征,是当前研究的难点问题。为此本研究基于支持向量数据描述算法,针对高维非线性传感器数据流进行异常点检测。采用生成对抗网络提取高维非线性数据特征,通过主成分分析方法对提取得到的特征进行降维处理,以减少数据维度。使用经过降维处理的数据训练SVDD模型,通过求解对偶问题,得到的支持向量的系数和阈值等参数,以确定异常检测的决策边界,根据决策边界实现异常点检测。通过实验验证可知,所提方法的异常检出率较高,误报率较低,得出SVDD算法在高维非线性传感器数据流中异常点检测具有有效性,证明了其在实际工程应用中的潜在价值。

基于非下采样Contourlet变换的异常检测SVDD算法

由于图像复杂背景信息的干扰,一般检测算法的应用受到了限制,致使异常检测的虚警率较高,而基于支持向量数据描述(Support Vector Data Description,SVDD)的异常检测算法不需要对背景或者目标数据作任何分布假设,可将原始数据映射到高维特征空间进行异常检测。基于此,本文提出了一种基于非下采样Contourlet变换的异常检测SVDD算法。算法首先对高光谱数据进行NSCT(Nonsubsampled Contourlet Transform)分解,得到高频信息图像和低频信息图像;然后对低频信息作差,得到背景残差数据,抑制了背景信息;接着通过加权融合得到背景抑制后的高光谱图像,最后利用非线性SVDD将背景抑制后的高光谱图像映射到高维特征空间,完成异常目标的检测。通过仿真实验验证可知,所提出的算法与RX算法、KRX算法和未进行背景抑制的SVDD算法相比,具有较低的异常检测虚警率和优良的检测性能。

基于SVDD算法的学业预警监测模型构建与研究

学生在在线学习平台上的学习表现数据类型较多,不能从单一角度对学生学习状况进行评价监测,需要综合多维度评价学生的学习状况,从而给出相对全面客观的学习表现评价。建立基于SVDD算法的监测模型,将直播观看时长、作业完成状况、课堂参与互动次数、出勤率等多维数据作为考量指标,对所有数据进行PCA分析,通过SVDD算法进行学习行为和效果异常监测,从而实现表现异常学生的学业预警。

基于改进SVDD算法与马氏距离的未知局部放电类型的识别

提出一种基于改进支持向量数据描述(SVDD)算法与马氏距离的未知类型的局部放电(PD)识别方法。首先,采集各个不同类型的放电样本,并提取特征向量构成样本集合;其次,利用SVDD算法求解得出训练样本的超球体中心a和半径R;然后,根据Otsu准则设定双阈值R_1和R_2,将特征空间划分为三个不同区域;最后,依据不同区域内的判定准则,以马氏距离为判定条件,确定待测样本的放电类型。试验结果表明,该方法对于未知类型的放电样本具有较高的正确识别率,验证了该方法的可行性。

基于单分类算法SVDD的柴油机故障预测研究

设备维护保养的费用占船舶营运期间总费用的很大一部分,相关文献表明视情维修可将维修成本降到最低,而设备故障预测是实现视情维修的关键一步。针对实际中故障样本很难获取这一问题,提出利用单分类算法SVDD来训练模型从而实现故障预测,在此过程中只需要正常样本来训练模型。并在一个由轮机模拟器产生的数据集上进行了实验,结果表明:只需要大约400个正常样本即可训练出准确的模型,且该模型对柴油机的各种故障都有较高的预测准确率,该算法模型不仅可以应用在船舶柴油机,而且还可以应用于其他机械设备的故障预测中。

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SVDD和D-S理论的模拟电路故障诊断

为解决模拟电路故障诊断复杂多样难于辨识的问题和有效提高诊断准确度及速度,提出了一种融合支持向量数据描述(SVDD)算法和D-S证据理论的故障诊断方法。首先,对采集信号进行基于局部判别基的Haar小波包变换,依据判别测度选取判别能力强的前5个节点的标准能量构成特征集。然后利用SVDD算法求出特征集对于不同类别的基本信任分配函数,最后利用证据理论对不同基本信任分配函数进行组合得到最终故障诊断决策。将该方法应用于两级四运放双二次低通滤波器电路进行故障诊断,实验结果表明该方法能够准确迅速诊断出模拟电路中的故障;与基于SVDD多分类算法、一对一(o-v-o)SVM和一对多(o-v-a)SVM分类算法的故障诊断方法进行比较,本方法能够提高模拟电路故障诊断的精度;比采用o-v-o SVM和o-v-a SVM分类算法的故障诊断方法有更快的诊断速度。

基于DPC-SVDD的制造过程异常诊断

文章针对生产过程中质量数据分布类型未知引起的传统质量控制图异常检测精度低的问题,提出结合支持向量数据描述(support vector data description,SVDD)和密度峰值聚类(density peaks clustering,DPC)的制造过程异常检测方法。采用DPC算法对质量特征数据进行聚类分析,将聚类结果作为模型输入训练得到各类超球体中心和决策边界;以此建立基于内核距离的DPC控制图,实现对生产过程质量波动的实时监控;最后将该控制图应用到再制造曲轴生产过程监控中。结果表明,该文提出的DPC控制图可以有效监测再制造曲轴生产过程质量异常波动,验证了该检测方法的可行性和有效性。

基于知识图谱的跨系统电网多维数据自动挖掘

现有的基于关联分析算法、灰靶理论与云模型的挖掘技术,由于受到来源多、结构化程度复杂的数据影响,导致数据字符串挖掘效果不佳。针对上述问题,提出了基于知识图谱的跨系统电网多维数据自动挖掘方法。通过可视数据的分析与交互原理,三维融合展示跨系统电网多维数据。构建知识图谱,计算跨系统电网多维数据种类划分概率,并确定多维数据处理的目标函数。设计多维数据挖掘流程,结合SVDD算法自动分类多维数据。实验结果表明,该方法能够精准分析不同数据字符串间的依存关系,且最高召回率为98.54%,具有良好的挖掘效果。

基于改进支持向量域描述的道岔转辙机运行状态异常检测

针对铁路道岔转辙机缺乏大量异常样本来实施其运行状态异常检测的问题,提出了基于改进的支持向量数据域描述方法的异常检测模型。以ZYJ7型液压道岔转辙机为研究对象,利用既有微机监测系统采集道岔功率数据。用聚类的方法对数据进行清洗,接着对功率数据在时间序列上进行解锁、转换和锁闭分解,分别提取其统计特征值,采用主成分分析(PCA)法对特征值进行降维处理,将经过处理后的数据输入到异常检测分类器进行模型训练和模型测试。实验结果表明,改进的支持向量域描述(SVDD)分类器对道岔运行状态的异常检测有较强的识别能力。

矿用单轨吊运输巷全封闭无线预警系统设计

为了解决煤矿现有无线视频预警系统存在的人力资源浪费,以及监管过程中有反应不及时甚至是遗漏、误认等问题,设计出一种基于深度学习图像识别技术的无线预警系统,可以在单轨吊车经过巷道口前发出相应的语音和灯光提示。该系统主要借助深度学习技术和SVDD算法,首先采用SVDD加深网络进行预判,判断场景中是否存在车辆与人员,再通过深度网络确认图片中人员和车辆的位置与类型,不仅可以保证图像识别的准确度,而且可以不断提高其识别准确度。该系统在三元福达煤业进行试验与应用,证明该预警系统可以代替人工监测,实现井下智能预警工作。

基于聚类和SVDD的一类入侵检测模型

为了解决传统支持向量数据描述算法(SVDD)中样本不集中导致算法包括非己空间样本,从而形成噪声影响检测性能的问题,建立一种基于SVDD算法和聚类算法相结合的入侵检测模型.首先通过K-means算法对正常样本数据进行聚类;然后利用SVDD对聚类后的数据集合进行描述;最后利用多个判决函数对样本进行判别.实验中对核函数参数的选择进行了分析,并同其他检测算法比较,验证了该思想的正确性.

矿用单轨吊运输巷全封闭无线预警系统设计分析

随着矿山行业的快速发展,矿用单轨吊运输巷在矿山生产中起到了至关重要的作用,但由于矿山环境特殊且复杂,尚存在着一定的安全隐患。尤其是在运输巷道中,由于其狭小的空间和频繁的人员和物资运输,安全问题更加突出,一旦发生意外事故,往往会导致人员伤亡和财产损失。为了确保矿用单轨吊运输巷的安全运营,保障矿山工作人员的身体安全和财产利益,建设一个多功能、全封闭的无线预警系统十分必要,有效预防事故的发生,最大程度地保证矿山的安全生产。文章简要阐述了矿用单轨吊运输巷全封闭无线预警系统所涉及的关键技术,并对其软件系统和硬件设施进行了分析,提出了设计全封闭无线预警系统的步骤与策略,以期为矿山行业提供更加可靠和安全的技术支持。

智能电网态势感知的可视化技术研究与实现

为了有效检测电网实时运行状态,识别电网中异常数据信息,现针对智能电网态势感知的可视化技术展开研究与实现。首先利用同步相量测量装置采集电网运行信号,通过小波变换计算不同频率区间的噪声能量阈值,进而实现信号去噪。结合线性判别函数与决策树算法,去除电网中影响态势判断的异常信号,进而实现有效信号的提取,并将其输入LSTM网络中;引入SVDD算法,对电网态势展开可视化识别,根据电网系统内各个运行指标的计算,判断当前电网态势,对潜在风险展开预测,并针对预测结果发出实时预警。实验结果表明,所提方法对电网运行过程中产生的异常数据检测精准度高,对风险的严重性判断准确,能够实现电网态势的确切感知。