联合语义提示和记忆增强的弱监督跳绳视频异常检测方法

面向全国的学生综合评价与发展平台采集了百万级学生跳绳运动数据用于中小学生身体素质测评,然而在采集的跳绳视频中存在着非跳绳视频、人物未全身出镜等不符合拍摄要求的各类异常视频,严重影响了后续学生身体素质测评模型的准确性和鲁棒性。针对上述问题,提出一种联合语义提示和记忆增强的弱监督跳绳视频异常检测方法。该方法首先提取正常跳绳视频和异常跳绳视频的视觉特征,将正常特征和异常特征成对训练,增强模型对异常视频特征的感知能力;其次设计两个自监督记忆网络分别存储和分离正常视频和异常视频的特征,进一步增强模型的特征表达能力;最后引入提示学习方法迁移大规模预训练模型中的多种跳绳异常类型的语义先验知识,增强模型在样本不足的情况下对多种异常类型语义信息的理解。实验结果表明,该方法在自建的跳绳异常检测数据集(SRAD)上的AUC为94.14%,相较于基准方法提升了2.71个百分点,具有较高的准确性。该方法对实现身体素质的智能测评、推动教育评价改革具有重要意义。

基于自相关-变分对抗学习的物理系统异常检测

传统时间序列异常检测模型在处理信息物理系统(CPS)中的多元传感器和执行器数据时,难以准确提取多元数据之间的时序联系,从而影响异常检测性能。为此,提出一种新的时间序列异常检测方法,称为自相关-变分自编码(VAE)-对抗学习网络AMVG。以生成对抗网络(GAN)为基础,使用Noise数据增强方法扩展训练数据量,并通过引入自相关矩阵增强数据依赖关系,结合VAE的数据重建能力,在加强模型鲁棒性的同时进一步提高异常检测模型性能,由AMVG 2个解码器构成互相对抗的G网络和D网络,G网络和D网络不断对抗训练优化模型的检测能力。在3个真实世界的CPS数据集上的实验结果表明,AMVG方法相较于最新研究方法在精确率、召回率以及F1值等综合性能上均取得显著提高,AMVG在3个数据集上的F1值分别为0.953、0.758、0.891,其中较次优USAD和GRELEN的F1值最低可提高6.2、3.4、7.5个百分点。

四旋翼无人机姿态异常感知数据生成方法

为解决四旋翼无人机飞控系统因缺少异常感知数据而难以评估其运行状态的问题,提出一种基于物理仿真模型生成异常姿态数据的方法。首先,通过定义四旋翼无人机的运动坐标系,结合牛顿-欧拉公式建立无人机运动方程,设计飞控系统控制回路,利用Simulink软件构建飞控系统物理仿真模型,为生成异常感知数据提供实验环境。其次,在利用实际姿态感知数据验证仿真模型可用的基础上,通过异常注入来生成姿态的异常数据。最后,以基于主成分分析的异常检测方法为例,评估生成异常感知数据的应用效果。实验结果表明,所提方法能够有效地生成恒偏差和漂移两种异常姿态感知数据,基于主成分分析方法开展的异常检测结果:误检率处于2%~74%,正确率处于73%~97%。因此,所提的感知数据生方法可为改进检测方法性能提供相应的数据支撑。

基于距离异常点的机械比能评价储层物性研究

在调研了大量国内外机械比能在石油钻探中的应用及储层物性评价模型的研究方法和实际应用的基础上,将结合塔东和松辽盆地的测录井数据以及相关物理实验,开展基于距离的异常点检测研究和应用,完善机械比能评价模型的研究方法,建立评价更加准确的机械比能评价储层物性模型,合理准确的评价该地区储层物性的好坏,为国家或石油公司开采石油的储层提前预测与评价的研究和行业发展趋势政策的选择提供决策性的依据。采用基于距离的异常点检测算法提取出了反映岩石储集层物性的特征参数(WOB,A_(b),T,RPM,ROP),通过确定标准化,和归一化后的特征参数,在实验中计算得到“物性指数”,来反映储层的物性,“物性指数”越大反映储层物性越差,相反,“物性指数”越小反应储集层的物性越好。最后实验结果表明,与普通算法相比,将基于距离的异常点检测算法应用到机械比能评价储层物性的模型中,储层物性评价结果准确率达到88.35%。

上下文信息融合与噪声自适应的异常检测方法

信息物理系统(CPSs)中传感器和执行器等现场设备收集的数据中隐含复杂的上下文信息和未知分布噪声。为了提取并融合数据中的上下文信息以及减轻噪声带来的干扰,提出了上下文信息融合与噪声自适应的异常检测方法。该方法中设计了一种由自适应降噪编码器、上下文信息编码器和解码器构成的编解码网络建模CPSs状态空间模型。自适应降噪编码器在训练过程中通过拟合数据中噪声的分布模式生成自适应噪声,并利用该噪声对训练数据中的传感器数据加噪,以提升编解码网络的鲁棒性,减轻噪声带来的干扰,同时可迫使降噪自编码器学习到泛化性更强的系统的隐藏状态;上下文信息编码器利用LSTM和CNN提取数据窗口内的时序和空间上下文信息,并使用自注意力机制融合这两类上下文信息和系统隐藏状态,融合结果用于推断当前时刻系统隐藏状态,以提升此隐藏状态中的信息量;解码器利用以上系统隐藏状态可以更准确地解码出相应的传感器数据。编解码网络训练完成后,得到系统隐藏状态和传感器解码值,基于无迹卡尔曼滤波算法计算异常评分。在SWaT和PUMP两个实际CPSs数据集上的实验结果表明,所提方法的F1值均优于其他对比方法,验证了其有效性。

基于多模态数据流的无线传感器网络异常检测方法

伴随着无线通信技术的不断发展和广泛应用,信息物理融合系统(Cyber-Physical System,CPS)作为物联网领域的最新研究方向成为近年来研究者广泛关注的热点.无线传感器网络(Wireless Sensor Networks,WSN)作为CPS系统物理空间的主要感知网络,若有效提高对应感知数据的准确性和可靠性,可及时准确地发现突发事件、监测网络工作状况,因此对传感器网络节点数据流进行异常检测,发现其中的异常数据并确认其来源具有重要意义.该文在无线传感器网络多模态数据流研究的基础之上,提出了一种对传感器异常数据进行检测以及监测节点自身工作状态的方法,该方法不仅应用了无线传感器网络中的时空相关性原理,还更进一步,研究了同一节点中多模态数据流之间的相干性,并以此作为理论基础,利用多维数据和滑动窗口模型对异常数据及其来源进行检测和验证.该文的方法可以分为3个步骤:首先,利用滑动窗口中的历史数据对传感器数据流进行异常数据的检测;其次,利用节点的空间相关性对异常的来源进行确认和识别;最后,对由于测量误差导致的异常值进行筛选,使输入CPS的数据进一步的精确化.通过实验对比,该文的方法对传感器异常数据的检测率保持在95%;在不同数据维度的条件下,对四维数据集的检测率比单维数据集提高了3%.

考虑双侧特征的电力信息物理系统异常检测方法

电力信息物理系统的主动异常检测能够弥补传统以隔离为主的防御手段的不足,实现对突破安全边界的攻击行为的检测。针对仅依靠信息侧通信特征的传统检测方法存在的高误报率及漏报率,文章计及电力系统状态对通信网络流量的影响,从信息-物理联合角度提出一种异常流量检测方法。该方法先通过数据驱动的通信行为特征异常检测方法实现异常流量初筛,同时提取异常流量对应物理侧特征,通过一种基于双侧特征的异常溯源方法区分故障流和攻击流,从而实现对攻击行为的准确检测。基于电力信息物理联合仿真平台实验构造了实验数据集,验证了所提方法能够在保证较高的攻击检测准确率的同时大幅降低误报率。

煤矿积水异常区TEM井下全空间探测分析

为防止煤矿在回采过程中发生水害事故,常釆用物理探测方法对前方未开采区域进行地质预报,其中瞬变电磁法(以下简称TEM)已成为煤矿采区水文物理探测的一种主要手段。基于TEM井下全空间的探测理论对黑龙江省某煤矿井下工作区进行探测,数据采集、检验、处理后形成视电阻率截面图,依据视电阻率截面图对探测区的富水性进行分析。探测结果显示:探测区的富水性很强,富水异常区靠近采空区和断层。此方法为井下回采工作面提供有效的地质信息和技术指导,以防止水害事故的发生。

一种新的电磁频谱异动检测方法

针对传统雷达对抗侦察装备缺乏对复杂电磁环境频谱异动的感知能力,本文提出一种新的电磁频谱异动检测方法。该方法首先建立了频谱能量分布模型,形成二维频谱图像;然后通过计算图像亮度直方图纹理描绘子,设定距离门限对信号频谱图像进行检测;最后在图像差值法基础上利用形态学图像处理得到异动信号的坐标信息。本文仿真为半实物仿真,基于实测数据的仿真结果证明了本文方法的有效性。该方法可以为雷达对抗侦察装备设计提供新的思路。

一种分布式CPS异常检测的无监督图模型

在分布式信息物理融合系统(CPS)中,由于各子系统间的强耦合性,常常会因为故障的传播导致整个系统的物理故障和网络异常。针对这一问题,提出了一种新的基于数据驱动的框架用于检测系统范围内的异常。该框架是用于发现和表征CPS各个子系统间相互作用的一种基于符号动力学的时空特征提取方案,并将提取的特征通过受限玻尔兹曼机(RBM)学习到一个系统级的模型。实验结果表明,该框架可以通过一个图模型捕获CPS的多模态,同时可用于异常检测。

基于自适应交互学习的CPS时间序列异常检测

对信息物理系统(CPS)的时间序列进行检测是一种重要的异常检测手段,然而现有的一些时间序列异常检测方法往往忽略了时间序列内部的依赖关系,使得预测或重构数据建立起的依赖关系较差,进而影响异常检测性能。针对以上问题,提出一种基于自适应交互学习的CPS时间序列异常检测方法。利用神经网络识别CPS的隐藏状态,然后通过全局自适应融合与交互学习来保留时间序列的依赖关系;接着使用无迹卡尔曼滤波跟踪时间序列的变化趋势,以此增强预测过程的鲁棒性;最后计算异常分数并评估异常情况。应用该方法在三个CPS数据集上实验获得的平均性能为F_(1)分数0.940、精度0.965、召回率91.7%。实验结果表明,相较于近年来的其他研究方法,该方法能够较好地保留时间序列的依赖关系,提取更准确的时间序列特征,进而提高模型的预测性能,使得异常检测的召回率和F_(1)分数得到较好提升,具有良好的应用前景。

层次分析法在双阳煤矿煤层顶板含水层富水性预测中的应用

以双阳煤矿为例,利用MAPGIS的数据管理和空间分析功能,结合层次分析法,在水文钻孔较少的情况下,将物探探测富水异常区作为补充来进行煤层顶板富水性的定量预测,为评价含水层富水性提供了新的思路,为顶板水害防治提供可靠的依据。

基于得分生成模型的时间序列异常检测方法

为了解决传统时间序列异常检测模型在时序数据随机性表征不足以及模型泛化能力较弱的问题,提出了一种基于得分生成的异常检测模型。针对复杂信息物理系统中运行监控的时序数据,设计了一个多维时间序列异常检测框架,利用回归模型捕捉数据内在的时间模式。考虑时序生成过程的随机性,采用去噪得分匹配的方法来估计梯度信息,并利用估计的梯度信息,设计了高效的异常评分方法。在公开的池化服务器数据集和安全水处理数据集上,所提模型的异常检测F1值分别达到了96%和90.18%,比使用基线模型得到的最高F1值分别提高了1.02%和1.01%。消融实验和案例分析结果表明,用噪声索引模块和签名矩阵模块增强了模型的特征提取能力,所提模型的异常阈值在[0.386,0.8)之间时的F1值大于等于0.8。

融合显隐式关联的图卷积多维时序异常检测方法

针对重构类多维时序异常检测方法对信息物理系统组件间的耦合关系提取能力不足以及建模时易遗漏信息的问题,提出一种融合显隐式关联的图卷积多维时序异常检测方法。利用改进的余弦相似度,提取序列间可用距离度量的显式关联关系。设计基于多头自注意力机制的关联关系提取模块,学习序列间的隐式关联关系。整合显隐式关系,将关系融合图和原始数据共同输入到基于图卷积网络的自编码器中,进行结合时间和空间依赖性的多维时序重构。根据训练好的模型输出的待测数据重构结果计算异常的分数,进而结合自适应阈值来选择算法进行异常检测。4个公开数据集上的实验结果表明,所提方法比相关经典和时效性方法在F1-Score上具有明显的提升,且可以通过输出关联权重矩阵的方式对异常事件进行解释分析。