基于优化核函数带宽SVDD的机械振动预警模型

基于高斯核函数的支持向量数据描述(SVDD),因其具有良好的异常检测性能,常被用于机械振动故障预警领域,但其性能的好坏受限于核函数带宽的取值是否适宜。为此,针对常规高斯核函数支持向量数据描述(SVDD)存在需要负类样本训练模型、计算量大、不收敛、不适用于小数值数据等问题,提出了一种不需要专家经验知识和负类样本训练SVDD超球体的优化核函数带宽计算方法,构建了基于优化SVDD核函数带宽的机械振动故障预警模型。首先,根据空间矩阵复杂度的信息熵,量化表征核函数带宽的取值对SVDD超球体的影响;然后,采用粒子群优化(PSO)算法寻找空间矩阵复杂度最大时对应的核函数带宽σ取值,实现了目标函数的快速收敛目的;综合考虑惩罚参数对SVDD超球体描述边界的影响,引入惩罚参数对寻优结果进行了修正,完成了对历史正常运行状态数据驱动的机械振动故障预警模型的构建任务;最后,应用辛辛那提大学智能维护中心轴承试验数据集等6项公开实验室数据和4项工程案例数据,对上述方法的实用性和可靠性进行了验证,并将其结果与采用常规方法所得结果进行了对比验证。研究结果表明:与常规方法相比,采用优化核函数带宽计算方法训练出的机械振动故障预警模型的合格率为100%,超球体描述边界拟合良好,并且不存在不收敛的问题。

基于KECA和BO-SVDD的滚动轴承早期故障检测

为了实现更早地检测出滚动轴承发生故障,提出一种基于核熵成分分析(KECA)和贝叶斯优化(BO)算法优化支持向量数据描述(SVDD)的滚动轴承早期故障检测方法。提取轴承振动信号的时域、频域特征以及小波包分解节点能量特征,组成多维特征矩阵;利用KECA对多维特征矩阵进行降维处理,进而提取有效特征;最后,选取轴承正常状态的特征指标训练模型,利用BO算法确定SVDD的惩罚因子和核宽度,进而得到早期故障检测模型。利用该模型对XJTU-SY数据集中不同工况下的轴承进行早期故障检测,结果表明:KECA能够有效地提取特征信息,减少冗余信息的干扰;该模型整体上能够较早检测出故障的发生,并且有较好的鲁棒性和泛化能力。

基于改进SVDD算法的网络数据流异常检测

利用常规方法检测网络数据流异常存在检测效率低的问题,为此提出基于改进支持向量数据描述(Support Vector Data Description,SVDD)算法的网络数据流异常检测方法。首先,选取一对一的构造方法将通信网络异常流量数据分为两个类别;其次,根据数据流的处理标准和需求,采用聚类分析技术构建监测模型;最后,通过改进SVDD流量异常检测模型对经过聚类特征提取的数据进行识别和检测。实验结果表明,该方法的检测准确率均高于97.5%,检测耗时较短,优于对照组。

基于改进SVDD的飞参数据新异检测方法

为实现飞参数据自动判读,提出一种基于改进支持向量数据描述(SVDD)的飞参数据新异检测方法。首先通过启发式的约减SVDD核矩阵尺寸,加快了SVDD的运算速度,并使之更适合于大样本的飞参数据新异检测;而后研究了飞参数据中参数采样率不统一条件下样本生成的问题;最后以发动机气路参数、舵面偏转参数和发动机振动值参数3组异常状态飞参数据为例,应用改进的SVDD方法进行了飞参数据新异检测。结果表明,该方法能准确检测出飞参数据中的异常,可用于飞参数据自动判读。

基于HE-SVDD的航空发动机工作状态识别

针对人工识别航空发动机工作状态的复杂性和耗时性,提出一种基于超椭球分类面支持向量数据描述(HESVDD)的快速识别方法。首先构建了一个根据训练样本分布特征可调的HE-SVDD分类器,使之具有从大规模飞行数据中快速识别发动机工作状态的能力;然后研究了航空发动机状态识别的参数选取和样本生成问题;最后采用HE-SVDD对两个飞行架次的发动机工作状态进行了识别。结果表明,该方法能快速准确地识别出发动机的工作状态,可应用于发动机状态的在线或离线监控。

基于NGPP-SVDD的非高斯过程监控及其应用研究

提出了基于NGPP-SVDD(Non-Gaussian projection pursuit,NGPP;Support vector data description,SVDD)的统计过程监控和故障检测方法,避免了传统统计过程监控方法假设数据服从正态分布的不足.针对传统的FastICA(Fast independent compo- nent analysis)算法容易陷入局部极小值的不足,结合微粒群算法提出非高斯投影算法(NGPP),保证提取的独立成分非高斯性最大化,并给出了非高斯成分数目的选择准则.获得过程非高斯独立成分之后,利用SVDD来描述其分布情况,构造新的统计量确定其统计控制限.通过对数值仿真及工业应用研究表明,该方法能够及时地发现过程中出现的异常情况.

SVDD在类别不平衡学习中的应用

在解决单分类问题的支持向量数据描述算法的基础上提出了适用于两类不平衡问题的I-SVDD(imbalance-support vector date description)算法.该算法通过增加样本的分布信息,对带野值的SVDD算法中的C值重新进行了定义.采用该算法对UC I数据集和人工样本集进行实验表明,改进后的I-SVDD算法比带野值的SVDD算法的AUC值平均提高12%以上;比AdaBoost算法在正类查全率上平均提高35%,精确度也提高了2%以上.I-SVDD算法在保证少数类样本高分类精度前提下,还有效提高了全样本的分类精度,更符合现实不平衡问题中对少数类样本的处理要求.

基于SVDD与信息融合技术的设备性能退化评估

为了能够准确地对大型设备的性能退化过程进行描述,提出了一种基于支持向量数据描述(SVDD)和信息融合技术的评估方法。通过SVDD算法分别评估来自单个传感器的数据,然后运用D-S证据理论对来自多传感器的局部评估结果进行信息融合,最终给出设备的整体性能评估结果。实验分析表明,SVDD算法能够真实地反映设备局部性能退化状态的变化,而利用D-S证据理论得出的整体设备状态评估结果符合实际情况,同时有效地消除局部信息之间的矛盾,提高了设备整体评估的可靠性。

基于最大分类间隔SVDD算法的辐射源个体确认

通信辐射源个体确认技术是实现通信辐射源个体识别的关键技术之一。该文研究了基于支持向量数据描述(SVDD)的通信辐射源个体确认算法。针对传统SVDD算法在正类训练样本不完备的条件下对正类测试样本接受率较低的不足,提出带反类训练的最大分类间隔SVDD算法(MCM-SVDD)。MCM-SVDD在保证最小化超球体积的同时,使正类训练样本与反类训练样本距离超球表面的间隔最大化,从而提高了对正类测试样本正确接受的泛化能力。基于20台实际通信辐射源样本的实验表明,相对于SVDD,SVDD-neg和SVM,MCM-SVDD具有更高的平均确认率。

基于最小化界外密度的SVDD参数优化算法

支持向量数据描述(support vector data description,SVDD)是一种具有单类数据描述能力的数据分类算法,因具有结构风险最小化的特性而受到广泛关注。SVDD的参数优化是影响其分类效果的关键问题,本文通过引入样本点的密度信息,提出了以界外密度最小化为目标的参数优化函数,避免了漏检率的计算问题,可充分利用训练数据的分布信息,提高数据描述能力,降低错分率。仿真实验和UCI标准数据库的对比验证表明,优化后的SVDD算法能够有效降低漏检率和错分率,提高算法性能。

改进的SVDD增量学习算法

通过对SVDD增量学习中原样本和新增样本的特性分析,提出一种改进的SVDD增量学习算法。在增量学习过程中,该算法选取原样本的支持向量集和非支持向量中可能转为支持向量的样本集以及新增样本中违反KKT条件的样本作为训练样本集,舍弃对最终分类无用的样本。实验结果表明,该算法在保证分类精度的同时减少了训练时间。

基于自适应SVDD的雷达目标分类方法

支持向量数据描述(support vector data description,SVDD)常用于实现目标类样本充分、非目标类样本多样化的两类分类。在雷达目标识别应用中,SVDD分类性能随样本噪声增加迅速下降。为了解决这个问题,通过深入分析SVDD抗噪性能差的原因,提出了基于自适应SVDD的雷达目标分类方法。该方法利用接收机工作特性曲线建立信噪比与分类最优超球半径的关系模型,在目标分类过程中,针对不同信噪比自适应选择分类判决门限。仿真实验表明,相比于常规SVDD方法,自适应SVDD方法大大提高了低信噪比下目标分类性能。

基于SVDD的多时段间歇过程故障检测

支持向量数据描述(SVDD)不要求过程数据满足正态分布,已应用于间歇过程故障检测。现有的SVDD间歇过程故障检测方法采用聚类分析和模型识别划分间歇过程时段,多时段划分的准确性较低,制约了多时段间歇过程故障检测精度的提高。针对上述问题提出了一种基于SVDD的多时段间歇过程故障检测方法,利用SVDD的超球体半径值与支持向量个数的变化划分间歇过程的多时段,并建立了不同时段的SVDD故障检测模型,使用待检测样本点的球心距与对应时段的超球体半径之差检测过程故障,实现了多时段间歇过程的时段划分与过程故障检测。发酵过程仿真实验和实际生产实验结果表明,该方法能够准确地划分间歇过程的多时段,并且能够针对不同时段进行故障检测,具有较高的检测率。

基于带野值的SVDD的高光谱图像异常检测

基于支持向量数据描述(SVDD)的高光谱图像异常检测算法常常会因为背景样本中混入异常像元(野值)而导致检测概率下降。针对此问题,提出一种基于带野值的支持向量描述的检测算法,引入原点和少量已检测出来的异常像元作为异常样本,以改善算法对异常和背景数据的描述能力;同时为抑制错误样本的影响,将异常和背景样本偏离背景样本均值的距离映射作为各样本的加权系数。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。利用真实数据进行实验证明了算法的有效性。

SVDD的快速实时决策方法

为了提高一类支持向量数据描述(Support vector data description,SVDD)对未知样本的决策速度,本文从样本的核特征空间出发,利用核超球球心在原始样本特征空间中的原像,提出一种SVDD的快速决策方法(Fast decision approach of SVDD,FDA-SVDD),使得SVDD的决策复杂度从O(n)降低到O(1).同时,对球心原像所在空间进行了分析,并在此基础上给出了两种原像逼近方法.多种真实数据集实验表明,FDA-SVDD方法在保证测试精度的同时,能快速实现对未知样本的决策.

一种新的不平衡数据v-NSVDD多分类算法

分析了多类支持向量数据描述(support vector data description,SVDD)算法存在的问题,提出一种新的不平衡数据v-NSVDD多分类算法.该方法借鉴了v-SVM方法以及带有负类的SVDD的思想,并基于不同类别样本间隔最大原理,较好地克服噪声和在野点的影响,提高了分类模型的泛化性能;通过样本加权的方法解决了不平衡类别样本预测精度低的问题,并在理论上给出了根据类别样本数量设置样本加权系数的方法.针对实际应用存在大量复杂、非线性分类数据,通过核方法把上述线性分类算法推广到非线性数据分类情形.由于现有的多分类器无法实现拒判,而且每个分类器的核函数参数不同,导致数据点与各个超球中心距离的计算结果与实际距离不相符,影响了数据判决结果的准确性和可靠性.针对上述问题,给出基于相对距离和K-NN规则相结合的多分类方法,提高了分类结果的准确性和可靠性.使用Benchmark数据集进行仿真实验,结果表明本算法能够获得较低的分类误差,能够有效处理样本不平衡问题.

基于PCA-SVDD的故障检测和自学习辨识

为了利用多变量统计过程控制在故障检测上的优势以及克服其在故障辨识诊断上的缺陷,提出一套新的用于化工过程的故障检测和自学习辨识算法.应用主元分析(PCA)实施故障检测并对故障数据运用PCA特征提取,提出3种基于主元分析-支持向量数据描述(PCA-SVDD)的模式判别方法来实现故障的自学习辨识:考虑故障辨识时可能出现的类分布重合问题,分析和比较了基于欧氏距离和归一化半径判别这2种方法,提出针对新型未知故障辨识的加权归一化半径判别法.通过对Tennessee Eastman(TE)过程的仿真研究,说明了提出的故障检测和自学习辨识算法的可行性和有效性.

用于不平衡数据分类的FE-SVDD算法

现有的支持向量数据描述(SVDD)算法在解决不平衡数据集问题时通常存在有偏性。针对该问题,在研究PCA特征提取技术和SVDD分类理论的基础上,提出一种用于平衡数据分类的FE-SVDD算法。该方法对2类样本数据进行主成分分析,分别求出主要特征值,根据样本容量及特征值对SVDD中的C值重新定义。在人工样本集和UCI数据集上进行实验,结果验证了该方法的有效性。

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。

加权动态SVDD在非线性过程监测中的应用研究

由于化工过程的复杂性,数据往往存在动态以及序列之间具有相关性特点,传统的支持向量数据描述(Support Vector Data Description,SVDD)方法,很难保证故障监测的准确性和实时性,提出一种基于加权的动态SVDD(WDSVDD)在线实时故障监测方法,引入动态方法,考虑了数据之间的序列相关性,利用加权的方法把有用的信息突出显示,利用SVDD方法建立模型,实现了在线实时故障监测。该方法不仅克服了过程数据非高斯、非线性特性对故障监测带来的影响,并且考虑了数据的动态特性和序列之间的关系,通过在数值仿真和TE过程实例中的应用验证了方法的有效性。