-
题名基于稳健背景子空间的高光谱图像异常检测
被引量：5
- 1
-
-
作者
蒲晓丰
雷武虎
黄涛
王迪
-
机构
电子工程学院脉冲功率激光技术国家重点实验室
-
出处
《光子学报》
EI
CAS
CSCD
北大核心
2010年第12期2224-2228,共5页
-
基金
安徽省自然科学基金(070415217)资助
-
文摘
在RX算法中,局部背景协方差矩阵估计会由于背景受到异常像元的"污染"而不能准确反映背景分布,从而导致检测性能下降.针对这一问题,提出一种基于稳健背景子空间的异常检测算法.利用空间秩深度度量背景中每个样本相对于整个背景样本分布空间的位置,将"游离"于背景分布空间之外的样本看作是潜在的异常样本,并将其映射到背景分布空间之内.在此基础上,通过估计背景的协方差矩阵,利用主成分分析构造能更精确地刻画背景的子空间,在该子空间进行了基于马氏距离的检测异常.模拟和真实数据验证了该算法的有效性.
-
关键词
异常检测
背景子空间
空间秩深度
映射
高光谱图像
-
Keywords
Anomaly detection
Background subspace
spatial rank depth
Mapping
Hyperspectral imagery
-
分类号
TP751.1
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名基于数据深度的支撑向量估计
- 2
-
-
作者
胡永刚
吴翊
李强
-
机构
国防科技大学数学与系统科学系
-
出处
《系统仿真学报》
CAS
CSCD
北大核心
2010年第9期2075-2080,共6页
-
基金
国家自然科学基金(60673090)
-
文摘
针对支撑向量机分类问题,提出了利用空间秩深度估计两类样本潜在支撑向量的方法。首先计算出样本在相对本类和相对于异类的深度,然后取其比值作为相对深度。注意到样本相对深度在交界面位置较大的特性,我们用相对深度估计样本中的潜在支撑向量。对非线性分类问题,我们给出了特征空间下的深度计算公式,拓宽了算法的适用范围。利用潜在支撑向量信息,我们不仅可以除去大量的计算冗余样本,而且可以利用边界信息通过修正核提高支撑向量机的分类性能。
-
关键词
支撑向量机
支撑向量估计
相对深度
空间秩深度
-
Keywords
support vector machine （SVM）
estimation for support vectors
relative depth
spatial rank depth （srd）
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名空间秩深度加权的鲁棒性支撑向量机
- 3
-
-
作者
胡永刚
吴翊
李强
-
机构
国防科技大学数学与系统科学系
-
出处
《系统工程与电子技术》
EI
CSCD
北大核心
2009年第10期2429-2433,2505,共6页
-
基金
国家自然科学基金(60673090
60802079)资助课题
-
文摘
提出了一种基于数据深度加权的鲁棒性支撑向量机。针对支撑向量机对噪声或离群点的高敏感性,在其优化函数的正则项中增加深度因子,以针对性地弱化这些点对分类结果的影响,使得分类更具有鲁棒性。给出了1范数和2范数约束下的深度加权支撑向量机的具体形式,并推导了空间秩深度在特征空间中的求解方式。相对于文献中的中心距加权方式,该方法抗噪声能力更强。
-
关键词
支撑向量机
深度加权
空间秩深度
数据分类
-
Keywords
support vector machine
depth weighted
spatial rank depth
data classification
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于数据深度的过程工业故障检测方法
被引量：5
- 4
-
-
作者
车建国
赵赛
-
机构
南开大学商学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2020年第1期265-271,共7页
-
基金
教育部人文社会科学一般研究项目（No.15YJC630007）
南开大学亚洲研究中心项目（No.AS1410）
+1 种基金
南开大学基本科研业务经费项目（No.NKZXB1202）
国家自然科学基金（No.71102047）
-
文摘
为了对过程工业的生产过程进行质量监控,提出了一种基于数据深度的故障检测方法。选取较为易用的马氏深度与空间深度,同时为了提高空间深度对位置偏离程度的敏感性,引入高斯核函数将其核化,借助深度函数(马氏深度、核空间深度)将高维过程数据映射成一维深度值,再结合非参数秩统计量构造渐近分布进行故障判断。通过田纳西-伊士曼(TE)仿真实验,参考误报警率和检测效率两个指标,并将故障检测效果与其他方法进行对比,验证了所提方法的有效性。
-
关键词
故障检测
数据深度
核空间深度
马氏深度
秩统计量
TE过程
-
Keywords
fault detection
data depth
kernelized spatial depth
mahalanobis depth
rank statistic
TE process
-
分类号
O212
[理学—概率论与数理统计]
TP277
[自动化与计算机技术—检测技术与自动化装置]
-
