为解决传统检测方法在处理复杂、动态以及数据长度实时变化的飞行轨迹数据时特征提取不准确、检测效率较低的问题,提出一种结合长短时记忆(Long Short-Term Memory, LSTM)网络和支持向量数据描述(Support Vector Data Description, SVDD...为解决传统检测方法在处理复杂、动态以及数据长度实时变化的飞行轨迹数据时特征提取不准确、检测效率较低的问题,提出一种结合长短时记忆(Long Short-Term Memory, LSTM)网络和支持向量数据描述(Support Vector Data Description, SVDD)的无监督异常检测方法。利用LSTM网络提取可变长度飞行轨迹的关键特征,并将其转化为固定长度的序列表示;通过SVDD算法构建多维超球分类器,对正常飞行轨迹进行建模,从而识别潜在异常轨迹。为进一步提升模型性能,引入基于梯度的优化算法(Gradient-Based training algorithm, GB),实现LSTM与SVDD参数的联合训练,大幅度提高检测精度和计算效率。仿真实验结果表明,新提出的基于梯度优化的长短时记忆网络和支持向量数据描述模型(Long Short-Term Memory network and Support Vector Data Description model based on Gradient-Based training algorithm optimization, LSTM-GBSVDD)的飞行轨迹异常检测方法在处理复杂、多变的飞行轨迹异常检测任务中表现出较好的有效性和优越性,有较强的应用前景。展开更多
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...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.展开更多
由于传统的特征选取方法大多都依赖于具体的故障类型,必须根据一类或多类故障产生的样本集训练进行特征选取,所以针对某种故障选取的特征对另一种故障状态不一定也能有较好的效果。SVDD(Support Vector Data De-scription)是基于正常样...由于传统的特征选取方法大多都依赖于具体的故障类型,必须根据一类或多类故障产生的样本集训练进行特征选取,所以针对某种故障选取的特征对另一种故障状态不一定也能有较好的效果。SVDD(Support Vector Data De-scription)是基于正常样本的单值分类器,与其它分类器相比,它形成的最优分类面与具体的故障类型样本没有关系。利用这个原理,以海水泵为例提出了一种基于SVDD的特征选取新方法,通过对ROC(Rece iver Operating Characteristic)曲线的分析来完成舰船机械状态监测的特征选取工作,为了使选取的特征在复杂的舰船实际环境中也具有良好性能,还进行了特征的抗噪声鲁棒性研究。同时基于SVDD的特征选取方法还综合了分类的两种分类错误进行特征优化选取,可以更科学地为舰船机械状态监测选取较好的特征参数。展开更多
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...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.展开更多
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...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。展开更多
文摘为解决传统检测方法在处理复杂、动态以及数据长度实时变化的飞行轨迹数据时特征提取不准确、检测效率较低的问题,提出一种结合长短时记忆(Long Short-Term Memory, LSTM)网络和支持向量数据描述(Support Vector Data Description, SVDD)的无监督异常检测方法。利用LSTM网络提取可变长度飞行轨迹的关键特征,并将其转化为固定长度的序列表示;通过SVDD算法构建多维超球分类器,对正常飞行轨迹进行建模,从而识别潜在异常轨迹。为进一步提升模型性能,引入基于梯度的优化算法(Gradient-Based training algorithm, GB),实现LSTM与SVDD参数的联合训练,大幅度提高检测精度和计算效率。仿真实验结果表明,新提出的基于梯度优化的长短时记忆网络和支持向量数据描述模型(Long Short-Term Memory network and Support Vector Data Description model based on Gradient-Based training algorithm optimization, LSTM-GBSVDD)的飞行轨迹异常检测方法在处理复杂、多变的飞行轨迹异常检测任务中表现出较好的有效性和优越性,有较强的应用前景。
文摘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.
文摘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.
文摘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。
