-
题名不平衡时间序列集成分类算法
被引量：3
- 1
-
-
作者
曹阳
闫秋艳
吴鑫
-
机构
中国矿业大学计算机科学与技术学院
中国矿业大学灾害智能防控与应急救援创新研究中心
-
出处
《计算机应用》
CSCD
北大核心
2021年第3期651-656,共6页
-
基金
国家自然科学基金资助项目(61977061,51934007)。
-
文摘
针对现有集成分类方法对不平衡时间序列数据学习能力欠佳的问题,采用优化组件算法性能和集成策略的思路,以异构集成方法即基于变换的集合的层次投票集合(HIVE-COTE)为基础,提出一种不平衡时间序列集成分类算法IMHIVE-COTE。该算法主要包含两个改进内容:首先,增加了一个新的不平衡分类组件SBST-HESCA,引入Boosting结合重采样的思路,并通过交叉验证预测结果来更新样本权重,从而使数据集的重采样过程更有利于提升少数类样本的分类质量;其次,结合SBST-HESCA组件对HIVE-COTE计算框架进行改进,通过优化组件算法的权重使不平衡时间序列分类算法对分类结果拥有更高的投票比重,从而再次提升集成算法整体的分类质量。实验部分对IMHIVE-COTE的性能进行了验证和分析:和对比方法相比,IMHIVE-COTE有最高的整体分类评价,并且在三个不平衡分类指标值上分别得到了最优、最优、第三优的整体分类评价,可以证明IMHIVE-COTE解决不平衡时间序列分类问题的能力明显较高。
-
关键词
不平衡时间序列
集成分类算法
提升方法
K最近邻
基于变换的集合的层次投票集合
-
Keywords
imbalanced time series
ensemble classification algorithm
boosting
K-Nearest Neighbor(K-NN)
Hierarchical Vote Collective of Transformation-Based Ensembles(HIVE-COTE)
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
-
-
题名基于深度动态密度估计的轴承异常检测
被引量：2
- 2
-
-
作者
刘华杰
雷文平
王军辉
陈新财
董辛旻
-
机构
郑州大学机械与动力工程学院
-
出处
《组合机床与自动化加工技术》
北大核心
2023年第7期180-183,188,共5页
-
基金
国家重点研发计划项目(2016YFF0203100)。
-
文摘
针对传统的机器学习算法在应对工业系统中样本不均衡现象时难以获得较高的异常检测性能的问题,提出一种基于深度动态密度估计的轴承信号异常检测方法(DCEN)。首先,训练该压缩网络时只需要从正常样本中提取特征,得到原始数据的低维表示;接着将其进一步输入到高斯混合模型(GMM)中,对正常数据进行动态密度估计;然后,利用估计网络来促进模型的参数学习,以端到端的方式多次迭代同时优化深度自动编码器和混合模型的参数;最后,采用高斯混合模型的预测能量值作为异常分数,模型在没有学习异常样本分布的情况下将故障样本输入到本文模型中产生更高的异常分数来检测异常。通过在3个不同轴承数据集上的实验和对比分析,验证了该方法的有效性和优越性。
-
关键词
异常检测
密度估计
不平衡工业时间序列
滚动轴承数据
-
Keywords
anomaly detection
density estimation
unbalanced industrial time series
rolling bearing data
-
分类号
TH133.3
[机械工程—机械制造及自动化]
TG502
[金属学及工艺—金属切削加工及机床]
-
