分类学习效果与有限训练样本的分布情况密切相关。支持向量数据描述(Support vector data description,SVDD)作为单一边界求解模型,不能良好刻画数据实际分布特征,从而导致部分目标对象落在超球以外。为了提高其分类能力,本文提出一种...分类学习效果与有限训练样本的分布情况密切相关。支持向量数据描述(Support vector data description,SVDD)作为单一边界求解模型,不能良好刻画数据实际分布特征,从而导致部分目标对象落在超球以外。为了提高其分类能力,本文提出一种基于粒计算的支持向量数据描述(Granular computing-driven SVDD,GrC-SVDD)分类方法,构造多粒度层次的属性集合以及相应的多粒度超球。首先通过邻域自信息对当前粒度层的属性集合重要度进行计算,然后选择最佳属性集合对上一粒度层未达到纯度阈值的超球再训练,直到所有超球满足条件或者属性耗尽。实验部分讨论了算法参数对分类性能的影响,并通过学习获得超参数。结果表明,与SVDD及流行的分类算法相比,本文方法具有较好的分类性能。展开更多
随着数据维度和规模的不断增加,基于深度学习的异常检测方法取得了优异的检测性能,其中深度支持向量数据描述(Deep SVDD)得到了广泛应用。然而,要缓解超球崩溃问题,就需要对Deep SVDD中映射网络的各种参数施加约束。为了进一步提高Deep ...随着数据维度和规模的不断增加,基于深度学习的异常检测方法取得了优异的检测性能,其中深度支持向量数据描述(Deep SVDD)得到了广泛应用。然而,要缓解超球崩溃问题,就需要对Deep SVDD中映射网络的各种参数施加约束。为了进一步提高Deep SVDD中映射网络的特征学习能力,同时解决超球崩溃问题,提出了基于混合高斯先验变分自编码器的深度多球支持向量数据描述(Deep Multiple-Sphere Support Vector Data Description Based on Variational Autoencoder with Mixture-of-Gaussians Prior,DMSVDD-VAE-MoG)。首先,通过预训练初始化网络参数和多个超球中心;其次,利用映射网络获得训练数据的潜在特征,对VAE损失、多个超球的平均半径和潜在特征到所对应超球中心的平均距离进行联合优化,以获得最优网络连接权重和多个最小超球。实验结果表明,所提DMSVDD-VAE-MoG在MNIST,Fashion-MNIST和CIFAR-10上均取得了优于其他8种相关方法的检测性能。展开更多
提出了基于multi-SVDD(multi-support vector data description)的水下航行器噪声源识别方法,从而避免了传统噪声源识别方法无法识别突变噪声源的不足。利用功率谱特征提取方法处理采样到的机械振动噪声信号,将SVDD扩展到多类分类来识...提出了基于multi-SVDD(multi-support vector data description)的水下航行器噪声源识别方法,从而避免了传统噪声源识别方法无法识别突变噪声源的不足。利用功率谱特征提取方法处理采样到的机械振动噪声信号,将SVDD扩展到多类分类来识别多类噪声源。实验表明,该方法能够有效识别水下航行器的各类典型噪声源,并能及时发现突变噪声源。展开更多
针对间歇生产过程中的故障分类问题,为进一步研究故障所属类型,本文采用支持向量数据描述(support vector data description,SVDD)的方法.在多种类型的故障数据库基础上,应用SVDD建立对应故障种类的模型,利用核函数求出各个模型超球面半...针对间歇生产过程中的故障分类问题,为进一步研究故障所属类型,本文采用支持向量数据描述(support vector data description,SVDD)的方法.在多种类型的故障数据库基础上,应用SVDD建立对应故障种类的模型,利用核函数求出各个模型超球面半径;对于新的待分类故障样本,先考察其与各个种类模型超球面球心的距离,再比较此距离与半径的大小,进而确定故障所属类型,尤其是可能超出各个故障模型检测范围的待测故障样本,对其进行降幅重构迭代,确定其所属类型.该方法不但能够准确识别独立发生的故障,而且对于其他方法难以识别的多种并发的故障也能够有效地实现分类,应用于数值仿真和青霉素发酵过程实验中,验证了其有效性和准确性.展开更多
文摘随着数据维度和规模的不断增加,基于深度学习的异常检测方法取得了优异的检测性能,其中深度支持向量数据描述(Deep SVDD)得到了广泛应用。然而,要缓解超球崩溃问题,就需要对Deep SVDD中映射网络的各种参数施加约束。为了进一步提高Deep SVDD中映射网络的特征学习能力,同时解决超球崩溃问题,提出了基于混合高斯先验变分自编码器的深度多球支持向量数据描述(Deep Multiple-Sphere Support Vector Data Description Based on Variational Autoencoder with Mixture-of-Gaussians Prior,DMSVDD-VAE-MoG)。首先,通过预训练初始化网络参数和多个超球中心;其次,利用映射网络获得训练数据的潜在特征,对VAE损失、多个超球的平均半径和潜在特征到所对应超球中心的平均距离进行联合优化,以获得最优网络连接权重和多个最小超球。实验结果表明,所提DMSVDD-VAE-MoG在MNIST,Fashion-MNIST和CIFAR-10上均取得了优于其他8种相关方法的检测性能。
文摘提出了基于multi-SVDD(multi-support vector data description)的水下航行器噪声源识别方法,从而避免了传统噪声源识别方法无法识别突变噪声源的不足。利用功率谱特征提取方法处理采样到的机械振动噪声信号,将SVDD扩展到多类分类来识别多类噪声源。实验表明,该方法能够有效识别水下航行器的各类典型噪声源,并能及时发现突变噪声源。
文摘针对间歇生产过程中的故障分类问题,为进一步研究故障所属类型,本文采用支持向量数据描述(support vector data description,SVDD)的方法.在多种类型的故障数据库基础上,应用SVDD建立对应故障种类的模型,利用核函数求出各个模型超球面半径;对于新的待分类故障样本,先考察其与各个种类模型超球面球心的距离,再比较此距离与半径的大小,进而确定故障所属类型,尤其是可能超出各个故障模型检测范围的待测故障样本,对其进行降幅重构迭代,确定其所属类型.该方法不但能够准确识别独立发生的故障,而且对于其他方法难以识别的多种并发的故障也能够有效地实现分类,应用于数值仿真和青霉素发酵过程实验中,验证了其有效性和准确性.
