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
支持向量数据描述(support vector data description,SVDD)是一种单值分类方法,该方法能够在只有一类学习样本的情况下建立分类器,其在机械故障诊断中的应用有望解决制约智能故障诊断技术发展的故障数据缺乏问题。文中提出一种基于小波...支持向量数据描述(support vector data description,SVDD)是一种单值分类方法,该方法能够在只有一类学习样本的情况下建立分类器,其在机械故障诊断中的应用有望解决制约智能故障诊断技术发展的故障数据缺乏问题。文中提出一种基于小波包分解特征提取和SVDD的故障诊断方法,用小波包分解技术提取信号各频带的能量作为信号特征,用SVDD方法进行分类。对滚动轴承故障诊断的仿真实验结果显示,该方法可有效处理复杂机械振动信号,提高故障诊断的准确性。展开更多
本文针对支持向量数据描述(Support Vector Data Description,SVDD)中的在线学习问题,提出了一种增量支持向量数据描述(Incremental Support Vector Data Description,ISVDD)方法。首先,理论明确了增量学习机理在SVDD中的可行性,并深入...本文针对支持向量数据描述(Support Vector Data Description,SVDD)中的在线学习问题,提出了一种增量支持向量数据描述(Incremental Support Vector Data Description,ISVDD)方法。首先,理论明确了增量学习机理在SVDD中的可行性,并深入分析了在线新增样本与已有样本集合的集合划分问题;同时从理论上给出了ISVDD中样本系数变化的依据,推导了ISVDD的理论过程。其次,为了提高理论完备性与应用可靠性,在六种条件下实现了样本属性之间的迁移,获得各个样本系数的变化量。ISVDD方法不仅继承了标准SVDD的优点,能够获得和标准SVDD同样的分类性能,并且显著减少了在线增量样本的训练时间,缓解了数据优化中对内存量的巨大需求。实验结果证明了本文方法的有效性和正确性。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。
文摘支持向量数据描述(support vector data description,SVDD)是一种单值分类方法,该方法能够在只有一类学习样本的情况下建立分类器,其在机械故障诊断中的应用有望解决制约智能故障诊断技术发展的故障数据缺乏问题。文中提出一种基于小波包分解特征提取和SVDD的故障诊断方法,用小波包分解技术提取信号各频带的能量作为信号特征,用SVDD方法进行分类。对滚动轴承故障诊断的仿真实验结果显示,该方法可有效处理复杂机械振动信号,提高故障诊断的准确性。
文摘本文针对支持向量数据描述(Support Vector Data Description,SVDD)中的在线学习问题,提出了一种增量支持向量数据描述(Incremental Support Vector Data Description,ISVDD)方法。首先,理论明确了增量学习机理在SVDD中的可行性,并深入分析了在线新增样本与已有样本集合的集合划分问题;同时从理论上给出了ISVDD中样本系数变化的依据,推导了ISVDD的理论过程。其次,为了提高理论完备性与应用可靠性,在六种条件下实现了样本属性之间的迁移,获得各个样本系数的变化量。ISVDD方法不仅继承了标准SVDD的优点,能够获得和标准SVDD同样的分类性能,并且显著减少了在线增量样本的训练时间,缓解了数据优化中对内存量的巨大需求。实验结果证明了本文方法的有效性和正确性。
