-
题名基于先验聚类的机电设备环境参数异常检测算法
- 1
-
-
作者
邢鹏
李新娥
-
机构
中北大学太原电子测量技术国家重点实验室
-
出处
《现代电子技术》
北大核心
2025年第6期78-84,共7页
-
文摘
传统的聚类异常数据检测算法在处理高维度、大数据量且异常值分布杂乱的机电设备环境参数时,存在聚类效果差和检测效率低的问题。为此,在原有异常检测算法的基础上提出一种基于先验聚类的机电设备环境参数异常检测算法。该算法改用历史数据构建先验聚类,确保聚类构建不会受太多异常环境参数所影响;在选取聚类中心时引入密集度的概念,以确保聚类中心的可靠性,并在选取聚类中心过程中去除已选聚类中心周围的数据点,防止选取的聚类中心集中在某一区域,以此提升聚类效果。进行异常检测时,依次将待检测数据放入先验聚类中进行匹配,一旦测试数据无法匹配任何一个已知聚类,则将其标记为异常数据。实验结果表明:所提算法在机电设备环境参数的异常检测方面具有检测率高、误报率低的特点,在2000例数据异常检测中,其检测准确率达到了97.5%,优于DBSCAN算法的97%以及基础K-means算法的86%;同时,误检率低至0.0106,优于DBSCAN算法的0.0239和基础K-means算法的0.0228。改进后的模型较基础K-means算法和DBSCAN算法在机电设备环境参数异常检测中检测效果更佳,在机电设备环境异常数据检测上具有良好的性能。
-
关键词
机电设备
环境参数
异常数据检测
先验聚类
K-means算法
密集度
聚类匹配
-
Keywords
electromechanical equipment
environmental parameters
anomaly data detection
priori clustering
K-means algorithm
degree of density
cluster matching
-
分类号
TN915.08-34
[电子电信—通信与信息系统]
TP301
[自动化与计算机技术—计算机系统结构]
-
