无线传感器网络获取的水质数据流具有高复杂性、非平稳性、非线性等特点,为了提高传感数据流的异常检测能力,保障水质监测数据流的有效性,该研究提出一种基于改进支持向量数据描述(SupportVectorDataDescription,SVDD)水质数据流异常检...无线传感器网络获取的水质数据流具有高复杂性、非平稳性、非线性等特点,为了提高传感数据流的异常检测能力,保障水质监测数据流的有效性,该研究提出一种基于改进支持向量数据描述(SupportVectorDataDescription,SVDD)水质数据流异常检测方法。首先应用马氏距离改进Parzen-Window高斯窗函数,避免数据在分类过程中产生干扰。再利用改进的Parzen-Window获取训练数据的分布密度估计,并结合模糊隶属度函数,对传统SVDD算法进行密度补偿,构建改进的SVDD异常检测模型,从而降低有噪正常样本的干扰性,提高算法的分类精度。最后,选择密度补偿支持向量数据描述(Density Weighted Support Vector Data Description,D-SVDD)、传统SVDD和FastFood算法,在不同试验池塘的多个测试数据集中进行对比试验。结果表明,改进SVDD算法具有较高的检测性能,该算法在3口池塘的最高异常检测正确率TPR(True Positive Rate)值达到99.83%,最高检测准确率Accuracy达到99.83%,明显优于D-SVDD和传统SVDD算法,且最低运行时间仅1.34 s。结果可为水质数据流异常监测提供技术支持。展开更多
文摘无线传感器网络获取的水质数据流具有高复杂性、非平稳性、非线性等特点,为了提高传感数据流的异常检测能力,保障水质监测数据流的有效性,该研究提出一种基于改进支持向量数据描述(SupportVectorDataDescription,SVDD)水质数据流异常检测方法。首先应用马氏距离改进Parzen-Window高斯窗函数,避免数据在分类过程中产生干扰。再利用改进的Parzen-Window获取训练数据的分布密度估计,并结合模糊隶属度函数,对传统SVDD算法进行密度补偿,构建改进的SVDD异常检测模型,从而降低有噪正常样本的干扰性,提高算法的分类精度。最后,选择密度补偿支持向量数据描述(Density Weighted Support Vector Data Description,D-SVDD)、传统SVDD和FastFood算法,在不同试验池塘的多个测试数据集中进行对比试验。结果表明,改进SVDD算法具有较高的检测性能,该算法在3口池塘的最高异常检测正确率TPR(True Positive Rate)值达到99.83%,最高检测准确率Accuracy达到99.83%,明显优于D-SVDD和传统SVDD算法,且最低运行时间仅1.34 s。结果可为水质数据流异常监测提供技术支持。
文摘养殖水体中溶解氧浓度一直是最重要的水质参数之一。为了精准地对水体溶解氧进行调控,提高养殖生产效率,降低养殖风险,该研究考虑外部天气条件对溶解氧的影响以及溶解氧自身的昼夜变化特征,提出一种基于正则化极限学习机(principal component analysis and clustering method optimized regularized extreme learning machine,PC-RELM)的养殖水体溶解氧数据流预测模型。首先,采用主成分分析法判断影响溶解氧浓度的强重要性因子,降低预测模型的数据维度;其次,利用熵权法计算各时刻点的天气环境指数,并利用快速动态时间规整算法(fast dynamic time warping,FastDTW)完成时间序列数据流在不同天气环境下的相似度度量;然后使用k-means算法对时间序列的相似度进行聚类分簇,并基于分簇结果完成正则化极限学习机预测模型的构建,实现溶解氧浓度的估算。最后将PC-RELM模型应用到无锡南泉试验基地养殖池塘的溶解氧预测调控过程中。试验结果表明:PC-RELM的预测均方根误差值(root mean square error,RMSE)为0.9619,与PLS-ELM(partial least squares optimized ELM)、最小二乘支持向量机(least square support vector machine,LSSVM)以及BP神经网络模型进行对比,其RMSE值分别降低了41.54%、54.58%和67.16%。该预测模型可以有效地捕捉不同天气条件下溶解氧的变化特点,具有较高的预测精度和效率。
