检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于区间数单簇聚类-单分类器的异常检测

计算机科学 2017年第6期44卷 189-198,205页

作者：孙强魏伟侯培鑫岳继光同济大学电子与信息工程学院上海201804 埃尔兰根-纽伦堡大学电子工程所

异常检测是系统运行维护的重要工作。在系统运行过程中可获得大量正常的运行数据,但异常数据的获取成本较高,因此可引入单分类器的思想来处理异常检测问题。测量不确定性、环境噪声、存储设备等导致监测数据可能存在不确定性。利用区间... 详细信息

异常检测是系统运行维护的重要工作。在系统运行过程中可获得大量正常的运行数据,但异常数据的获取成本较高,因此可引入单分类器的思想来处理异常检测问题。测量不确定性、环境噪声、存储设备等导致监测数据可能存在不确定性。利用区间数描述不确定的监测数据,提出区间数样本的核可能性1-均值单簇聚类-单分类器异常检测算法。分别考虑聚类中心位于输入空间与特征空间两种情况,并考虑区间数样本具有的区间宽度不均衡性,提出区间细分检测策略。结合人工数据集与UCI数据集给出的算例验证了所提算法的有效性,其与现有SVM-OCC相比具有更高性能。

关键词：区间数样本单簇聚类单分类器区间细分异常检测

在线全文

学校读者我要写书评

暂无评论

基于自编码器的单分类异常检测方法研究

基于自编码器的单分类异常检测方法研究

作者：鲁佳楠江西理工大学

学位级别：硕士

随着信息技术的发展,人工智能和大数据技术的普及,对于异常的检测与分析方法引起了学术界的广泛关注并逐渐成为研究焦点。其中,对异常数据的采集与分析是一个难点,现实中经常会出现正常样本与异常样本数据量差距过大的问题,并且在某些... 详细信息

随着信息技术的发展,人工智能和大数据技术的普及,对于异常的检测与分析方法引起了学术界的广泛关注并逐渐成为研究焦点。其中,对异常数据的采集与分析是一个难点,现实中经常会出现正常样本与异常样本数据量差距过大的问题,并且在某些情况下收集异常数据的成本较高甚至难以收集到异常样本。因此,如何在异常检测数据的准确性和样本数据量不足的问题上实现高效平衡,俨然成为该领域重要的研究方向。本文一方面基于单分类器技术的优势特性,即只用正常数据进行对检测模型进行训练,依旧可以保持媲美传统异常检测方法的性能;另一方面基于深度学习平台构建自编码器神经网络模型,使用非线性函数对输入样本进行维度缩放,拥有适用于多种类型数据集特性学习的优势。本课题从数据重构和数据降维两个角度,深入研究自编码器及其模型变体并改进现有的单分类异常检测方法。整体的论文工作如下:(1)提出一种基于重构误差技术的单分类异常检测方法。针对传统自编码器对于不同数据集都需预先设定适合的参数才能达到最优的检测效果问题。本文先研究了一种数据预处理策略,该策略可以对正常样本特征进行增强,不仅加快了后续模型的收敛效率,也提高了模型的检测精度;接着通过对自编码器中隐藏层数量、层数、参数更新机制进行研究,搭建出自适应编码器。采用数据集中部分正常样本对自适应编码器进行训练,将正常样本的重构误差作为异常阈值,通过训练后的自适应编码器和异常阈值对测试数据集进行异常检测。实验结果表明,本文所提出的基于重构的单分类异常检测方法在4种类型的表格数据集上均达到了最优的检测效果。(2)提出一种自注意力自编码器与支持数据域描述的混合异常检测方法。针对传统单分类异常检测方法在处理高维度数据时性能较差的问题,本文构建了一种两阶段式检测方法,先利用自注意力自编码器对预处理后的高维图像数据进行抽象特征提取,从而获得原始输入样本的低维度表现形式,降低数据的冗余程度;结合支持数据域描述算法对这些低维特征进行决策边界的划分,得到一个可以包裹绝大多数样本的超球体。通过对测试集中的测试样本进行特征提取,判断低维度信息是否落在超球体内部来完成异常检测。实验结果表明,本文所提出的自注意力自编码器与支持数据域描述的混合异常检测方法在3种类型的图像数据集上,对比现有算法,检测精度均有所提升。

关键词：异常检测单分类器自编码器重构误差支持数据域描述

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于集成学习的车削刀具磨损状态监测研究

基于集成学习的车削刀具磨损状态监测研究

作者：徐智超昆明理工大学

学位级别：硕士

刀具在加工过程中与工件接触会发生持续性的磨损,这直接影响加工表面的质量,如果机床严重损坏,也会对加工产品造成损坏,加工效率受到影响,加工成本增加,因此刀具磨损监测技术是非常重要的。而如今刀具磨损状态监测方法趋于多样化,单模... 详细信息

刀具在加工过程中与工件接触会发生持续性的磨损,这直接影响加工表面的质量,如果机床严重损坏,也会对加工产品造成损坏,加工效率受到影响,加工成本增加,因此刀具磨损监测技术是非常重要的。而如今刀具磨损状态监测方法趋于多样化,单模型识别分类器的正确识别率不高,所以通过对刀具磨损监测技术研究,建立了一种基于集成学习的刀具磨损状态监测模型,具体的研究内容和结论如下:首先了解刀具磨损形态并进行分析,确定后刀面磨损量(VB)作为刀具磨损指标。研究了每一种监测方法和信号各自的特点,确定选用间接法中的振动法和声发射法作为最终的监测信号。采用全因素法,在每种不同的工况下进行大量的车削实验,并基于Labview软件采集不同工况下产生的信号,得到数据,为后续的信号分析等工作提供了数据来源。然后,将经时域、频域、时频三种信号分析方法及采用Relief-F算法对采集到的振动信号、声发射信号进行分析后得到的162组8维特征数据中的3/4数据输入支持向量机(SVM)、多层感知机(MLP)、决策树(DT)以及逻辑回归(LR)四种单分类器中进行训练,将剩余的1/4数据作为测试集得出分类结果,DT模型的效果最优。故以DT分类模型作为单分类器进行Bagging和Adabooting同态集成学习,并将DT单分类器模型与同态集成模型Bagging-DT和Adaboosting-DT的识别结果进行对比,得出的结果是集成模型比单个分类器的分类效果好,而且Adaboosting-DT的识别结果最优。随后以SVM、MLP、DT三种单分类器的输出结果作为元学习器SVM的输入进行Stacking策略的异态集成学习,并与同态集成模型中最优的Adaboosting-DT模型进行对比,结果显示:Stacking异态集成模型在测试集上平均精确率、准确率、召回率、F1-score值均是最大的,分别为0.98,97.5610%,0.98,0.98,0.98。说明Stacking异态集成模型的优越性,得到的分类效果更好。相较于识别效果较优的同态模型Adaboosting-DT分别提高了0.02、2.439%、0.03、0.03。为了验证Stacking异态集成模型的适应性,将DT模型、两种同态集成模型、一种异态集成模型分别对初期磨损、中期磨损、严重磨损三个类别的准确率、精确率、召回率以及F1值进行比较分析,得出依旧是异态集成模型Stacking对不同磨损状态分类效果最优,说明了该模型具有一定的适用性。

关键词：刀具磨损监测同态集成学习异态集成学习单分类器 Stacking

一种基于趋势自适应消除和改进LOF的异常检测方法

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

一种基于趋势自适应消除和改进LOF的异常检测方法

作者：范国轩北京化工大学

学位级别：硕士

不平衡数据的异常检测在实际应用中有广泛应用,数据预处理和分类方法作为异常检测的两个主要步骤是异常检测算法的关键组成。本文针对数据异常检测方法开展研究,首先研究信号趋势项消除方法,实现带趋势项信号的预处理,在此基础上研究基... 详细信息

不平衡数据的异常检测在实际应用中有广泛应用,数据预处理和分类方法作为异常检测的两个主要步骤是异常检测算法的关键组成。本文针对数据异常检测方法开展研究,首先研究信号趋势项消除方法,实现带趋势项信号的预处理,在此基础上研究基于LOF的单分类检测方法,用于解决不平衡数据的异常检测问题。针对趋势项会严重降低信号异常检测准确性的问题,以高通滤波法为基础,提出了基于信号正负区间统计分布曲线的趋势判断准则,进而设计出了高通滤波器截止频率的实时选择方法,实现了信号趋势的自适应消除;分析了方法预设参数对滤波结果的影响,在此基础上对算法进行了改进,使之更适用于实际工程应用。针对异常检测中的不平衡数据问题,提出了基于改进LOF算法的单分类器方法用于异常检测。首先针对传统LOF仅使用欧氏距离实现近邻提取,分类准确率受数据特性影响明显的问题,提出RM-LOF算法,利用Relief F与多距离融合方法实现LOF分类。在此基础上,针对单分类器算法准确率易受训练样本集中的噪声数据影响的问题,将Bagging算法与RM-LOF算法结合,获得集成分类方法。通过上述改进方法降低数据集特征对LOF分类器的影响,提高了改进LOF算法在不同数据集上的分类准确率,提高了算法通用性。上述方法被应用于UCI通用数据集和实际工业对象数据异常检测问题(管道泄漏检测和流化床结块检测)中,实验结果证明了方法的有效性。

关键词：不平衡数据趋势消除单分类器集成学习异常检测

基于移相加权球面单簇聚类的周期时间序列异常检测

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

自动化学报 2011年第8期37卷 984-992页

作者：王骏钟富礼王士同邓赵红江南大学数字媒体学院无锡214122 香港理工大学电子计算学系

针对传统的单分类器不适用于周期时间序列的异常检测,提出了一种基于移相加权球面单簇聚类的单分类器PS-WS1M-OCC.通过在聚类过程中增加高效的循环移位操作,解决了时间序列记录之间相似度计算的问题.另一方面,基于时间序列记录的权重分... 详细信息

针对传统的单分类器不适用于周期时间序列的异常检测,提出了一种基于移相加权球面单簇聚类的单分类器PS-WS1M-OCC.通过在聚类过程中增加高效的循环移位操作,解决了时间序列记录之间相似度计算的问题.另一方面,基于时间序列记录的权重分布,提出了新的阈值自适应确定方法,从而使单分类器对训练集包含的异常数据和参数设置不敏感.实验表明,本文提出的单分类器可以用于周期时间序列的异常检测;与传统的单分类器相比,可以成功地从包含异常数据的训练集中进行无监督学习,对训练集包含的异常数据鲁棒,并且对参数不敏感.

关键词：移相加权球面单簇聚类时间序列异常检测单分类器从包含噪声的数据中学习

多特征自适应融合的高分辨率遥感影像建筑物提取算法

在线全文

学校读者我要写书评

暂无评论

测绘与空间地理信息 2023年第6期46卷 151-154页

作者：槐燕萍甘肃省测绘工程院甘肃兰州730000 甘肃省应急测绘工程研究中心甘肃兰州730000

针对高分辨率遥感影像建筑物精度较低问题,提出了多特征自适应融合的高分辨遥感影像建筑物自动提取算法。首先,提取纹理特征与形态学建筑物指数;然后,采用混合核函数对多种特征进行自适应融合,采用单分类器提取建筑物范围;最后,结合面... 详细信息

针对高分辨率遥感影像建筑物精度较低问题,提出了多特征自适应融合的高分辨遥感影像建筑物自动提取算法。首先,提取纹理特征与形态学建筑物指数;然后,采用混合核函数对多种特征进行自适应融合,采用单分类器提取建筑物范围;最后,结合面向对象思想,采用建筑物形状特征对提取的建筑物结果进行优化处理已获得的最终结果。试验结果表明,该方法能有效避免漏洞和“椒盐噪声”现象,提高建筑物检测精度。

关键词：多特征自适应融合建筑物提取单分类器

在线全文

学校读者我要写书评

暂无评论

基于支持向量机的私募股权投资风险预测

北京交通大学学报（社会科学版） 2016年第3期15卷 23-30页

作者：姜爱克李学伟赵峰北京交通大学经济管理学院北京100044 山东科技大学经济管理学院山东青岛266590

由于私募股权基金在运作过程中存在着多层委托代理关系,从而产生了不同利益主体之间的信息不对称,并进而造成了逆向选择和道德风险问题,这是私募股权投资产生风险的最主要根源,这种投资风险可以从宏观和微观两个层面进行识别和预测。基... 详细信息

由于私募股权基金在运作过程中存在着多层委托代理关系,从而产生了不同利益主体之间的信息不对称,并进而造成了逆向选择和道德风险问题,这是私募股权投资产生风险的最主要根源,这种投资风险可以从宏观和微观两个层面进行识别和预测。基于此,可构建私募股权投资风险的备选指标体系和支持向量机模型,并进行实证评价。实证结果表明:私募股权投资风险随着投资周期的增加而提高,相应的投资风险也因各种不确定因素的增加而呈现上升趋势;SVM方法对私募股权投资风险能够进行有效预测,这将为私募股权投资风险的预测提供理论指导和方法借鉴。

关键词：私募股权投资风险支持向量机单分类器

在线全文

学校读者我要写书评

暂无评论

依特征频率的安卓恶意软件异常检测的研究

智能系统学报 2018年第2期13卷 168-173页

作者：张玉玲尹传环北京交通大学计算机与信息技术学院北京100044

Android系统由于开源性和可移植性等优点,成为市场占有率最高的移动操作系统。针对Android的各种攻击也层出不穷,面向Android的恶意软件检测已成为近些年移动安全领域非常重要的一个环节。面临的问题包括恶意软件收集困难,异常样本和正... 详细信息

Android系统由于开源性和可移植性等优点,成为市场占有率最高的移动操作系统。针对Android的各种攻击也层出不穷,面向Android的恶意软件检测已成为近些年移动安全领域非常重要的一个环节。面临的问题包括恶意软件收集困难,异常样本和正常样本比例不平衡。为了有效应对上述问题,提出了Droid-Saf框架,框架中提出了一种挖掘数据隐含特征的数据处理方案;把样本特征包含的隐藏信息当作新的特征;建模时将样本特征融入算法当中,建立动态的松弛变量。应用静态分析方法反编译apk,用改进的svdd单分类器分类,克服了恶意软件检测系统中非正常软件收集困难的不足,降低了异常检测的漏报率和误判率。实验结果验证了该算法的有效性和适用性。

关键词：安卓系统恶意软件数据挖掘异常检测 svdd 隐含特征单分类器特征频率

在线全文

学校读者我要写书评

暂无评论

融合样本相似性与HMMs的字符识别技术

计算机工程与应用 2007年第3期43卷 58-60页

作者：王先梅杨扬黄康林子钰北京科技大学信息工程学院北京100083 中环冶金总公司北京100011

样本相似性是两个样本是否属于同一类别的重要依据,而传统的隐马尔可夫建模(HMMs)方法仅根据后验概率进行分类。将二者结合起来,提出一种基于样本相似性的HMMs后验概率调整方法。在该方法中采用距离来描述样本间的相似性,利用规范化的... 详细信息

样本相似性是两个样本是否属于同一类别的重要依据,而传统的隐马尔可夫建模(HMMs)方法仅根据后验概率进行分类。将二者结合起来,提出一种基于样本相似性的HMMs后验概率调整方法。在该方法中采用距离来描述样本间的相似性,利用规范化的距离相似性度量对后验概率进行适当的调整。在一个单分类器中充分利用了两种分类信息,因此将其用于脱机手写大写金额的识别过程中,取得了良好的效果:在识别精度提高的同时,识别速度变化很小。

关键词：样本相似性 HMMs 单分类器后验概率调整