支持向量数据描述

摘要： 针对SVDD方法在训练阶段计算量大、训练时间久的问题,提出了基于局部保持投影支持向量数据描述(LPP-SVDD)的故障检测方法.结合LPP处理线性降维和SVDD在异常点检测的优势,使用LPP算法对原始数据进行维数约减,对降维后的数据采用SVDD算法建立监控模型,在最大程度保留数据局部结构特性的同时达到数据维数约减的目的,从而降低SVDD的计算量,缩短建模及检测时间.通过数值例子和半导体工艺过程进行仿真研究,对比LPP、k NN、SVDD、LPP-SVDD方法,验证所提方法的性能.结果证实了LPP-SVDD不仅具有准确的检测能力,而且具有较高的检测效率.

摘要： 针对火炮自动机故障状态监测问题,提出了一种基于支持向量数据描述的故障状态监测模型。利用搭建的自动机振动测试平台获取自动机振动信号,采用变模态分解方法将振动信号分解为多个本征模态分量,计算各个分量的样本熵值作为故障特征,并以正常状态下的自动机故障特征为训练样本进行SVDD模型的训练,训练过程中根据模型特点找到合适的模型参数,完成自动机状态监测模型的构建。在自动机测试平台上设置多种预制零件故障进行模型的验证,结果表明所建立的状态监测模型对异常状态的发生有很强的敏感性,具有较高的检测准确率;同时设计了关重件模拟性能退化试验,试验结果验证了所提出的模型具有良好的早期故障检测能力,可较为准确地反映自动机故障性能退化过程,可为火炮自动机故障状态监测提供一定的借鉴和指导。

摘要： 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。

摘要： 针对传统SVDD方法对多模态过程故障检测率低的问题,提出了自适应滑动窗口-支持向量数据描述(adaptive moving window-support vector data description, AMW-SVDD)的故障检测方法。首先,使用网格搜索方法建立窗宽序列并获取初始窗宽;其次,应用滑动窗口技术将整体数据以窗宽为标准切分到多个子窗口;然后,利用网格搜索方法和粒子群优化(particle swarm optimization, PSO)算法,得到最优窗宽和由各窗口最优SVDD模型构成的模型序列;最后,使用最优模型序列进行故障检测,并将此方法应用于数值例子及田纳西伊斯曼(TE)数据集。结果表明,与传统故障检测方法如KPCA和SVDD等相比,AMW-SVDD方法可有效捕获过程数据的多模态特性。AMW-SVDD方法通过滑动窗口技术捕获数据的局部特征,同时应用PSO算法优化局部模型,二者结合可以自适应确定窗宽参数,进一步获取最优子模型序列,能够有效解决多模态过程故障检测问题,为提高SVDD方法在多模态过程中的故障检测性能提供了参考。

摘要： 通常情况下剩余使用寿命(Remaining Useful Life, RUL)预测的实现都是基于各种传感器监测得来的数据,如何从具有过程噪声的连续采集的大量数据中提取退化特征来监测系统的性能退化趋势,从而准确地预测出RUL是一项挑战。因此,提出了一个基于支持向量数据描述(Support Vector Data Description, SVDD)和粒子滤波(Particle Filter, PF)的RUL预测方法。首先,利用SVDD从大量历史数据中提取一个可以反映系统性能退化趋势的健康指标;其次,针对健康指标的退化趋势构建一个退化模型,同时可以相应地确定一个故障阈值;然后,基于PF算法和自动确定的故障阈值来实现RUL的准确预测;最后,利用航空发动机退化数据集验证了所提出方法的有效性和优越性。

摘要： 在经编机运行过程中,其横移机构可能会因横移控制系统失控或传动误差而发生故障。为实现经编机横移机构故障的有效检测,结合振动信号的组合特征和支持向量数据描述(support vector data description, SVDD)算法,提出一种由数据驱动的故障检测方法。首先,采集经编机横移机构的振动信号并提取其时域特征;然后,采用小波包分解获取振动信号在各频带上的能量占比,并结合时域特征构建特征向量。最后,基于训练样本(仅含正常样本)的特征向量,利用SVDD算法构建独立封闭的最小超球体,并通过比较测试样本到超球体球心的距离与超球体半径来实现经编机横移机构的状态评估。对基于所提出方法的故障检测结果与仅使用时域特征和SVDD算法以及使用组合特征和支持向量机(support vector machine, SVM)的故障检测结果进行对比。结果表明,结合振动信号组合特征和SVDD算法的故障检测方法的准确率更高。研究结果可为经编机横移机构故障的准确检测提供理论基础,进而为经编机管理人员提供一定的辅助决策信息。

摘要： 在电商网络中,异常用户往往表现出与正常用户截然不同的行为特征,检测异常用户并分析其行为模式对维护电商平台秩序具有十分重要的现实意义。通过分析异常用户的行为模式,将电商网络抽象为异质信息网络并转化为用户-设备二分图,然后在此基础上提出了一种面向电商网络的异常用户检测方法——自监督异常检测模型(Self-Supervised Anomaly Detection Model,S-SADM)。该方法具有自监督学习机制,采用自编码器编码获取用户节点表示,通过优化联合目标函数来完成反向传播,同时采用支持向量数据描述对用户节点表示进行异常检测。经过网络的自动迭代优化,不仅使用户节点表示具有监督信息,还获得了较稳定的检测结果。最后,在真实网络数据集和半合成网络数据集中对S-SADM进行实验,结果表明了该方法的有效性和优越性。

摘要： 为了解决支持向量数据描述方法对多模态动态过程故障检测率低的问题,提出了基于双局部近邻标准化的动态支持向量数据描述的故障检测方法。首先,应用DLNS方法标准化样本生成标准数据集;其次,利用动态方法将标准数据集构造成动态矩阵;最后,使用SVDD方法建立基于空间距离的统计量进行故障检测,应用DLNS-DSVDD方法对一个数值例子和田纳西-伊斯曼过程(TE过程)进行仿真测试,并与传统方法对比分析。结果表明,DLNS-DSVDD方法在具有更低的误报率的前提下拥有更高的故障检测率,平均误报率为2.2%,相比于SVDD方法降低了2.1%,平均故障检测率为88.2%,相比于SVDD方法提高了38.5%,证明了所提出的方法可以有效地监控具有多模态动态特征的化工生产过程。DLNS-DSVDD方法可以有效地剔除数据的多模态结构并且准确地捕获样本中的动态信息,为提高SVDD方法在多模态动态过程中的故障检测性能提供了参考。

摘要： 为解决电力大数据中存在的冗余、异常等威胁电网安全稳定运行的问题,提出一种基于多域特征提取的电力数据异常检测算法。首先,从波动性、趋势性和变动性3个维度提取9维特征对电力数据时间序列进行表征。然后,利用相关向量机进行特征选择和降维,自动确定最优特征组合。最后,采用支持向量数据描述构造一类分类器,实现异常数据检测,同时,针对支持向量数据描述核参数和惩罚因子设置问题,利用磷虾算法进行优化,提升算法收敛精度。算例结果表明,所提方法能够有效实现异常检测,并且具有较强的噪声鲁棒性。

摘要： 该文提出一种基于支持向量数据描述(SVDD)和XGBoost模型的风电机组异常工况预警方法。从机组监控与数据采集系统(SCADA)数据中选择与转速和发电功率密切相关的特征变量,利用SVDD算法对建模数据进行预处理,采用XGBoost建立风机正常性能预测模型。以所建预测模型为基础,构建时间滑动窗计算性能评价指标,并根据统计学的区间估计理论合理确定风机性能异常预警指标阈值。采用某风电场1.5MW风电机组SCADA系统记录的若干真实故障案例,开展异常工况预警仿真试验。结果表明:基于SVDD和XGBoost的风机异常工况预警方法,可以有效地清洗数据,及时识别风电机组异常状态,对于提高风电机组运行的安全性具有较好的工程实用意义。

摘要： 在基于聚类的多模型软测量建模中,如果数据聚类后类别之间界限不明显,常会出现样本类别误划分和类边界处样本估计不准确的问题.对此,本文提出一种基于支持向量数据描述算法的聚类多模型软测量建模方法.该方法首先采用仿射传播聚类算法对数据进行类别划分,利用支持向量数据描述算法划定类边界从而确定样本与各类别的位置关系,根据样本与各类的位置关系信息从高斯过程回归算法建立的子模型、全局模型和局部模型中选择合适的模型对样本进行估计.将工业双酚A生产装置的现场数据建模和仿真,结果表明该方法是有效的.

摘要： 为了提高图像超分辨率算法对数据奇异点的鲁棒性,提出一种基于K均值聚类和支持向量数据描述的图像超分辨率重建算法.提出的算法分为训练和测试部分:在训练部分,首先在K均值聚类基础上用支持向量数据描述去除每类数据的奇异点,然后用主成分分析训练小波域近似子带和细节子带字典.在测试部分,首先根据同一场景高低分辨率图像近似子带相似这一现象,将待重建低分辨率测试图像的近似子带作为相应高分辨率测试图像的近似子带,然后由训练得到的字典恢复出高分辨率测试图像的细节子带,最后通过逆小波变换得到高分辨率测试图像.与现有几种方法对比表明,提出的方法所重建的高分辨率测试图像更清晰并且峰值信噪比较高.

摘要： 异常检测是机器学习领域近年来的一个研究热点，在相当多的文献中都将异常检测作为一类分类来处理，因此出现了很多一类分类器，其中最为常用的有一类支持向量机和支持向量数据描述一类支持向量机是寻找一个超平面将正常样本和原点以最大间隔进行划分，而支持向量数据描述则是寻找一个包含训练集中所有正常样本的最小包围球。rn 支持向量数据描述是用于解决异常检测问题的一类分类器.在支持向量数据描述的训练过程中,其参数选取以及特征选择对其分类性能具有重要的影响.本文将模拟退火和支持向量数据描述的参数选取及特征选择融合在一起,建立了更为有效的异常检测模型.实验结果表明所建立模型可以有效地提高传统支持向量数据描述的分类性能,同时能找到更为合理的参数及特征子集.

摘要： 针对传统统计过程监控假设数据服从高斯分布的不足,提出了基于混合信号模型(MSM)及支持向量数据描述(SVDD)的非高斯过程监控方法.混合信号模型中包含了高斯、非高斯信号源及过程测量噪声,给出了基于混合信号模型的过程测量变量分解方法、统计量的定义及其分布.针对非高斯信号源监控,提出了SVDD核参数化的一般形式及其优化算法.工业实际数据中的应用表明,通过SVDD核函数优化,可准确地对数据的非高斯特性进行刻画,及时地发现工业过程中出现的异常情况.

摘要： 由于间歇过程数据包含表征过程变化的相关信息和非相关信息,并且呈现高斯与非高斯的多分布等特点.为了更加充分的提取数据的有用信息和处理数据的非高斯性等问题,实现有效的过程监控,本文提出了一种基于WMNPE间歇过程监测的改进SVDD算法.首先运用多向邻域保持嵌入(MNPE)算法来提取低维子流形以实现降维;再使用概率权值策略来提取表征过程变化的相关信息,通过Greedy方法提取低维子流形的特征样本,最后以支持向量数据描述(SVDD)方法建立监控模型进行监控.通过青霉素发酵过程仿真平台和一个实际的半导体生产过程数据验证了本文提出算法的有效性.

摘要： 传感器是制冷空调系统的重要组成部分,起着测量数据和监控状态的作用.传感器偏差会引起测量值不准,影响控制策略,导致系统能耗增加.依据模式识别理论,基于支持向量数据描述(SVDD),针对冷水机组进行了偏差故障条件下的传感器故障检测和诊断工作.收集冷水机组实测正常运行数据,基于训练集建立SVDD模型,进行冷水机组传感器故障检测;在测试集中引入偏差故障,分析检测和诊断效果.结果表明:基于SVDD的冷水机组传感器故障检测和诊断效果明显,故障识别程度并不一致.

摘要： 针对JPEG通用隐写分析通用性不高的问题,本文提出了一种基于融合降维共生矩阵特征的高通用性隐写分析算法.算法综合使用了剪切全局校准、像素预测局部校准的方法,基于二阶共生矩阵、三阶共生矩阵提取DCT块内、块间系数的相关性特征,并采用局部保持投影法进行融合降维;在此基础上,选用支持向量数据描述(SVDD)进行训练和分类实验结果表明:该方法能够实现未知隐写术的检测,具有更高的可靠性、鲁棒性、通用性.

摘要： 本文针对两个或两个以上特性指标之间存在耦合关系,当联合使用多个单一特性包络分析时出现的"漏检"问题,提出了基于SVDD的产品成功数据包络分析的方法。该方法经算例证明有效,达到预期目的,具有较强的推广价值。

摘要： 气阀故障是往复压缩机最常见的故障类型之一.为了能够准确检测出气阀的主要故障,基于生物免疫系统的反面选择机理,利用往复压缩机气阀的正常数据样本进行支持向量数据描述(SVDD)的训练,构造出代表往复压缩机气阀自己空间的最小特征超球体.在求得自己空间最小特征超球体的基础上,构造一个表达气阀异常度的函数,并绘制出多条表示气阀异常度的等高线,实现对气阀非己空间异常度等级的划分.同时,利用往复压缩机气阀的各种故障模式样本进行各种故障空间的SVDD训练,构造出往复压缩机气阀的各故障空间.往复压缩机气阀的故障空间是异常空间的一个子集,异常样本落入故障空间内表示往复压缩机气阀出现了故障,没有落入故障空间内只表示气阀出现异常但并不一定是故障.

摘要： 水下航行器发生声学故障是导致其隐身性恶化的重要原因之一。本文提出了一种基于支持向量数据描述的声学故障严重程度评估方法，该方法仅需要正常样本就可以完成评估模型的建立，解决了实际条件下声学故障样本难以获取的困境;而且通过该方法得出的相对距离参数可以有效实现对声学故障严重程度的评估。通过双层圆柱壳体舱段模型对该方法的可行性和有效性进行了验证。

摘要： 本发明公开了一种支持向量数据描述的胸部影像异常检测方法。本发明方法包括训练阶段和测试阶段。在训练阶段，构建并训练深度稀疏变分自编码器，获得训练数据集的隐藏层特征的均值，然后在稀疏变分自编码器基础上构建并训练深度支持向量数据描述网络，将均值作为超球体中心；在测试阶段，将测试数据集输入到训练好的深度支持向量数据描述网络中，计算得到异常分数和对应的ROC曲线并以此得到最佳阈值，当异常分数小于等于阈值则判为正常，否则判为异常。本发明方法采用了变分稀疏自编码器来进行特征学习，通过深度支持向量数据描述网络分离特征数据，具有较高的特征提取能力和较高的检测准确性。

摘要： 本发明公开了一种基于深度支持向量数据描述的干扰检测装置及方法，装置包括数据预处理、深度学习训练模块、干扰检测和干扰识别模块；方法包括以下步骤：通过天线采集空间信号并作IQ调制，经混频、数字滤波、降采样和FFT，将信号的一维数据格式转化为四维矩阵数据格式；构建、优化、训练深度学习网络架构，获得网络最优参数；根据需求调用对应算法，在基于CPU的操作系统上实现在线干扰检测和调制识别；最后在基于pyQT的显控界面上输出结果。本发明通过结合深度支持向量描述和调制识别的优势，解决了复杂环境下干扰样式未知及信号特征提取难的问题，实现高检测率、低虚警率的开集识别，保证了在复杂信道环境下的干扰检测与识别效果。

摘要： 本发明公开了一种基于姿态分析和支持向量数据描述的跌倒检测方法，包括以下步骤：步骤1：获取采集区域内的视频数据，截取人体行为的关键帧；步骤2：将步骤1中每一帧图像通过基于深度学习的人体姿态估计模型得到人体关节点的坐标；步骤3：选取部分关节点的运动轨迹特征；步骤4：将步骤3得到的特征通过支持向量数据描述模型判断是否为跌倒；本发明能够很好的处理人的体积和形状并不固定、衣着变化多样、遮挡及非平衡数据中跌倒数据少等问题；自动化处理水平较高，具有较高的识别率和较低的误检率，可以极大减小老年人跌倒不能及时发现的风险。

摘要： 本发明公开了一种用于旋转机械多齿轮故障的诊断方法，属于工业监测和故障诊断领域。该方法包括：采集正常和不同故障下的传感器数据作为训练数据集；对训练数据进行时域和频域的特征提取，获取常用特征参数；进行特征选择，组成特征参数子集；建立特征选择后数据矩阵的支持向量数据描述模型，并计算各个故障类别超球体的球心和半径；采集实时工况下传感器测量数据作为测试数据；根据所选特征得到测试数据的特征参数子集，计算与各个球心之间的距离；将此距离与超球体半径对比，若在相应半径范围内则认为该样本属于球心所在类，实现故障诊断。与现有技术相比，本发明无需建立旋转机械的数学模型，并可应用于多类别故障诊断。

摘要： 本发明公开了一种基于贝叶斯支持向量数据描述的雷达库外目标识别方法，主要可决现有技术因无法对参数提出概率分布假设而造成的识别率较低的问题。其实现步骤为：加入隐变量，对支持向量数据描述SVDD的参数提出概率分布假设，建立贝叶斯支持向量数据描述模型；生成雷达高分辨距离像训练样本集和测试样本集；对贝叶斯支持向量数据描述模型进行参数初始化，将训练样本集输入到该模型中，对模型中所有参数进行更新，当变分下界收敛时得到训练好的模型；将测试样本集中的所有样本输入到训练好的贝叶斯支持向量数据描述模型中进行目标识别，得到测试样本集所有样本的分类标签。本发明提高了对雷达高分辨距离像的识别性能，可用于雷达库外目标识别。

摘要： 本发明公开了一种基于深度支持向量数据描述的干扰检测装置及方法，装置包括数据预处理、深度学习训练模块、干扰检测和干扰识别模块；方法包括以下步骤：通过天线采集空间信号并作IQ调制，经混频、数字滤波、降采样和FFT，将信号的一维数据格式转化为四维矩阵数据格式；构建、优化、训练深度学习网络架构，获得网络最优参数；根据需求调用对应算法，在基于CPU的操作系统上实现在线干扰检测和调制识别；最后在基于pyQT的显控界面上输出结果。本发明通过结合深度支持向量描述和调制识别的优势，解决了复杂环境下干扰样式未知及信号特征提取难的问题，实现高检测率、低虚警率的开集识别，保证了在复杂信道环境下的干扰检测与识别效果。

摘要： 一种基于支持向量数据描述的转子系统异常检测方法：利用传感器采集转子正常状态运行下的数据构成正常数据集；提取正常数据集中的15个时域特征与4个频域特征作为支持向量数据描述模型的训练集；对支持向量数据描述模型进行训练，得到正常数据样本训练情况下的超球体半径，并保存训练好的支持向量数据描述模型；利用传感器在线实时采集转子故障状态运行下的运行振动数据，进行时域及频域特征提取作为测试集；将测试集输入训练好的支持向量数据描述模型中，计算测试集中各个样本与球心之间的距离，与正常样本情况下的超球体半径相比较，若超出正常样本下的半径阈值，则判定为设备异常。本发明解决了正常与故障样本量不平衡的问题。

摘要： 本发明公开了一种基于支持向量数据描述和迁移学习的航空发动机故障检测方法，该方法基于支持向量数据描述，并引入了迁移学习的思想。该方法考虑了航空发动机退化过程中不同退化程度下的发动机运行数据的差异，以发动机历史运行数据为源域数据，以发动机当前状态下收集的运行数据为目标域数据，该方法将SVDD模型的球心当作知识结构从源域迁移到目标域，辅助目标域建立精确性较高的故障检测模型。本发明通过迁移学习来解决航空发动机故障检测领域的故障数据缺乏的问题，并和单分类算法SVDD相结合，提高了故障检测模型在故障数据较少的情况下的故障检测效果。

摘要： 本申请提供一种支持向量数据描述模型的训练方法及运行状态检测方法，涉及机械臂技术领域。该方法包括：获取至少一个样本机械臂在多个转速下对应的运动信号，以及各样本机械臂对应的状态标签；根据各样本机械臂在各转速下对应的运动信号，确定各样本机械臂在各转速下分别对应的能熵比，并且根据各样本机械臂在各转速下对应的能熵比构建运动特征矩阵；基于主成分分析算法对运动特征矩阵进行特征融合处理，得到关键参数矩阵；根据关键参数矩阵，构建训练样本集合；基于训练样本集合以及训练样本集合中各训练样本对应的状态标签训练得到目标支持向量数据描述模型。应用本申请实施例，可以综合评估待测机械臂在多转速工况下的整体运行状态。

摘要： 本发明公开了一种基于支持向量数据描述的故障检测方法，包括如下步骤：步骤1：在核源平台上采集正常训练数据；步骤2：局部保持投影方法得到正常训练数据的投影数据以及投影矩阵；步骤3：投影后的数据预处理；步骤4：训练支持向量数据描述模型；步骤5：在线采集数据；步骤6：根据投影矩阵计算投影后的在线数据；步骤7：投影后的在线数据预处理；步骤8：处理后的数据输入支持向量数据模型计算实时统计量；步骤9：判断D与R的大小。其有益效果在于：在检测率,实时在线性能等指标方面均有较好的提升，在故障检测性能方面具有更大的优势。