定向判别分析新算法及应用

本文介绍了多元有序数据定向判别分析新方法的原理、建模流程、应用流程和应用实例。这种判别分析将分类建模与判别归类分开。新方法用多组或逐步判别分析对多元有序数据建模，应用时根据应用领域的知识对样本归属作初步定向，然后选择模型的相关局部进行判别归类。这种方法解决了由于时间序列多元数据周期性造成的样本分类颠倒问
问题。     

基于时点分割的核Fisher判别分析–顺序回归机多类分类建模方法

针对多维时间序列的多类分类问题,本文提出基于时点分割思想的核Fisher判别分析-顺序回归机(KFDA-ORM)多类分类建模方法.该方法利用核Fisher判别分析(KFDA)与顺序回归机(ORM)的互补性得到分类决策函数;对分类样本的多维时间序列进行时点分割处理,使用决策函数得到各时点的分类级别;通过指数平滑分析得到采样周期内样本的最终分类结果.通过实例验证,该方法对多维时间序列的分类具有较好效果,是一种有效的多类分类方法.     

管道流量泄漏时间序列分类的算法研究

时间序列分类比一般分类问题困难,主要在于要分类的时间序列数据不等长,因此不能直接应用一般的分类算法。首先提出基于聚类模型的数据转换,然后进行基于模型的聚类分析,用领域相关法对时间序列建模,用模型参数组成等长向量来表示每条序列,最后进行时间序列匹配算法分析,用分类算法进行训练和分类。结合管道流量泄漏点提出一种时间序列匹配的新方法,利用同类样本间的连续性规律,将时间序列排序,并在相邻的时间序列之间添加样本点,新方法优于基于动态时间弯折的传统方法;针对管道流量泄漏时间序列分类的算法研究观测到不同算法在不同因素影响下的性能表现,为今后发展新的算法提供有力依据。     

改进的LDA算法及秩限制问题研究

针对经典线性判别分析中存在的秩限制和小样本问题,通过改进原有的Fisher准则,提出了一种改进的线性判别分析算法ILDA,以克服秩限制问题并同时解决了小样本问题。重点研究了ILDA在解决样本类间离散度矩阵秩限制方面的有效性。在多个国际标准数据集和人工数据集上实验的结果表明ILDA算法不仅有效地突破了秩限制,达到提取更多判别特征的目的,而且具有良好的识别效果。     

基于浅层GANs的引水隧洞充水试验数据生成分析

针对水工程现场运行环境恶劣,监测仪器损坏率高、实时性分析不及时,不具备大型计算分析设备, 从而导致统计分析和建模样本容量不够的问题。基于有限稀疏样本采用轻量化生成式对抗网络(GANs)进行数据现场生成试验研究。在优化生成器和判别网络结构及优选激活函数的基础上,搭建轻量化 GANs 模型,采用笔记本电脑在工程现地实现数据快速生成。KL 散度及 Wasserstein 距离分析表明,与时间序列预测方法相比, 生成数据与原始数据概率分布之间的距离最高减少 33.3%。研究表明：采用基于轻量化 GANs 的数据生成方法可用于现场数据便捷生成,解决样本数量不够问题,为今后应用大样本建模和实测数据总体特征分析提供有效的解决方法,对进一步推广人工智能在水利工程上的应用具有重要意义。     

一种适用于小样本问题的基于边界的特征提取算法

特征提取技术是模式识别领域进行数据降维和强化判别信息的有效方法.线性判别分析是监督特征提取方法的典型代表,获得广泛应用,但受到小样本问题的制约.对此提出一种适用于小样本问题的基于边界的特征提取算法.算法利用高维数据小样本情况下线性可分概率增加以及其低维投影趋于正态分布的特点,定义了新的类别边界,不但考虑了由线性判别分析提出的类内、类间离散度,也兼顾各类别的方差差异性.通过极大化该边界获得最优投影向量,同时避免因类内离散度矩阵奇异导致的小样本问题.进一步将算法推广到多类问题.高光谱数据特征提取与分类实验表明,算法在小样本情况下对于两类和多类问题均具有良好的推广性能,优于多种线性判别分析的改进算法,并且在样本较多时也取得了满意结果.     

基于shapelets学习的多元时间序列分类

多元时间序列广泛存在于日常生活中的各个领域,多元时间序列分类是从时间序列数据中获取信息的基本方法。目前,时间序列分类研究面临着相似性度量方法特殊、原始数据维度高等问题,现有的多元时间序列分类方法的分类性能仍有待提高。文中提出一种基于shapelets学习的多元时间序列分类方法。首先,提出了新的正则化最小二乘损失学习框架下的shapelets学习方法,在此基础上采用基于shapelets的一元时间序列分类方法对多元时间序列的每维一元数据进行分类,随后由各维上的分类结果投票决定多元时间序列的最终分类结果。实验证明,所提方法在多元时间序列分类问题中能够取得较高的分类精度。     

基于模糊推理系统的非线性组合建模与预测方法研究

基于模糊推理系统在紧支集中能够逼近任意非线性连续函数的特性,提出了一种基于Takagi-sugeno模糊规则基的非线性组合建模与预测新方法,以克服线性组合预测方法在解决非平衡时间序列组合建模问题所遇到的困难和存在的不足,并给出了相应的基于学习自动机层次结构的优化算法确定模糊系统的参数和模糊子集的划分,理论分析和大量的经济预测实例表明：该方法具有很强的学习与泛化能力,在处理诸如经济时间序列这种具有一定程度不确定性的非线性系统组合建模与预测方法有很好的应用。     

一种新的保类内核Fisher判别法及说话人辨别应用

在保留数据本质特征的前提下,降低数据维度是一种重要的分类预处理手段.深入分析了核Fisher判别 (KFD)方法与核化全局局部保持Fisher投影(KLFDA)方法的相互关系与优缺点,提出了一种新的基于类内特性保持的核化Fisher判别分析方法(LW-KFD).在保留KFD全局最优投影能力的同时,解决了KLFDA的过度局部保持问题,从而对重叠(离群)样本与多态分簇样本都能实现有效的分类投影.提出了快速训练算法,解决了大量训练样本时的内存溢出问题.仿真实验与说话人辨别应用表明,该方法具有很强的适应性,并提高了说话人识别率与识别速度.     

基于时间序列的多Agent工作流模型关键技术

针对实际工作中如何将固定的工作流程转化为计算机能够执行和管理的自动化控制问题,提出建立基于时间序列的多Agent工作流模型的方法。通过将任务流程转变成按时间排列的优化序列,开辟进程池,采用多进程同步或异步推进的方式执行,解决工作流分支和聚合引起的同步失调和死锁等问题;结合多Agent进行建模,利用智能Agent单元对进程池进行管理,实现工作流的全程可控;提供基于时间戳的数据并发处理方法,解决数据更新不及时的问题。实际应用表明,该方法实现了对工作流的有效控制,达到了预期目的。     

Generating Adversarial Samples on Multivariate Time Series using Variational Autoencoders

Classification models for multivariate time series have drawn the interest of many researchers to the field with the objective of developing accurate and efficient models. However, limited research has been conducted on generating adversarial samples for multivariate time series classification models. Adversarial samples could become a security concern in systems with complex sets of sensors. This study proposes extending the existing gradient adversarial transformation network (GATN) in combination with adversarial autoencoders to attack multivariate time series classification models. The proposed model attacks classification models by utilizing a distilled model to imitate the output of the multivariate time series classification model. In addition, the adversarial generator function is replaced with a variational autoencoder to enhance the adversarial samples. The developed methodology is tested on two multivariate time series classification models: 1-nearest neighbor dynamic time warping (1-NN DTW) and a fully convolutional network (FCN). This study utilizes 30 multivariate time series benchmarks provided by the University of East Anglia (UEA) and University of California Riverside (UCR). The use of adversarial autoencoders shows an increase in the fraction of successful adversaries generated on multivariate time series. To the best of our knowledge, this is the first study to explore adversarial attacks on multivariate time series. Additionally, we recommend future research utilizing the generated latent space from the variational autoencoders.      

基于LDA符号表示的时间序列分类算法

近年来,基于符号表示的时间序列分类方法受到广泛关注,大部分现有方法对原始数据进行符号表示时,没有使用类别的标签信息。提出基于线性判别分析(LDA)的时间序列符号表示方法,考虑最大化类间区分度,使用LDA对原始数据集进行维数约减。再利用信息增益寻找降维后数据的符号投影区间,采用多重系数分箱(MCB)技术将维数约简后数据表示成符号序列。该方法在20个时间序列数据集上的分类效果好于已有方法,有监督的符号表示方法能有效提高分类性能。     

小批量多元控制图建模方法研究

在分析研究现有小批量及多元控制图相关理论的基础上,基于Kalman滤波原理,提出一种综合解决小批量多元过程控制的建模方法。仿真实验及应用实例表明,该建模方法能够充分利用已经取得的数据,动态建立控制模型,从而解决小批量生产过程中建模数据不足的问题。     

可重构制造系统的Petr i 网建模和分析方法

提出一种针对可重构制造系统的Petri网建模和分析方法．根据生产流程图可以得出制造系统的基本网模型，扩展基本网模型即可得到系统的Petri网模型．当生产任务发生改变并建立新的生产流程图时，可直接从原来的基本网模型构造出新构形的基本网模型．此外给出了系统重构代价的评价方法．仿真研究验证了该方法的有效性。     

基于多元时间序列分析的控制系统执行器故障诊断方法研究

为提高控制系统执行器故障实时诊断的准确率,该文提出一种基于多元时间序列分析的控制系统执行器在线故障诊断方法。首先分析了控制系统执行器故障机理,确定了表征执行器故障的关键信号;其次采用执行器历史数据,建立了时间卷积网络(TCN)在线预测模型,对执行器多通道信号进行在线预测;随后通过长短期记忆网络(LSTM)对多通道残差信号建立了故障分类模型;最后以燃气轮机控制系统执行器半物理试验平台中的电液执行器为例进行了多次重复试验验证。结果表明,基于TCN网络的在线预测模型相比传统循环神经网络(RNN)预测误差较小;基于LSTM网络的故障分类模型准确率较高;通过LSTM网络对多通道残差信号进行故障分类,比对原始故障数据分类故障准确率更高。     

基于遗传算法的工作流程图的绘制

在计划协调技术中,绘制工作流程图是必不可少的工作,在坐标上清楚的绘制流程图,同时表示出各事项间的关系是相当重要的。文章提出一种基于遗传算法的工作流程图的绘制方法,利用遗传算法建立数据模型,通过初始化种群、选择、交叉、变异等一系列过程变化,最后得到最优解。     

基于AMT算法的时间序列数据在甘特图中的应用

甘特图在项目管理中涉及到显示任务工期、进度、流程等方面时能够做到简洁直观。然而在同一页面上实时输入数据,实时显示图形时会遇到图形时间段不确定的问题,使得甘特图在页面上显示出现误差。本文讨论提出一种自动匹配时间算法（AMT算法）,通过将时间序列数据存储并实时的显示,保证了所需的数据能够准确的在页面上显示,不会出现图形偏差和时间轴不确定的问题。在特殊图形演示时间的不确定性上提出了一种解决方法,在多个任务同时显示上有其优势性。