现代流程工业的机器学习建模

随着工业大数据时代的来临,基于数据驱动的建模方法在现代流程工业中的研究和应用引起了广泛关注。对以典型机器学习算法为核心的数据驱动建模方法近年来的研究发展进行了系统性的阐述。首先回顾了以分类和回归任务为主的单层机器学习算法在流程工业中的研究与应用,涉及故障检测、识别和诊断,软测量以及质量检测等。再对图像识别、语义分析等领域受瞩目的深度学习算法目前在工业领域的应用与发展进行详述。进而介绍区别于统计分析理论的流形学习在流程工业上的研究与应用进展。最后,对基于上述三类机器学习算法的数据驱动建模方法进行总结并提出展望。     

基于图神经网络的自闭症辅助诊断研究综述

自闭症谱系障碍是一种复杂的神经系统发展障碍疾病,截至目前其病因尚不明确。图神经网络作为非欧几里得空间深度学习的重要分支,在处理图结构数据的相关任务中取得优异表现,为医学领域的成像和非成像模式的集成提供了可能,因此利用图神经网络进行自闭症等脑部疾病神经成像诊断逐渐成为研究热点。阐述传统机器学习方法在自闭症疾病预测中应用,介绍图神经网络的基本分类,按照图中节点与边关系的建模方法,从基于人群图和基于个体图两个角度对图神经网络在自闭症辅助诊断中的应用进行梳理和分析,并归纳现有诊断方法的优劣势。根据目前基于图神经网络的自闭症神经成像诊断的研究现状,总结了脑神经科学领域辅助诊断技术面临的主要挑战和未来研究方向,对于自闭症等脑部疾病辅助诊断的进一步研究具有指导意义和参考价值。     

基于机器学习方法的入侵检测技术的研究

入侵检测技术是近20年来才出现的一种有效保护网络系统免受网络攻击的新型网络安全技术.随着网络技术的迅速发展、安全问题的日益突出,传统的入侵检测系统已难以满足对越来越复杂的网络攻击的检测任务,将机器学习的技术引入到入侵监测系统之中以有效地提高系统性能,已成为入侵检测技术的研究热点.本文主要介绍了入侵检测系统的基本结构以及几种机器学习方法在入侵检测中的应用,其中包括:基于贝叶斯分类的方法、基于神经网络的方法、基于数据挖掘的方法与基于支持向量机的方法.     

一种基于YOLO算法的口罩佩戴检测研究

介绍了机器学习的基本概念和常见类别(有监督学习、无监督学习、强化学习),介绍了深度学习的概念、基本技术以及它与机器学习的关系,研究了基于神经网络的的YOLO算法在实际生活中的应用,如检测目标人物是否佩戴口罩,并对实际模型的性能进行评估及模型优化方向作思考.     

机器学习在超声图像中的应用综述

超声图像为临床疾病检测与诊断提供重要的辅助信息,机器学习在超声图像中的应用给超声图像的分析诊断带来了新变革。从超声图像的去噪、分割、检测、分类等方面介绍了超声图像的研究现状。分类综述了近年来机器学习算法在超声图像领域的研究和应用进展。指出了基于机器学习在医学影像领域开展研究所面临的困难与挑战,并对未来研究方向进行了展望,以期为机器学习在医学影像领域的进一步研究与应用提供参考和研究思路。     

导航系统故障检测与诊断技术综述

导航系统的故障检测与诊断技术受到理论界的广泛重视,总结了国内外应用于导航系统的故障检测与诊断方法:基于硬件冗余方法、基于χ2检验方法、基于奇偶空间方法、基于小波变换方法、基于神经网络方法、基于联邦滤波器方法和一些其他方法.讨论了导航系统的故障检测与诊断发展趋势.     

机器学习安全性问题及其防御技术研究综述

机器学习已经成为当前计算机领域研究和应用最广泛的技术之一,在图像处理、自然语言处理、网络安全等领域被广泛应用。然而,一些机器学习算法和训练数据本身还面临着诸多安全威胁,进而影响到基于机器学习的面部检测、恶意程序检测、自动驾驶汽车等实际应用系统的安全性。由目前已知的针对支持向量机(support vector machine,SVM)分类器、聚类、深度神经网络(deep neural networks,DNN)等多种机器学习算法的安全威胁为出发点,介绍了在机器学习的训练阶段和测试/推理阶段中出现的基于对抗样本的投毒、逃逸、模仿、逆向等攻击和隐私泄露等问题,归纳了针对机器学习的敌手模型及其安全评估机制,总结了训练过程和测试过程中的若干防御技术和隐私保护技术,最后展望了下一步机器学习安全研究的发展趋势。     

基于机器学习的遥感影像云检测研究进展

在对地观测领域中云检测是遥感定量化应用的重要环节，同时也是卫星气象应用的关键步骤。近年来，基于机器学习的遥感影像云检测逐渐成为该领域的研究热点，并且取得了一系列研究成果。系统阐述了近10 a来国内外基于机器学习的遥感影像云检测的研究进展，将算法模型分为传统的机器学习模型和深度学习模型两类，并对两类中的具体模型进行详细介绍，对比分析不同模型的优缺点及其适用情况。重点介绍了传统机器学习中的支持向量机（SVM）、随机森林等方法，深度学习中的神经网络模型，包括卷积神经网络（CNN）、改进的U-Net网络等模型。在此基础上，分析了基于机器学习的遥感影像云检测研究中存在的问题，讨论了未来潜在发展方向。     

基于深度学习的加密流量分类研究综述

近年来,为保护公众隐私,互联网上的很多流量被加密传输,传统的基于深度包检测、机器学习的方法在面对加密流量时,准确率大幅下降。随着深度学习自动学习特征的应用,基于深度学习算法的加密流量识别和分类技术得到了快速发展,本文对这些研究进行综述。首先,简要介绍基于深度学习的加密流量检测应用场景。然后,从数据集的使用和构建、检测模型和检测性能3个方面对已有工作进行总结和评价,其中检测技术重点论述数据的预处理、不平衡数据集的处理、神经网络构建、实时检测等方法。最后,讨论当前研究中出现的问题和未来发展方向和前景,为该领域的研究人员提供一些借鉴。     

BP神经网络在飞控系统传感器故障诊断中的应用

故障检测和诊断技术对提高系统可靠性具有重要意义,针对飞控系统中常见的传感器故障,提出了基于神经网络观测器的故障诊断方法;通过构造神经网络模型代替解析系统建模,利用神经网络的学习能力在线检测传感器故障,最后,应用BP神经网络算法对故障进行仿真;仿真结果表明,神经网络观测器方法对单一传感器故障及多个传感器故障均能够准确识别,并对故障的定位也有不错的效果。     

基于深度学习的集成化装备故障诊断方法综述

集成化装备的结构和功能日益复杂,传统的故障诊断方法难以进行准确的特征提取,而深度学习具有强大的学习能力,能够有效挖掘特征,适合于集成化装备的故障诊断。为此,首先按照应用领域的不同,分别描述了国内外基于深度学习的故障诊断最新研究进展;其次,简要介绍了三种典型的深度学习故障诊断方法（深度置信网络、堆栈自编码机和卷积神经网络）,整理出已经取得的成果和存在的问题并做出总结;而后将基于深度学习实现故障诊断面临的挑战总结为六种类型,并根据前文总结出的研究成果提出了研究思路;最后结合实际应用情况,提出了四种发展方向。     

基于支持向量机的涡轮泵故障诊断方法研究

针对涡轮泵的几种典型常见故障,应用支持向量机(SVM)构造多元分类器,解决故障诊断等多分类问题,在此基础上建立了基于支持向量机的故障诊断模型。试验结果表明,与神经网络相比,采用支持向量机进行故障诊断可得到更高的精度,表现出较好的分类和抗噪能力,而且效率高于神经网络,说明该方法是有效、可行的。     

发动机故障信息综合研究平台构建技术研究

针对目前多型号多批次的无人机发动机数据存储较为分散、缺少专门的分析手段辅助设计人员快速分析发动机状态的问题,借鉴国内外较为成熟的故障诊断算法和平台构建技术,设计了发动机故障信息综合研究平台。平台内集成了飞行数据状态识别、故障诊断、分析数据库建立等多项关键技术,结合不同的飞行工况分类结果,从长期和短期的角度分别采取基于递归结构辨识(Recursive Structural Identification, RESID)的起动状态故障检测、基于自回归滑动平均(Auto Regressive Moving Average, ARMA)模型的稳态故障检测、基于参数趋势分析的故障诊断和基于深度学习的智能故障识别等不同的诊断方法,并采用飞行报告的形式实现了从数据文件输入至飞行状态分析的全流程计算和结果展示,有效地实现了发动机使用维护的数据支持和技术保障,具有一定的工业应用价值。     

基于RBF神经网络的电机故障诊断的研究

在对国内外感应电动机故障诊断技术发展与研究的基础上,提出了从定子电流人手,利用径向基（RBF）神经网络算法来监测感应电动机工作状态,从而实现对电动机较为常见的电气故障和机械故障的综合检测。Matlab仿真结果表明RBF算法有效地实现了对电机故障诊断的研究。     

基于机器学习的蜂窝网络故障管理框架及方法综述

网络故障管理旨在检测、识别和纠正网络中发生的错误状况,为用户获得可靠稳定的网络服务提供保障,近年来,如何利用机器学习方法进行蜂窝网络故障管理引起了广泛关注。首先介绍了蜂窝网络故障管理的研究背景,明确网络故障管理的流程和功能;接着介绍现有蜂窝网络故障管理框架;随后对现有机器学习在蜂窝网络故障管理中的方法研究进行评述,从故障管理周期入手,分别对实现故障检测、故障诊断以及故障预测的机器学习方法展开介绍、总结和对比分析,为相关领域的研究提供参考。     

基于集成多神经网络在模拟电路故障诊断中的研究

以进行模拟电路故障诊断为主要目的,针对单神经网络故障字典法在进行复杂电路系统故障诊断时,对多故障和多任务诊断的不足之处,讨论了基于多故障的神经网络集成技术,采用集成多神经网络来提高诊断速度和精度,提出了集成多神经网络故障字典法来解决多故障任务,对基于层次分类模型的多重结构神经网络进行了研究,给出了两种对故障定位的统一融合算法,克服了采用单神经网络多故障时学习速度慢,出现新故障的网络要重新进行学习等缺点.并给出了应用实例.     

基于卷积神经网络的发动机气路故障诊断方法

深度学习是一种新的基于特征表示的机器学习方法。深度学习模型包含多个隐藏层,可以通过对输入数据进行自动学习来获取隐藏的功能层中的特征信息。与传统的诊断方法相比,深度学习具备从原始信息中提取更丰富的特征的能力,因此已经成为基于机器学习的故障诊断研究的新方向,为发动机气路等复杂系统故障诊断带来了新思路。结合发动机气路试验数据的特点与深度学习的优势,提出基于卷积神经网络的故障诊断方法,包括预处理、模型训练及优化等过程,并实现了复杂系统故障诊断预测算法平台。经某发动机气路试验仿真数据实例验证,提出的方法具有较好的可行性和效果,能够充分利用深度学习的优点,更准确地识别发动机气路的健康状况。     

基于机器视觉的列车部件故障诊断方法综述

基于机器视觉的列车部件故障诊断方法提高了人工巡检的速度和准确率,是近年来机器视觉技术的研究热点之一.通过对机器视觉技术在列车故障诊断方面的研究成果的回顾,对其中的图像配准和故障诊断等关键技术进行综述,总结相关原理、优缺点、国内外发展现状.3D技术的发展为列车故障诊断提供了新的研究方向.对3D检测技术的原理及其在列车部件...     

深度学习在故障诊断与预测中的应用

近年来,深度学习以其在特征提取与模式识别方面独特优势与潜力被广泛应用于众多领域,已取得显著进展,其在复杂工业系统故障诊断与预测中的研究属于新兴领域。对近年来深度学习及其在各领域发展的优秀综述文献以及主流的开源仿真工具平台进行了整理,同时介绍了五种典型的深度学习模型,包括自动编码器（Auto-Encoder,AE）、 深度置信网络（Deep Belief Networks,DBN）、 卷积神经网络（Convolutional Neural Networks,CNN）、 循环神经网络（Recurrent Neural Network,RNN）、生成对抗网络（Generative Adversarial Network,GAN）;从研究背景、实现流程及研究动态等三个方面就深度学习在故障诊断与预测中的应用研究进行了归纳总结,对近年来这一领域发表的相关论文进行了系统的综述;从研究实际出发探讨了深度学习在故障诊断与预测领域应用中存在的问题、挑战及解决方法,并对未来值得继续研究的方向进行了展望。     

基于感知数据时域特征的WSNs故障被动诊断方法

由于大规模无线传感器网络的动态拓扑性及资源受限,无线传感网的故障诊断成为该领域内的一个难点。现有的诊断方法消耗大量通信带宽和节点资源,给资源有限的网络带来繁重的负担。本文提出一种利用感知数据时域特征来检测故障以及对故障进行分类的被动诊断方法（TDSD）。首先运用一维离散Gabor变换对感知数据进行特征提取与分析,进而结合SOM神经网络对数据进行诊断与分类,判断当前网络状态并找出故障原因。实验结果表明,与其它方法相比,此方法具有网络通信负担小、诊断准确率高及分类效果好等优点,对节点故障和网络故障诊断都具有较高的诊断精度。