Multi-task learning for video anomaly detection

We propose a multi-task learning framework for video anomaly detection based on a novel pipeline. Our model contains two crossing streams, one stream employs the backbone of Attention-R2U-net for future frame prediction, while the other is designed based on an encoder–decoder network to reconstruct the input optical flow maps. In addition, the latent layers of the two streams are merged together and assigned with a Deep SVDD-based loss at each location individually. Through the combination of these three tasks, the two-stream-crossing pipeline can be trained end-to-end to provide a comprehensive evaluation for the anomaly targets. Experimental results on several popular benchmark datasets show that our model outperforms the state-of-the-art competing models, which can be applied to different types of anomalous targets and meanwhile achieves remarkable precision.     

基于经验模式分解的支持向量数据描述用于机械设备状态评估研究

机械行业中的大型关键设备一般没有足够故障数据作为其运行状态的参考,对于这类设备的监测研究就更为重要。文中利用机械设备正常运行时的信息作为样本,利用EMD自适应分解采集到的数据,作为SVDD单值分类器的输入来判断机械设备运行状态,经滚动轴承实验,得到了较好的运行状态评估效果。     

一种快速的离群点检测方法

离群点检测已在许多领域得到了广泛的应用,支持向量数据描述(SVDD)是一种流行的离群点检测方法,但其训练阶段需要二次规划求解,以及决策阶段计算与支持向量数量呈线性关系等导致该方法具有较高时间复杂度。本文提出了一种快速SVDD离群点检测方法,首先在训练阶段利用训练集约简和二阶逼近的序列最小优化(SMO)算法降低训练时间,然后在决策阶段通过分析决策函数表达式,利用获取超球球心原像的方式降低决策时间,使得该方法的时间复杂度显著降低。利用标准的公用数据集验证提出的方法,结果表明该方法的时间复杂度明显优于传统的方法。     

基于HE-SVDD的航空发动机工作状态识别*

针对人工识别航空发动机工作状态的复杂性和耗时性,提出一种基于超椭球分类面支持向量数据描述(HESVDD)的快速识别方法。首先构建了一个根据训练样本分布特征可调的HE-SVDD分类器,使之具有从大规模飞行数据中快速识别发动机工作状态的能力;然后研究了航空发动机状态识别的参数选取和样本生成问题;最后采用HE-SVDD对两个飞行架次的发动机工作状态进行了识别。结果表明,该方法能快速准确地识别出发动机的工作状态,可应用于发动机状态的在线或离线监控。     

基于核学习的入侵检测改进方法

针对入侵检测中部分攻击类型检测率低的问题,提出一种基于核学习的入侵检测改进方法。采用核主成分分析(KPCA)对入侵检测中的高维非线性结构数据集进行数据预处理,通过支持向量数据描述(SVDD)构造分类器,对预处理后的数据进行分类。实验结果表明,与已有方法相比,改进方法的检测精度较高、漏检率较低。     

改进的SVDD增量学习算法

通过对SVDD增量学习中原样本和新增样本的特性分析,提出一种改进的SVDD增量学习算法。在增量学习过程中,该算法选取原样本的支持向量集和非支持向量中可能转为支持向量的样本集以及新增样本中违反KKT条件的样本作为训练样本集,舍弃对最终分类无用的样本。实验结果表明,该算法在保证分类精度的同时减少了训练时间。     

基于EMD和SVDD的铸钢支座故障诊断

针对重庆轻轨铸钢支座系统故障诊断中缺乏故障样本的问题,提出一种基于经验模态分解（EMD）和支持向量数据描述（SVDD）的故障诊断方法。对采集到的振动脉冲响应信号进行EMD分解,提取第一、第二模态的能量和平均值作为特征输入到SVDD分类器进行训练和分类。实验结果表明,采用EMD分解后提取的特征能有效地浓缩故障信息,使SVDD分类器具有分类效果好、计算效率高等优点。