基于统计差分LPP的多模态间歇过程故障检测

针对工业过程数据存在的非高斯和多模态特性,提出一种基于统计差分LPP的多模态间歇过程故障检测方法。首先将统计模量分析的方法应用到间歇过程训练数据集中,计算统计过程变量的均值和方差,将不等长的批次变成等长的统计量,保证统计模量近似服从高斯分布;然后运用差分算法使多模态变为单模态,最后运用LPP算法进行降维和特征提取,计算样本的T2统计量,并利用核密度估计确定控制限。对于新来的测试样本数据统计差分处理后,向LPP模型上进行投影,计算新数据的T2统计量并与控制限比较进行故障检测。最后通过半导体过程数据的仿真结果表明,该算法的故障检测效果最好,验证了所提方法的有效性。     

基于TSNS-RAE的多模态过程故障检测

根据多模态工业生产过程的数据特点,提出基于时空近邻标准化和鲁棒自编码器(TSNS-RAE)的故障检测方法;TSNS处理数据时同时考虑了样本的时间近邻和空间近邻,可以消除数据动态性和多模态特征;相比于普通的自编码器,鲁棒自编码器提升了模型的抗噪性和鲁棒性,具有更好的提取非线性特征的能力;TSNS-RAE模型将原始数据空间分成模型空间和残差空间两部分,选择残差空间的SPE统计量作为监控统计量,通过数值案例和青霉素实验来验证TSNS-RAE的可行性。     

基于标准距离k近邻的多模态过程故障检测策略

工业产品的生产经常需要在不同模态间切换,多模态过程数据具有多中心和方差差异大等特点.针对多模态过程数据的特征,通过构造标准距离,提出了基于标准距离k近邻的故障检测策略(SD–kNN).首先在标准距离度量下计算样本与其前k近邻的距离;其次将近邻距离的平方和的均值作为样本的统计量D~2;最后,根据D~2的分布确定检测方法的控制限,当新样本的D~2大于控制限时,判定其为故障,否则为正常.标准距离使不同模态中样本间的近邻距离能够在同一尺度下度量,使得SD–kNN的D~2能够准确反映样本间的相似程度.进行了数值模拟过程和青霉素发酵过程故障检测实验. SD–kNN方法检测出了数值模拟过程的全部故障和青霉素过程95%以上的故障,相对于PCA, kPCA, FD–kNN等方法具有更高的故障检测率. SD–kNN继承了FD–kNN对一般多模态过程的故障检测能力,还能够对方差差异显著的多模态过程进行故障检测.     

基于差分分段PCA的多模态过程故障监测

多模态的故障监测是一个复杂的问题, 既需要考虑稳定模态下的故障监测, 也需要考虑不同模态间的过渡故障监测. 不同稳定模态下的数据具有不同的相关关系, 对每个稳定模态需要建立不同的稳定模态模型. 当稳定生产模态发生改变时, 生产过程进入过渡模态, 需要考虑过渡变量相关关系的变化. 本文通过对过渡数据差分, 得到变量相对变化信息. 利用主成分分析(Principal component analysis, PCA)分段对差分变量的相关特性进行分析, 提取相对变化的特征. 最后以实际连续退火机组生产线为背景, 用基于差分分段PCA的多模态方法对多模态过程进行故障监测, 发现算法很好地反映了实际过渡过程机理, 验证了算法的有效性.     

基于LNS-DEWKECA算法的多模态工业过程故障检测

受市场需求主导,工业过程需要在多种工作模态下切换,数据往往呈现多模态复杂分布特性,研究多模态的故障检测技术对于保障工业过程的安全运行具有重要意义.为此,提出一种基于局部近邻标准化(LNS)和方向熵加权核熵成分分析(DEWKECA)的故障检测算法.利用LNS实现多模态数据的标准化,相比于全局标准化,LNS可以有效消除多模态特性;考虑到故障样本与正常样本在变化趋势上的差异,定义样本变化方向的信息熵为方向熵,用来衡量样本变化方向的无序程度,从而利用DEWKECA实现数据降维,可以更有效提取数据变化方向特征;考虑到多模态数据往往服从非高斯分布,采用局部离群因子(LOF)算法建立监控统计量,根据核密度估计确定其控制限.最后,通过数值例子及TE过程仿真验证所提出算法的有效性.     

基于改进偏最小二乘法的多模态过程故障检测方法

针对传统的数据驱动方法偏最小二乘法（PLS）中存在的多模态数据故障检测效果不佳的问题,提出了一种新的故障检测方法——基于局部近邻标准化（LNS）的PLS（LNS-PLS）。首先,利用LNS方法对原始数据进行高斯化处理,在此基础上建立PLS的监控模型,确定T²和平方预测误差（SPE）的控制限;其次,对测试数据同样进行LNS标准化处理,再计算出测试数据的PLS监控指标来进行过程监视及故障检测,解决了PLS中无法处理多模态的问题。将所提方法应用于数值例子和青霉素生产过程,并将其测试结果与主成分分析（PCA）、K最近邻（KNN）、PLS等方法进行对比分析。实验结果表明,所提方法的故障检测效果优于PLS、KNN、PCA,该方法在分类及多模态过程故障检测方面有较高的准确性。     

基于概率密度PCA的多模态过程故障检测

为了提高故障检测和分类能力,提出基于概率密度PCA的多模态过程故障检测算法。对各模态的训练数据建立PCA模型,计算各个模型的控制限和匹配系数。根据匹配系数计算各模态统一的控制限。对新来的数据,运用概率密度确定其模态。新来数据向对应模态的模型上投影并计算统一的统计量,比较统计量与控制限进行多模态过程故障检测。把该方法应用到数值例子和半导体过程中,仿真结果表明,该算法在分类及多模态过程故障检测方面具有很高的准确性。     

基于邻域保持嵌入和标准距离K近邻的多模态过程故障检测

提出一种基于邻域保持嵌和标准距离K近邻(neighborhood preserving embedding-standard distance k nearest neighbor rule, NPE-SDKNN)的故障检测方法来解决非线性和多模态问题。首先,使用邻域保持嵌入方法提取数据中的流形结构,对数据进行降维;其次,在低维空间计算每个样本的标准距离,将各模态间的数据调整到同一尺度;最后使用标准距离的统计量对故障进行检测。邻域保持嵌入能够解决非线性问题和降低计算复杂度,标准距离K近邻通过用标准距离替代原始距离,消除了数据的多模态特征,使用NPE-SDKNN方法进行故障检测,能够提高多模态数据的故障检测率。在田纳西伊斯曼过程运用NPE-SDKNN方法,结果表明,相对于K近邻、主元分析、邻域保持嵌入、标准距离K近邻方法,NPE-SDKNN具有更高的故障检测率。     

局部近邻标准化偏最小二乘的多模态间歇过程故障检测

本文针对多模态间歇过程数据多中心和模态方差差异明显的问题,提出了一种基于局部近邻标准化偏最小二乘方法.首先,采用统计模量方法处理间歇过程数据,再利用局部近邻标准化方法将统计模量后的训练数据进行高斯化处理,建立偏最小二乘监控模型,确定控制限;然后,同样对统计模量后的测试数据进行局部近邻标准化处理,再计算测试数据的高斯偏最小二乘监控指标,进行过程监视及故障检测.最后,通过数值实例和青霉素发酵过程验证方法有效性.实验结果表明所提方法解决了故障样本近邻集跨模态问题,对多模态数据具有更好的故障检测能力.     

基于层次化动态路由机制的多模态抑郁症检测

作为一个交叉领域的研究任务,多模态抑郁症检测在自然语言处理、计算机视觉、心理健康分析等研究领域吸引了越来越多研究人员的关注.目前存在的研究工作主要致力于利用用户产生的社交网络数据进行抑郁症检测.然而,由于社交网络数据量通常较大,已有的研究方法存在捕捉长距离依存信息(即全局信息)不足的缺陷.因此,如何获取用户的全局信息来...     

基于IFCM加权的SVDD硬件木马检测方法

针对硬件木马（HT）种类繁多难以获取未知木马特征及采集的旁路信号含噪声问题,提出了一种基于IFCM加权的SVDD（IFCMW-SVDD）硬件木马检测方法。传统支持向量数据描述（SVDD）在解决单分类问题时存在相同条件下训练全部样本的不足,需要根据相应问题对样本有主次之分进行训练。通过一种改进的模糊C均值方法（IFCM）计算金片旁路信号的隶属度,将其作为样本特征的权重（◢W◣）系数,使得针对硬件木马检测问题构建SVDD模型的支持向量能够描述金片信号的同时尽可能减小描述范围。实验表明,所提方法实现单分类硬件木马检测的同时较传统SVDD算法在检测精度和稳定性上都有所提高。     

基于核空间相对密度的SVDD多类分类算法*

针对现有基于支持向量数据描述(SVDD)的多类分类算法未能充分利用重叠区域样本分布信息等问题,提出了一种基于核空间相对密度的SVDD多类分类算法DM-SVDD。该算法首先由SVDD确定包围每类数据的最小超球,然后计算位于最小超球重叠区域中每个样本在其同类样本间的相对密度,最后以各类样本相对密度的均值为标准,对重叠区域内的待测样本进行分类。实验结果表明,算法DM-SVDD是可行有效的。     

基于SVDD和D-S理论的模拟电路故障诊断

为解决模拟电路故障诊断复杂多样难于辨识的问题和有效提高诊断准确度及速度,提出了一种融合支持向量数据描述(SVDD)算法和D-S证据理论的故障诊断方法。首先,对采集信号进行基于局部判别基的Haar小波包变换,依据判别测度选取判别能力强的前5个节点的标准能量构成特征集。然后利用SVDD算法求出特征集对于不同类别的基本信任分配函数,最后利用证据理论对不同基本信任分配函数进行组合得到最终故障诊断决策。将该方法应用于两级四运放双二次低通滤波器电路进行故障诊断,实验结果表明该方法能够准确迅速诊断出模拟电路中的故障;与基于SVDD多分类算法、一对一(o-v-o)SVM和一对多(o-v-a)SVM分类算法的故障诊断方法进行比较,本方法能够提高模拟电路故障诊断的精度;比采用o-v-o SVM和o-v-a SVM分类算法的故障诊断方法有更快的诊断速度。     

动态SVDD算法在数据流模式变化检测中的应用

针对现有数据流模式变化检测算法存在对离群点和噪声敏感等缺点,提出一种基于动态SVDD的数据流模式变化鲁棒检测算法。该算法不需要先验知识,通过建立子序列映像的最小超球体模型以排除离群点及减小噪声的影响。仿真实验验证了算法的有效性。     

基于改进CNN和加权SVDD算法的人体姿态估计

卷积神经网络是人体姿态估计中应用最成功的深度学习模型,但仍存在着提取图像特征时不同图像区域和提取出的不同抽象特征被平等对待的缺陷。为此,提出了一种基于改进卷积神经网络和加权支持向量数据描述算法的关节外观模型,并用其设计了一种人体姿态估计算法。卷积神经网络卷积层中不同图像区域的卷积操作被赋以不同的权值系数以体现其不同作用;采用加权支持向量数据描述算法对每一种抽象特征都构造关节子外观模型,将所有关节子外观模型按不同权值进行线性组合建立了新的关节外观模型,权值的不同体现了不同抽象特征的不同作用。仿真实验表明,与现有基于卷积神经网络的人体姿态估计算法相比,所设计的人体姿态估计算法具有更高的估计准确度。     

基于支持向量数据描述的异常检测方法

提出了一种基于支持向量数据描述算法的异常检测方法。该方法将入侵检测看作是一种单值分类问题,建立正常行为的支持向量描述模型,通过该模型可以检测各种已知和未知的攻击行为。该方法是一种无监督的异常检测方法,能够在包含噪声的数据集进行模型训练,降低了训练集的要求。在KDD CUP99标准入侵检测数据集上进行实验,并与无监督聚类异常检测实验结果相比较,证实该方法能够获得较高检测率和较低误警率。     

基于SVDD的颅面模型数据分区方法

将颅面模型数据分区问题转换为一种模式分类问题,给出了一种网格模型上多尺度的特征处理方法,提出了一种基于核方法的支持向量数据域描述(SVDD)数据分区方法。实验证明,该分区方法能快速、有效地对颅面模型的特征区域进行精确合理的分区,且能够适用于有复杂轮廓与形状的特征区域。     

基于R-SVM与SVDD的部位外观模型

为克服现有基于HOG特征的部位外观模型未考虑不同细胞单元的不同作用以及不能准确表征相似度的缺陷,提出了一种基于递归支持向量机(R-SVM)和支持向量数据描述(SVDD)算法的人体部位外观模型.所提外观模型由两个分类器构成,利用R-SVM进行特征选择并建立的分类器用于判断图像某区域是否属于人体部位类,利用SVDD建立的相似度分类器用于计算属于人体部位类的图像区域与外观模型的相似度.将所提部位外观模型用于人体上半身姿态的估计,仿真实验结果显示其比现有部位外观模型的估计准确度更高,表明所提部位外观模型可以更准确地描述真实人体部位.     

基于CNN与SVDD的掘进机智能监测系统设计

通过激光标志物的卷积神经网络（ CNN）检测,与标志物中心点的奇异值分解（ SVD）重构,实现了掘进机在巷道坐标系下的坐标估计。通过基于支撑向量数据描述（ SVDD）的陀螺仪静止状态抖动抑制,与参考系变换,实现了机身与掘进臂的姿态检测。通过基于OpenGL的图形学引擎,实现了工作面场景的实时虚拟渲染。测试结果表明：系统能够准确可靠地完成工作面场景下掘进机监测任务。