基于CAE-ECA模型的滚动轴承声纹信号异常监测方法

滚动轴承是电站辅机关键部件,其运行工况复杂且多处于强噪声环境,异常状态难以准确识别。针对传统声纹分析方法人工提取特征表达不充分且过分依赖专家知识的问题,提出了一种基于卷积自编码网络（Convolutional Auto-Encode,CAE）与有效通道注意力机制（Efficient Channel Attention,ECA）相结合的模型,实现滚动轴承声纹特征自适应提取与异常状态高效识别。首先,将一维时序声纹信号重复间隔采样构建输入样本,利用卷积、池化等神经网络结构自适应提取轴承运行声音信号的深层特征。然后,通过有效通道注意力模块增加卷积自编码网络对关键特征的权重。通过自编码网络结构实现声音信号的重构且仅使用滚动轴承正常运行声音信号数据进行模型训练。最后,通过模型对异常状态数据的重构偏差评估滚动轴承异常状态。试验表明,CAE-ECA模型在不同噪声条件下均具有较高的诊断准确率。     

基于微波数据的城市交通异常度计算方法

针对不确定因素导致城市道路出现异常拥堵的现象,提出道路异常度的概念.首先对微波检测器采集到的交通流速度和流量进行预处理,再根据实时微波数据结合近期历史数据分别构建关于速度和流量的异常指数,最后依据速度和流量数据源的可信度给出道路异常度概念.视频查询结果表明,该算法能直观、迅速地反应道路异常程度,证明了算法的有效性.     

基于SE-ResNeXt的滚动轴承故障诊断方法

针对滚动轴承在故障诊断过程中信号特征提取困难导致诊断准确率低、鲁棒性差的问题,提出一种基于Squeeze-Excitation-ResNeXt(SE-ResNeXt)网络的滚动轴承故障诊断方法;将采集的一维轴承振动信号作为输入,进行滑动窗口采样与标准化处理,通过压缩、激励操作进行特征重标定,扩大模型感受野,并级联聚集残差变换网络自适应提取故障信号特征;在模型训练过程中选择最优压缩率为1/8以及8个组卷积,引入Relu函数加快网络收敛,使用全局平均池化替代全连接层避免过拟合现象,构造能够自主进行表征学习的最优故障诊断模型;通过仿真实验表明:与目前的深度学习算法相比,SE-ResNeXt网络能够准确的实现轴承故障诊断,并在高噪声的环境下仍具有较好的鲁棒性。     

基于格贴近度的模糊异常检测方法

论文首先指出基于距离测度的入侵检测方法的不足,然后提出了一种基于格贴近度的旨在减少误报率和漏报率的模糊异常检测新方法,该方法利用模糊数学的模糊性度量理论,应用目前广泛使用的格贴近度工具评价网络连接过程中的异常度,从而确定入侵行为。最后,实验结果表明该方法不但能检测出未知的攻击,而且准确性及效率较高。     

基于相似度的DDoS异常检测系统

实现了一种基于相似度的DDoS异常检测系统,利用网络流量高频统计结果的相似性建立模型,当发生DDoS攻击时这种相似性遭到破坏,使用相似度作为这种相似性的测度,通过与正常情况时的比较可以及时准确地发现DDoS攻击引起的异常。实验结果证明基于相似度的异常检测方法对DDoS攻击检测效果较好。     

基于证据异常度的水下多源信息预处理方法

Dempster-Shafer证据理论在水下多源目标识别领域有着广泛而重要的应用, 但经典的证据理论在融合高度冲突的证据时往往会导致一些反常理的结果, 如Zadeh冲突悖论;针对这一问题,综合考虑证据体之间的冲突程度和支持程度,提出一种证据异常度的概念并对原始证据集进行异常检测,基于检测结果对原始证据体进行权重分配,引入全集项,修正证据源;在保持Dempster组合规则不变的前提下,进行有效的证据预处理,实验仿真结果验证了算法的有效性;证明对证据体进行有效的修正,可以改进经典证据理论的缺点,达到更好的融合结果。     

基于相似度的异常检测方法

提出一种时间序列的相似度计算方法,采用统计学中相关因子的思想,用来衡量两段时间序列数据在视觉上的相似程度.在在各种时间序列数据实时检测中,能快速检测到具有周期性数据的异常并定位异常源,实验证明用于异常检测时效果较好.     

基于环状检测器的WSN节点异常度双向多重检测方法

双向多重检测一直是WSN节点异常检测的难点,结合人工免疫原理提出了基于环状检测器的WSN异常度双向多重检测方法,引入人工免疫原理,设计了环状检测器,利用环状检测器能够实现对异常信号的分级,并根据小波包提取信息的异常特征信号,结合设计的环状检测器进行检测,无需知道异常信号的参数和特点,只要有正常的信号样本就能对WSN节点的早期故障进行检测,实时预警;以美国Crossbow公司生产的内置震动传感器的WSN节点进行测试,测试结果表明,环状检测器在选择合适的内径和外径后,能够准确地对WSN节点的异常进行检测,检测准确率高达95%以上,比传统系统准确率提高了35%左右,满足了WSN系统对WSN节点准确检测的要求,有效地解决了传感网络节点异常双向检测的问题。     

基于轨迹点局部异常度的异常点检测算法

随着大量的定位数据被收集在应用服务器,如何从大量定位轨迹数据挖掘异常信息已逐渐成为一个令人关注的研究课题.针对当前流行的、以轨迹片段表示局部特征的异常点检测算法存在的问题,文中提出了以轨迹点表示局部特征的异常点检测算法TraLOD.该算法不仅提出了将每个轨迹点赋予一个0～1的值来表示其局部异常程度,而且还引入了相对距离...     

基于危险模式的异常检测模型

阐述了危险模式的概况及运行机制,提出了一种基于危险模式的异常检测模型以及相关的算法。该模型通过分析实时系统调用序列中的危险信号,进而判断是否为入侵事件。实验结果表明,该方法具有较高的有效性和检测率。     

基于可信度的异常规则修正法

在这个信息时代,信息系统中的异常信息同那些＂正常＂信息同样重要。论文在总结了许多异常规则处理算法不足的基础上,提出了一种基于可信度的异常规则修正法。该方法根据设定的可信度阈值,来判断信息系统中的不相容规则是否是异常规则。论文结合一个实例阐明了该方法的基本思路。     

基于改进自编码网络的轴承振动异常检测

近年来,自编码器和神经网络技术已被广泛研究并应用于轴承振动等工业数据的异常检测问题上,但仍存在着训练数据量大、网络参数初始化、训练效率较低、异常检测效果较差等问题。为解决上述问题,提出了一种结合马氏距离和自编码网络的异常检测方法。利用轴承振动数据特征之间具有一定相关性的特点,通过数据的马氏距离快速检测出部分异常数据,减少了自编码网络的训练数据量;用自编码器结合分类器构建自编码网络,解决了网络参数初始化问题并且显著提高了训练效率;将数据的马氏距离作为特征加入训练中提升了自编码网络的异常检测效果;在自编码器中加入稀疏性限制并构造先升维再编码的结构,增强了自编码器的特征学习能力和收敛性。实验结果表明,针对低维轴承振动数据,提出的方法较其他异常检测方法具有较好的检测效果且具有一定的稳定性和泛化能力。     

一种基于测试状态的回归测试方法

软件测试在软件生命周期中是一个非常重要的过程,而回归测试则又在软件测试中占有极其重要的地住。本文提出的RTSPS方法综合考虑了测试状态即测试频次、测试成本、错误检测率要求等多种因素来选择合适的回归测试策略,并对测试用例进行优先排序,可以有效地提高测试效率。     

基于ME-PGNMF的异常流量检测方法

由于部分网络异常对流量变化影响不明显,流量分析难以发现此类异常。传统基于主成分分析的网络异常流量检测方法追求全局最优解,对局部特征提取不充分,导致对连续异常不敏感,降低了异常流量的检测精度,且物理意义不明确。针对上述问题,在多维信息熵的基础上,提出梯度投影非负矩阵分解异常流量检测方法。将流量数据处理为多维特征熵矩阵,用梯度投影非负矩阵分解方法重构多维熵矩阵,分离出正常和异常子空间,采用多元统计过程控制方法中的Q图检测异常。实验结果表明,与以流量分析为基础的主成分分析方法、传统非负矩阵分解方法相比,该方法能更快、更准确地检测出连续异常,对流量变化不敏感的低速分布式拒绝服务攻击检测效果明显提高,对蠕虫攻击更加敏感。     

基于VB6.0的大型转盘轴承扭矩试验机

从硬件构成、测试原理、软件设计等三个主要方面,详细介绍了研发的基于VB6.0的大型转盘轴承扭矩试验机.在软件设计中,重点介绍了工控机与伺服驱动器之间的串行通讯.     

基于Boosting RBF神经网络的滚动轴承故障诊断

提出了一种新颖的基于RBF神经网络滚动轴承故障诊断方法。以滚动轴承动态信号的能量信息作为特征,RBF神经网络作为分类器进行滚动轴承故障自动分类与诊断。为了进一步提高神经网络的泛化能力和故障诊断的准确性,采用Boosting方法,进行网络集成。对七类滚动轴承进行了实验,结果表明该方法具有很好的故障诊断效果。     

基于不完整数据的异常信号检测方法

针对异常电磁信号检测中常见的输入数据存在参数缺失的问题,提出一种基于不完整数据的异常信号检测方法。该方法借鉴几何数学的思想,通过将缺失数据与正常数据进行比对,分析出缺失数据异常的可能性,给出该数据的异常概率计算方法。通过该异常概率能直接检测出部分异常信号,并给出剩余不完整数据的异常可能性的排序,从而有利于在资源有限时优先处理异常概率高的信号,达到处理资源优化配置的目的。实验结果表明,该方法能给出缺失数据点的异常概率。     

基于DCT的图像置乱程度评价方法

针对当前出现的各种各样的置乱算法,为更好地衡量这些算法对不同图像的置乱程度,利用DCT系数的良好特性,结合人眼视觉掩蔽特点,提出一种新的描述图像置乱程度的评价方法。实验表明,该方法与人的主观评价相接近,能较好地反映同一图像和不同图像酌置乱效果。     

基于BP神经网络的异常轨迹检测方法

为有效利用轨迹内外部属性进行异常检测,提出一种基于BP神经网络的异常轨迹识别方法。对原始轨迹数据进行去噪处理,存储至百度云的LBS云端,基于百度地图的轨迹数据可视化网站实现轨迹显示,并通过归一化数据计算轨迹属性值。同时,将轨迹内外部特征属性作为BP神经网络算法的输入层,轨迹相似度量值作为输出层,调整隐含层系数得到训练模型,从而识别用户异常轨迹。在2个用户数据集上的仿真结果表明,该方法的异常轨迹识别准确率分别达到92.3%和100%。