基于扩展孤立森林的个性化跌倒检测研究

随着中国人口老龄化趋势的加剧,跌倒检测成为医疗健康领域的一个研究热点。针对传统基于监督学习的跌倒检测算法中难以获取真实的老年人跌倒数据作为跌倒检测方法的基础训练数据及未考虑个性化适配问题,文章提出了一种基于扩展孤立森林的个性化跌倒检测模型,将跌倒视为一个二分类异常检测问题,通过可穿戴传感器采集大量老年人日常行为数据,经预处理和滑动窗口特征提取后,利用无监督的扩展孤立森林算法对每个老年人的日常行为数据进行单独建模,当数据不符合正常行为模式时,模型判定为跌倒。通过公开数据集SisFall验证模型效果,实验结果表明基于扩展孤立森林的个性化跌倒检测模型的平均识别准确率可达96.76%,平均敏感度和特异度分别为97.91%和94.72%,具有良好的性能表现。     

基于电力大数据的用户侧数据异常检测方法研究

针对现有电力大数据的异常检测方法存在的准确度低、检测效率慢等问题，在数据挖掘的基础上，提出了一种将孤立森林算法和局部离群因子算法相结合的电力大数据异常检测方法。从全局和局部两个方面对电力大数据进行异常检测，提高了电力大数据检测的优越性。为了验证该方法检测结果的优越性，通过仿真对该方法进行对比分析。结果表明，与传统的异常检测方法相比，该方法具有更高的检测效率，能够更准确地检测出用户侧电力数据异常值。     

基于双链结构的配电自动化系统异常检测方法

针对当前配电数据共享成本高、传输效率低且数据安全得不到保障,以及配电自动化系统运行过程中异常数据对电网负荷和需求侧用户造成的负面影响,提出基于双链结构的配电自动化系统异常检测方法。该方法将配电数据记录在本地数据库、主链和影链中,在主链服务器中添加双向监听器对系统数据进行监听和检测,若配电数据出现异常,则监听器命令配电站数据库进行版本回退,并将异常数据记录在影链服务器中。若某配站频繁出现数据异常则更换数据备份保障安全。异常检测算法对配电数据进行主成分分析（PCA）并采用离散二进制粒子群优化（BPSO）算法改进后的孤立森林（iForest）算法进行异常点检测。通过模拟配电自动化系统的数据结构,生成数据并进行异常检测,实验结果表明该算法对配电数据适用性良好,能够准确地检测异常电力数据。     

基于宽度学习系统的短期电力负荷预测方法研究

电力负荷预测已成为电力调度的一项重要工作,也是评估电力企业是否实现现代化的重要指标之一。精准可靠的电力负荷预测数据对合理安排电力企业发电机组启停、降低电力损失、保障社会用电安全和提高电力企业经济效益等方面具有重要意义。短期电力负荷预测是针对短期负荷变化、甚至实时负荷变化,但由于短期负荷变化较为突然,预测难度大。为了提高短期电力负荷预测精确度,本文提出了一种基于宽度学习系统的短期电力负荷预测方法,通过采用邻域粗糙集分类算法,对输入参数进行特征提取,然后采用宽度学习系统对电力负荷历史数据进行离线训练,利用已训练完成的模型实现24h短期负荷预测。研究结果表明,使用本方法可以有效降低MAPE和RMSE,也有效减少了训练时间,提高了模型训练速度,具有优异的预测能力。     

基于极限学习机的市场需求侧短期电力负荷预测方法

为了优化市场需求侧短期电力负荷预测效果,减小负荷预测偏差,引入极限学习机,开展基于极限学习机的市场需求侧短期电力负荷预测方法研究。从缺失电力负荷数据补充、异常电力负荷数据识别与修正两个维度,对市场需求侧短期电力负荷数据进行预处理。在此基础上,建立基于极限学习机的负荷预测模型,预测市场需求侧短期电力负荷数据的动态变化。实验分析结果表明,应用文章提出的方法,短期电力负荷数据集的预测平均绝对百分比误差始终小于对照组,均未超过1%,预测精度较高。     

基于DCE-LAE的电力负荷异常检测方法

针对传统的用电负荷数据异常检测方法精度低、提取时间特征困难、特征提取与检测过程分离的问题，提出一种基于深度卷积嵌入LSTM编码器(deep convolution embedded LSTM auto-encoder, DCE-LAE)的电力负荷数据异常检测方法。将长短期记忆网络融入自编码器架构，利用编码器的非线性特征提取能力和长短期记忆网络的时序特征记忆能力提高电力负荷的异常检测精度，将深度卷积层嵌入至该架构中提高感受野，提取更多时间序列特征；将卷积损失和重构损失相结合作为损失函数联合优化，防止卷积嵌入微调对重构空间的扭曲，进一步提高结果的可靠性。实例仿真通过与其它方法进行对比，验证了DCE-LAE的异常检测精度与时序重构能力均优于其它算法。     

基于专家反馈的广义孤立森林异常检测算法

针对孤立森林算法无法检测与轴平行的局部异常点以及树结构无法动态更新等问题,提出了一种基于专家反馈的广义孤立森林异常检测算法。首先,将数据映射在单位特征向量上,从映射区域内选择分割点划分数据空间,重复此操作构造出一棵广义孤立树;然后,给广义孤立森林中每棵树的叶节点引入权重,综合考虑子空间划分次数和子空间内样本数量对数据异常分数的影响;最后,计算每个数据的加权异常分数,并选择异常分数较大的数据交由专家进行批量标注,算法根据标注结果更新叶节点权重,从而实现树结构的动态调整。实验结果表明,该算法在7个数据集中专家标注真实异常的数量优于其他同类树结构算法,并在12个数据集中平均准确率比孤立森林、扩展孤立森林和广义孤立森林分别提升了38.952%、49.144%和49.144%。     

一种电力器件缺陷检测方法优化

为提高电力器件的缺陷检测能力,提出基于视觉图像分析和纹理特征提取的电力器件缺陷检测方法。构建电力器件缺陷图像采集模型,结合图像边缘特征检测和信息融合度特征分析电力器件缺陷特征,采用机器视觉特征分析和分块融合特征匹配方法,跟踪识别电力器件缺陷数据特征,通过模糊小波特征分析和特征点标定方法,对缺陷特征视觉融合解析处理,根据缺陷部位的纹理差异性特征提取结果,实现对电力器件的缺陷检测。仿真结果表明,该方法检测准确性较高,缺陷定位精度较好。     

云框架超大规模资源处理下无线传感网络数据异常检测

为改进无线传感网络数据异常检测方法精度低、网络能量消耗大等问题，提出基于云框架的大规模无线传感网络数据异常检测方法。在云框架超大规模资源处理下，通过自适应过采样法消除冗余数据；运用数据集成、标准化等预处理数据样本，计算协方差矩阵，从高到低排列特征矢量贡献率；二进制粒子群方法优化初始森林中的孤立树，挑选初始森林精度最高、差异度最大的孤立树组建最佳孤立森林，通过异常分数法检测数据特征异常情况，输出对应样本异常概率。实验部分对本文方法、图信号处理法和分层聚合法，进行检测率、虚警率、接电能耗、耗时等指标对比，数据表明，所提方法有效降低了节点能耗，数据异常检测速率快、正确率高，具备优秀的适用性与可靠性。     

基于孤立森林算法的空调系统运行异常检测研究

常规的空调系统运行异常检测以故障样本特征检测为主,但存在错检、漏检的问题,会影响空调系统的正常运行,为此,设计了基于孤立森林算法的空调系统运行异常检测方法。首先提取空调系统运行异常特征,并根据异常特征向量确定空调系统异常位置。然后基于孤立森林算法设定空调系统运行异常检测阈值,获取空调系统运行异常的正态分布数据,将异常特征数据点孤立到同一个平面上,通过阈值区分特征点是否异常,完成异常检测。采用对比实验,验证了该方法的检测准确性更高,能够应用于实际生活。     

针对WSN异常数据检测改进的孤立森林方法

异常数据检测一直是无线传感器网络安全的重要防护手段.针对现有方案计算复杂度高和检测精度低等问题,提出一种离散二进制粒子群优化孤立森林算法(BPSO-iForest).依据选择性集成思想,利用离散二进制粒子群算法改进由孤立森林算法生成的初始森林,选取初始森林中精度高、差异性大的隔离树,构建最优孤立森林,提升异常数据的检测精度和算法的执行效率.在无线传感器网络数据集上,与传统孤立森林、随机森林算法及其改进算法进行对比实验,结果表明本算法的检测精度和执行效率有明显的提升.     

基于随机森林算法的石油钻采装备外部故障自动监测方法

为提高石油钻采装备外部故障检测能力,提出基于随机森林算法的监测方法.构建大数据采集模型,以石油钻采装备的异常振动数据为研究对象,进行故障特征提取和信息融合,构建故障工况下的信息融合和特征聚类模型,通过模糊C均值聚类进行故障特征的量化分解和分类识别,在随机森林学习算法下实现对故障检测和诊断的自适应寻优.仿真结果表明,采用该方法进行故障检测,可有效提高故障的自动监测能力,且准确性较高,实时性较好.     

基于孤立森林算法的空气质量数据异常检测分析

随着人们生活水平的提高,环境污染问题也变得越来越严重,对空气质量数据进行有效分析,对改善环境具有重大的意义。然而,在空气质量数据检测的过程中,由于仪器故障或者人为原因等,会存在异常数据。因此,笔者使用孤立森林算法检测空气质量数据中的异常数据,来提高对空气质量分析研究的有效性,并以郑州市的空气质量历史数据为例进行异常检测分析。结果表明,孤立森林算法可以准确地检测出异常数据。     

基于孤立森林算法的巡检机器人通信异常数据自动检测方法

由于通信数据异常会影响巡检机器人对巡检任务数据的接收精度，因此利用孤立森林算法实现巡检机器人通信异常数据自动检测方法的优化设计。首先，在构建的通信信道环境下，采集巡检机器人通信数据，从通信流量、数据信噪比、数据包平均长度等方面，提取通信数据特征。其次，利用孤立森林算法，计算通信数据异常分值。最后，通过异常分值的分区比对和数据特征的匹配，以可视化的形式输出通信异常数据自动检测结果。通过性能测试实验发现，优化设计自动检测方法的误检率和漏检率均低于预设值，即优化设计方法具有较高的检测精度。     

基于孤立森林算法的移动警务网络流量监测方法研究

本文针对移动警务网络复杂多变、数据量大的特点,提出一种基于孤立森林算法的网络流量监测方法。该方法以网络IP数据流为基础,通过对IP数据流提取特征参数,并将特征参数作为输入向量,利用孤立森林算法进行训练以实现监测。这种方法能够快速、有效地检测出移动警务网络中的异常流量,精确率高,在一定程度上对移动警务网络的智能运维和安全防护起到重要作用。     

车联网大数据的安全访问控制模型设计

本文设计了车联网大数据安全访问控制模型.通过数据感知层采集车联网数据,并利用数据加密标准算法实施加密处理.将加密后的数据通过网络通信层传输到安全访问控制中心,再通过安全认证模块赋予或限制用户访问权限.在异常数据监测模块中,应用孤立森林算法检测拥有访问权限的用户,并识别数据异常状况,将识别到的异常数据存储到异常监测存储数...     

基于模拟退火的扩展孤立森林异常检测算法

扩展孤立森林（Extended Isolation Forest, EIF）有效解决了孤立森林（Isolation Forest, iForest）对局部异常点不敏感的问题,但EIF将轴平行的孤立条件更替为使用随机斜率的超平面,导致算法模型损失了一部分泛化能力,并由于大量的向量点乘运算增加了时间开销。针对上述情况,提出一种基于模拟退火的扩展孤立森林算法（Extended Isolation Forest based on Simulated Annealing, SA-EIF）。该算法根据每棵孤立树（Isolation Tree, iTree）对于数据集的预测结果计算每棵iTree的精度值和差异值,并基于此构建适应度函数,最终利用模拟退火算法筛选数棵检测性能较优的iTree构建集成学习模型。在ODDS 异常检测数据集中进行K折交叉验证的实验结果表明：SA-EIF算法对局部异常点敏感,较现有的EIF算法减少约20%~40% 的时间开销,提高约5%~10%的检测精度。     

基于iForest和LOF的流量异常检测

异常检测在现代大规模分布式系统的安全管理中起着重要作用,而网络流量异常检测则是组成异常检测系统的重要工具。网络流量异常检测的目的是找到和大多数流量数据不同的流量,并将这些离群点视为异常。由于现有的基于树分离的孤立森林(iForest)检测方法存在不能检测出局部异常的缺陷,为了克服这个缺陷,提出一种基于iForest和局部离群因子(LOF)近邻集成的无监督的流量异常检测方法。首先,改进原始的iForest与LOF算法,在提升检测精度的同时控制算法时间;然后分别使用两种改进算法进行检测,并将结果进行融合以得到最终的检测结果;最后在自制数据集上对所提方法进行有效性验证。实验结果表明,所提方法能够有效地隔离出异常,获得良好的流量异常检测效果。     

一种基于ICA和模糊粗糙集的入侵检测方法*

提出了一种高效低负荷的异常检测方法。该方法使用基于独立分量分析(ICA)的特征选择算法对网络数据进行特征提取,并使用模糊粗糙集对数据进行聚类分析,减少了分类器的运算量,提高了入侵检测的准确率。实验结果表明,该方法的检测效果要优于同类的其他方法。     

基于灰色分析的电力四表合一数据智能集抄系统研究

为了提高电力四表合一数据智能集抄能力,提出一种基于灰色分析的电力四表合一数据智能集抄系统设计方法,采用多维传感器进行电力四表合一数据智能采集,对采集的电力四表合一数据进行智能信息融合处理,提取电力四表合一数据的灰色关联特征量,根据特征提取结果进行电力四表合一数据的智能融合和传输控制,结合嵌入式设计方法,进行电力四表合一数据的智能集抄系统设计,采用模糊集成控制方法,进行电力四表合一数据智能集抄系统的输出稳定性调节,结合灰色分析方法,实现电力四表合一数据智能集抄系统的大数据信息处理和智能开发设计。测试结果表明,设计的电力四表合一数据智能集抄系统具有很好的数据信息融合处理能力,系统的输出稳定性较高,可靠性较好。