基于粒子滤波算法的电网运行异常值快速检测算法

由于传统电网运行异常值快速检测算法检测步骤单一,检测准确率低,因此无法实现快速检测,基于子滤波算法研究了一种新的电网运行异常值快速检测算法.挖掘电网运行的异常数据信息,了解数据所处的具体情况作出数据处理判断.按照异常位置划分处理区域,检测处理好的数据信息,同时结合粒子滤波算法加强数据检测力度,获取所需的检测信息.实验结...     

基于离群点检测算法的电力大数据异常值检测

目前提出的电力大数据异常值检测方法由于检测过程中无法提取异常特征,因此检测到的异常电流和异常电压所在时间不同,为此提出基于离群点检测算法的电力大数据异常值检测方法。利用高斯混合模型中提取电力大数据异常值的特征,通过离群点检测出符合距离要求的异常值,初步检测易于识别的异常数据。分析离群点与异常值分布密度之间的关联性,确定更深层次的异常值,使用离群点进入数据簇中和聚类中心中寻找缺少异常特征的异常值。实验结果表明,基于离群点检测算法的电力大数据异常值检测方法检测到的异常数据离散情况和振幅波动响应状态具有一致性,异常电流和异常电压所在时间都为0.3～0.4 s,证明了方法的可行性。     

基于非负矩阵分解的社区检测算法

为了了解复杂网络的特性,研究了复杂网络中的社区交叠现象,将非负矩阵分解算法用于社区检测问题。而传统的用于社区检测SNMF模型是通过离散化参数的取值范围,然后遍历得到参数的最优值,对参数的优化方法不能准确而快速搜索到最优解。利用遗传算法对参数进行优化,能够准确地找到参数的最优解,从而得到最优的社区划分。并且能够检测出交叠节点和异常节点,该算法也适应于大规模的数据。     

基于VAE-WGAN的多维时间序列异常检测方法

针对传统半监督深度异常检测模型对非平衡多维数据分布学习能力不足及模型训练困难等问题,提出一种基于VAE-WGAN架构的多维时间序列异常检测方法,利用VAE作为WGAN的生成器,使用Wasserstein距离作为模型拟合分布与待测数据真实分布之间的度量,学习复杂的高维数据分布.利用滑动窗口划分时间序列,使用正常序列数据训...     

基于FP-growth算法的多尺度用电异常行为检测方法

异常用电行为检测直接关系到电力公司的利益。针对上述问题,提出一种基于FP-growth算法的多尺度用电异常行为检测方法。通过采集器远程获取用电数据,并对缺失数据填补和数据进行标准化处理。通过计算特征的重要性指数和贡献率选取多尺度用电行为特征。利用FP-growth算法建立特征与用电行为之间的关联规则,根据支持度和置信度判断是否存在异常,实现用电异常行为检测。实验结果表明,所研究方法的F1值始终高于0.8,说明该方法的检测更为准确。     

基于Bi-LSTM模型的轨迹异常点检测算法

定位技术的飞速发展催生了时空轨迹大数据,轨迹数据中往往存在着明显偏离轨迹的异常点。检测出轨迹中的异常点对提高数据质量和后续轨迹数据挖掘精度至关重要。该文提出了一种基于双向长短时记忆网络(Bidirectional Long Short-Term Memory, Bi-LSTM)模型的轨迹异常点检测算法。首先对每个轨迹点提取一个6维的运动特征向量,然后构建了一个Bi-LSTM模型,模型输入为一定序列长度的轨迹数据特征向量,输出为轨迹点的类型结果。同时,算法采用了欠采样和过采样的组合方法缓解类别不平衡对检测性能的影响。融合了长短时记忆网络单元和双向网络,Bi-LSTM模型能够自动学习正常点和邻近异常点在运动特征上的差异。基于真实船舶轨迹标注数据的实验结果表明,该文算法的检测性能显著优于恒定速度阈值法、不考虑数据时序性的经典机器学习分类算法和卷积神经网络模型,尤其是召回率达到了0.902,验证了该文算法的有效性。      

基于分批估计的自适应加权数据融合算法

针对多传感器数据融合问题,文中提出了一种基于分批估计的自适应加权数据融合算法。该算法采用时间序列和空间序列对采集的数据分批求其方差,利用数据一致性检测对噪点进行剔除,进而得到自适应因子。随后采用自适应加权法对数据进行融合,得到预测值。文中模拟物联网数据进行仿真实验。结果表明,在处理数据时运用分批估计的自适应加权多传感器数据融合技术,能够提高传感器测量的精确度和系统的可靠性,基于分批估计的自适应加权平均法比传统自适应方法的均方根误差减少了10%,精度提高了2.3%。     

一种基于多标记的局部离群点检测算法北大核心CSCD

基于密度的局部离群点检测算法(LOF)不适用于解决高维度、多义性的数据集检测.通过对LOF算法的分析,提出了一种基于多标记学习(Multi-Label Learning,MLL)的局部离群点检测算法MLL-LOF(a local outlier factor based on multi-label learning).该算法采用MLL框架,首先将真实对象数据拆分成多示例包形式,然后运用退化策略及相应的权重调整,计算最终离群点因子,判别离群点.并运用实际企业的监控数据将MLL-LOF算法与其他经典的局部离群点检测算法进行了对比实验,结果表明提出的MLL-LOF算法检测的精准率、召回率、F1值以及时间效率均优于传统的局部离群点检测算法.     

基于图像空间相关性与纹理的HEVC块划分快速算法

为降低高效率视频编码(HEVC)帧内编码算法复杂度,提出一种基于视频内容空间相关性和纹理复杂度的块划分快速算法.首先,通过分析视频测试序列相邻编码树单元(CTU)之间的划分深度范围的相关性,提出CTU最有可能深度范围(MPDR)的概念及计算方法.其次,通过检测相邻CTU之间的边缘方向分析邻近CTU间的纹理差异,并决定当前待编码CTU的划分深度范围是采用MPDR,还是采用标准规定的0～3.最后,通过统计分析得到纹理复杂的阈值计算式,在每个编码单元(CU)编码之前,通过比较像素方差与阈值来分析该CU的纹理复杂程度,并判断是否可以跳过该深度块的编码计算而直接划分.实验结果表明,与HM13.0原有算法相比,本文算法以编码比特率增加0.84％、峰值信噪比下降0.04 dB为代价,能够将编码时间减少20％左右.     

一种基于空域灰预测的边缘检测改进方法

为解决传统图像边缘检测结果边缘细节模糊且部分缺失问题的基础上,提出了一种基于空域灰预测的边缘检测方法。该算法首先采用灰色理论中的灰预测方法对5×5模板的像素点进行预测,通过预测值与实际值的差别来判断该处像素点是否为边缘像素点,然后采用残差检验的方法来评价控制计算结果是否可信,从而达到提高算法精度,细化边缘的目的。通过与传统方法实验结果的对比,能够说明该算法可以有效地提高检测精度.     

基于新型脑皮层的VoLTE视频感知指标监控方法

针对VoLTE视频通话中存在延迟、卡顿等问题,本文提出一种新型闹脑层算法的VoLTE视频通话质量的评估方法。首先,运用脑皮层算法的HTM算法对VoLTE时间序的指标进行检测,然后利用同比环比加权及HTM循环预测加权进行VoLTE感知指标异常值替换,构造能够实时发现指标异常状况的指标监控模型。其次使用时间序列连续性检测及补全功能、同比环比加权平均值再加权的方法提高异常数据训练的准确性。然后通过对比验证VoLTE失败码的预测结果,验证该模型的监控结果的有效性。     

一种基于LSTM自动编码机的工业系统异常检测方法

在工业互联网的环境下,自动有效的异常检测方法对工业系统的安全、稳定生产具有重要的意义。传统的异常检测方法存在需要大量标注样本、不适应高维度时序数据等不足,提出一种基于LSTM自动编码机的工业系统异常检测方法。为克服现有方法依赖标注样本的不足,提出采用自动编码机,通过无监督的方式学习大量正常样本的特征和模式,在此基础上通过对样本进行重构和计算重构误差的方式进行异常检测。其次,为克服现有方法不适应高维度时序数据的不足,提出采用双向LSTM作为编码器,进而挖掘多维时序数据的潜在特征。基于一个真实造纸工业的数据集的实验表明,所提方法在各项指标上都对现有无监督异常检测方法有一定的提升,检测的总体精度达到了93.4%。     

Self-corrected coefficient smoothing method based network security situation prediction

In order to solve the problem of insufficient accuracy of current network security situation prediction methods,a new network security situation prediction model was proposed based on self-correcting coefficient smoothing.Firstly,a network security assessment quantification method was designed to transform the alarm information into situation real value time series based on the entropy correlation degree.Then,the adaptive solution of the static smoothing coefficient was calculated and the predicted initial value was obtained by using the variable domain space.Finally,based on the error category,the time-changing weighted Markov chain was built to modify the initial network situation prediction result and the prediction accuracy was further raised.The prediction model was tested with LL_DOS_1.0 dataset and the experimental results show that the proposed model has higher adaptability and prediction accuracy for network situation time series.     

Anomaly detection in smart grid based on encoder-decoder framework with recurrent neural network

Anomaly detection in smart grid is critical to enhance the reliability of power systems. Excessive manpower has to be involved in analyzing the measurement data collected from intelligent motoring devices while performance of anomaly detection is still not satisfactory. This is mainly because the inherent spatio-temporality and multi-dimensionality of the measurement data cannot be easily captured. In this paper, we propose an anomaly detection model based on encoder-decoder framework with recurrent neural network (RNN). In the model, an input time series is reconstructed and an anomaly can be detected by an unexpected high reconstruction error. Both Manhattan distance and the edit distance are used to evaluate the difference between an input time series and its reconstructed one. Finally, we validate the proposed model by using power demand data from University of California, Riverside (UCR) time series classification archive and IEEE 39 bus system simulation data. Results from the analysis demonstrate that the proposed encoder-decoder framework is able to successfully capture anomalies with a precision higher than 95%.     

基于逆高斯几率模型的心率预测算法

心跳间隔时间序列可模拟为逆高斯模型,由点过程自适应算法估计模型时变参数和预测心率.本文在现有的一步参数预测算法基础上,首先利用模型参数均值和加权因子修正算法提高模型时变参数的预测精度;然后利用线性预测简化了点过程自适应滤波预测算法,实现了心率变化的实时分析.实验仿真表明:改进后的算法对心率分析和预测有很好的效果.     

一种混合模型的时序数据异常检测方法

对设备性能指标、用户数据指标的异常检测能有效地发现系统潜在故障,本文提出了一种混合异常检测方法。该方法利用k-means将历史数据按照时间进行划分,使用grubbs算法剔除历史数据中的噪音,并计算各时间段的阈值形成动态阈值,同时利用曲线拟合和ARIMA算法对预处理后的历史数据进行训练,得到对应的模型,作为判断异常的依据。该方法结合了统计学的高效、机器学习的准确,无需对数据进行标注,该方法能自动发现单指标和多指标异常。通过在几个系统的实际运维的检验,本文提出的方法能有效地发现缺数异常和系统异常,提高告警准确率,单指标的查全率达到100%,平均查准率为95.7%,算法的效率满足生产环境中的性能要求。     

False alarm detection using dynamic threshold in medical wireless sensor networks

Sensor networks suffer from various sensor faults and false measurements in healthcare application and this vulnerability of the delay should handle efficiently and timely response in various application of WSN. For instance, in healthcare application, the false measurements generate false alarms which require to take unnecessary action from the healthcare department. The quality of the health care service can improve in remote healthcare monitoring system by introducing a new approach to identify the true medical condition and differentiate true and false alarms. In this paper, we proposed a novel approach to analysis past historical data collected from various medical sensors to identify the sensor anomaly. The main goal of this approach is to differentiate between true and false alarms effectively. The proposed system analysis the historical data to predicts the sensor value which compares with real sensed values at a time incident. The dynamically adjust the threshold value by comparing the difference between predicted value and historic value to determine the anomaly of sensor value. This system has been worked on huge real-time healthcare dataset and result shows that the new approach has been applied on real healthcare datasets and result of this system shows the detection rate is high and false positive rate is low which conclude that this approach is very useful in WSN application such as health monitoring system and it will be competitive with others.

     

基于残差预测修正的局部在线时间序列预测方法

 对于复杂的非线性和非平稳时间序列预测,基本的支持向量回归(Support Vecotr Regression,SVR)在线算法无法有效兼顾执行效率和预测精度.本文首先采用局部SVR进行时间序列建模预测,同步计算在线更新序列数据预测的残差,并采用Online SVR对残差序列进行混沌时间序列预测,将预测残差值实时补偿到局部SVR模型预测输出.实验结果表明,新方法在执行效率和预测精度方面较单一Online SVR均显著提高.     

基于灰色预测模型的电视频道热度预测

针对电视频道热度的预测可以为业务决策提供重要依据,电视频道热度受到多种复杂因素的影响,包括电视频道的播放内容及收视群体等因素.基于某地卫视频道一周的频道热度数据,利用灰色预测模型进行频道热度的短期预测,对预测值与实际采集值进行对比,结果证明在原始数据量少及样本种类单一的情况下,灰度预测模型能较好的对电视频道热度进行中短期预测.