CN103439964B - 一种ocsvm监控模型的在线更新系统及方法 - Google Patents
一种ocsvm监控模型的在线更新系统及方法 Download PDFInfo
- Publication number
- CN103439964B CN103439964B CN201310350490.3A CN201310350490A CN103439964B CN 103439964 B CN103439964 B CN 103439964B CN 201310350490 A CN201310350490 A CN 201310350490A CN 103439964 B CN103439964 B CN 103439964B
- Authority
- CN
- China
- Prior art keywords
- ocsvm
- sample
- monitoring model
- current
- submodule
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种OCSVM监控模型的在线更新系统及方法,其特征在于:它包括数据采集设备和监控模型在线更新模块,监控模型在线更新模块内设置有样本标准化模块、判定模块、界外样本更新模块和界内样本更新模块;数据采集设备将采集的实时过程变量数字化为实时过程数据后传送给样本标准化子模块,样本标准化子模块将当前OCSVM监控模型和经过标准化处理后的新样本传送给判定子模块;判定子模块将判定的界外样本、界内样本和当前OCSVM监控模型分别传送至界外样本更新子模块和界内样本更新子模块,界外样本更新子模块和界内样本更新子模块输出的OCSVM监控模型均作为当前监控模型。本发明可以广泛应用于实际工业过程中对非线性过程监控模型的在线更新。
Description
技术领域
本发明涉及一种非线性模型的在线更新系统及方法,特别是关于一种OCSVM(One-Class Support Vector Machine,单类支持向量机)监控模型的在线更新系统及方法。
背景技术
OCSVM是一种在训练过程中只使用单一类别样本进行建模的支持向量机方法。该方法将样本点投影到特征空间,用切平面将样本投影点与特征空间的原点以最大间隔分开,从而将原始空间中绝大多数样本所在区域与无样本分布的区域用决策边界隔开,实现对异常样本点的检测。因此,可以用OCSVM来解决传感器数据具有非高斯分布、非线性相关性特征的复杂生产过程在线监控问题。OCSVM监控模型的判别函数f(x)可以表述为:
其中,x代表原空间中的任意样本,l为表征正常工况的建模样本总数,i为样本序号值(i=1,2,3…l),αi为每个样本xi所对应的权重值,k(xi,x)为核函数,ρ为特征空间中切平面的偏置值。sgn(z)为一符号函数,代表自变量z的符号值,当z=0时,函数sgn(z)的返回值为0;当z>0时,函数sgn(z)的返回值为1;当z<0时,函数sgn(z)的返回值为-1。OCSVM监控模型建立后,生产过程中新产生的样本数据x可以带入(1)式进行异常检测。如果决策函数f(x)>0,则该样本x位于OCSVM监控模型决策边界以内,该样本x可以判定为正常样本;如果决策函数f(x)≤0,则该样本x位于OCSVM监控模型决策边界之上或之外,该样本x可以判定为异常样本。
在实际的工业监控中,研究者们发现许多工业生产过程中存在着非稳态特征,即随着生产的持续进行,过程变量会发生缓慢的趋势漂移和突然性的阶跃变化。其中,催化剂退化、设备老化等因素容易引起过程变量的缓慢漂移;而生产原料的清空和装填、设备的定期清洗和维护、工艺菜单的改变等因素容易造成过程变量的阶跃变化。对此,传统的OCSVM统计监控方法无法适应过程变量的非稳态性,往往会发生模型失效现象,致使监控系统产生大量虚警。而每增加一批数据就需要重新训练整个监控模型的方法相当耗时,并且会带来人力物力上的极大损耗。因此,如何对OCSVM监控模型进行快速在线更新成为了实际应用中亟需解决的问题。
现有的OCSVM监控模型在线更新方法大致分为三种。第一种方法是在更新过程中不断删减样本集中的非支持向量或影响较小的支持向量,从而加快模型的重新训练速度。但由于这种方法可能会误删对OCSVM监控模型的在线更新具有较大价值的样本,因此该方法只能给出优化问题的近似解,而无法保证OCSVM监控模型的精度。第二种方法是基于OCSVM优化问题的最优性条件(即Karush-Kuhn-Tucker,KKT条件)进行模型在线更新,例如由Cauwenberghs和Poggio提出的增量和减量支持向量机方法。该方法应用滑动窗策略进行建模样本集的样本更新,能够在每次更新后给出当前建模样本集下的OCSVM模型最优解。但是在支持向量个数较多的情况下,该算法可能引发大规模的矩阵运算,导致算法的时间复杂度较高且存储需求较大。第三种方法是采用在SMO算法(Sequential Minimal Optimization,序列最小优化算法)基础上简化得到的LASVM(Learning Active Support Vector Machine)算法。目前LASVM方法只能给出在线更新过程中的监控模型近似解,模型的计算精度不高。可见,现有的OCSVM监控模型在线更新方法存在监控效果不够精确或计算复杂性较高等不足。OCSVM监控模型在线更新方法的本质需求就是在训练样本集合发生变化时,可以快速训练出新的OCSVM监控模型。实际上,在支持向量机优化问题的求解方法中,SMO算法已经是一种非常快速的训练算法。在SMO算法的模型训练过程中,每次迭代只从训练样本中挑选具有最大可行迭代步长的两个样本xi和xj构成工作集{xi,xj},通过对工作集{xi,xj}的样本权重值进行反复地迭代和优化,OCSVM监控模型将最终收敛到全局最优解。SMO算法对工作集样本权重值的迭代公式如下:
其中,αi和αj是工作集样本xi和xj在迭代之前的权重值,和是工作集样本xi和xj在更新后的新权重值。▽g(α)i可以通过对OCSVM监控模型的对偶优化问题求导得到,即kij为核函数k(xi,xj)的简写形式,即kij=k(xi,xj)。1/νl是所有样本的权重值上限。
发明内容
针对上述问题,本发明的目的是提供一种能够实时跟踪生产过程中系统工作点的非稳态变化、具有模型精度高、计算速度快以及存储需求低的OCSVM监控模型的在线更新系统及方法。
为实现上述目的,本发明采取以下技术方案:一种OCSVM监控模型在线更新系统,其特征在于:它包括一数据采集设备和一监控模型在线更新模块,所述监控模型在线更新模块内设置有一样本标准化子模块、一判定子模块、一界外样本更新子模块和一界内样本子更新模块;所述数据采集设备采集工业生产过程中的实时过程变量,并将其数字化为实时过程数据后传送给所述样本标准化子模块;所述样本标准化子模块根据预置在其中的当前OCSVM监控模型对接收到的实时过程数据进行标准化处理,并将当前OCSVM监控模型和经过标准化处理后的新样本传送给所述判定子模块;所述判定子模块将判定的当前OCSVM监控模型的决策边界以外的样本和当前OCSVM监控模型传送给所述界外样本更新子模块内进行更新,并输出OCSVM监控模型;所述判定子模块将判定的当前OCSVM监控模型的决策边界以内的样本和当前OCSVM监控模型传送至所述界内样本更新子模块内并输出OCSVM监控模型;所述界外样本更新子模块和界内样本更新子模块输出的OCSVM监控模型均作为当前监控模型。
一种采用所述更新系统的OCSVM监控模型的在线更新方法,其包括以下步骤:1)数据采集设备采集工业生产过程中的实时过程变量并将其转换为数字化的实时过程数据,数字化的实时过程数据作为未经标准化的新样本传送给样本标准化模块;2)样本标准化子模块根据所接收到的当前OCSVM监控模型的均值和标准差信息对接收到的新样本进行标准化处理,得到经标准化处理后的新样本xk;3)当前OCSVM监控模型和经过标准化处理后的新样本xk被传送给判定子模块;4)判定子模块判定经标准化处理后的新样本xk与当前OCSVM监控模型决策边界的位置关系,并根据判定结果选取针对该新样本xk的具体OCSVM监控模型更新方法;如果经标准化处理后的新样本xk位于当前OCSVM监控模型的决策边界以外,则将该新样本xk及当前OCSVM监控模型传送给界外样本更新子模块,转到步骤5);如果经标准化处理后的新样本xk位于当前OCSVM监控模型的决策边界以内,则将该新样本xk及当前OCSVM监控模型传送给界内样本更新子模块,转到步骤6);5)界外样本更新子模块采用改进的滑动窗方法对当前OCSVM监控模型的窗内样本集合以及当前OCSVM监控模型的决策边界进行更新,并输出更新后的OCSVM监控模型,转到步骤7);6)界内样本更新子模块采用改进的滑动窗方法对的当前OCSVM监控模型进行更新,并输出当前OCSVM监控模型;7)将得到的OCSVM监控模型作为当前监控模型,返回步骤2),继续等待新样本对OCSVM监控模型进行在线更新。
所述步骤4)中,判定子模块判断经标准化处理后的新样本xk与当前OCSVM监控模型决策边界的位置关系,具体为:根据当前OCSVM监控模型信息,计算出经标准化处理后的新样本xk的判别函数值f(x)为:
其中,x代表原空间中的任意样本,l为表征正常工况的建模样本总数,i为样本序号值,i=1,2,3…l,αi为每个样本xi所对应的权重值,k(xi,x)为核函数,ρ为特征空间中切平面的偏置值;如果该新样本xk满足f(xk)≤0,则该新样本xk位于当前OCSVM监控模型的决策边界以外;如果该样本xk满足f(xk)>0,则该样本xk位于当前OCSVM监控模型的决策边界以内。
所述步骤5)中,采用改进的滑动窗方法对当前OCSVM监控模型的建模样本集和当前OCSVM监控模型的决策边界进行更新的具体步骤包括:①将所有满足权重αi>0的新样本xi加入支持向量集合P;②将支持向量集合P中的所有样本按照到达样本标准化子模块的时间顺序进行排序,设其中到达时间最早的样本为x0,将样本x0的权重系数α0赋值给新样本xk的权重系数αk,将新样本xk加入当前OCSVM监控模型的窗内样本集合,同时从其窗内样本集合中删除到达时间最早的样本x0,从而使样本权重调整后的当前OCSVM模型满足SMO算法的起始迭代要求;③给定停机精度ε,ε的取值范围设定为ε∈(0,0.001),根据SMO算法的计算步骤,不断寻找最优工作样本集{xi,xj},按照公式
在当前OCSVM监控模型的基础上进行迭代更新,直至算法收敛至误差小于给定停机精度ε,得到新OCSVM监控模型的样本权重α*和分界面偏置量ρ,并输出更新后的OCSVM监控模型;公式中αi和αj是工作集样本xi和xj在迭代之前的权重值,和是工作集样本xi和xj在更新后的新权重值;▽g(α)i通过对OCSVM监控模型的对偶优化问题求导得到,即kij为核函数k(xi,xj)的简写形式,即kij=k(xi,xj);1/νl是所有样本的权重值上限。
所述步骤6)中,采用改进的滑动窗方法对当前OCSVM监控模型进行更新的具体步骤包括:①将所有满足权重αi=0的样本xi加入非支持向量集合R;②将非支持向量集合R中的所有样本按照到达样本标准化子模块的时间顺序进行排序,设其中到达时间最早的样本为x0,将新样本xk的权重系数αk赋值为0,将新样本xk加入当前OCSVM监控模型的窗内样本集合,同时从窗内样本集合中删除到达时间最早的样本,输出当前OCSVM监控模型。
本发明由于采取以上技术方案,其具有以下优点:1、本发明由于设置了一数据采集设备和一监控模型在线更新模块,监控模型在线更新模块内设置有一样本标准化子模块、一判定子模块、一界外样本更新子模块和一界内样本更新子模块,判定子模块先对经标准化处理后的新样本xk与OCSVM监控模型的在线更新系统中当前OCSVM监控模型决策边界的位置关系进行判定,根据判定结果选取针对该经标准化处理后的新样本xk的具体OCSVM监控模型更新方法,因此本发明能够降低模型更新中的迭代次数,加快计算速度,从而增强监控模型的实际监控效果。2、本发明由于采用改进的滑动窗方法对当前OCSVM监控模型进行更新,因此本发明能够保证更新后OCSVM监控模型的准确性,并提高计算效率。基于以上优点,本发明可以广泛应用于实际工业过程中非线性过程监控模型的在线更新。
附图说明
图1是本发明的OCSVM监控模型的在线更新系统结构示意图;
图2是本发明实施例所用样本数据示意图;其中,图中直角坐标系的横轴和纵轴用某生产过程中存在缓慢漂移现象的监控变量y1和y2表示,直角坐标系中的圆点表示所有表征正常工况的样本,样本点的颜色由浅至深的变化表示样本的生成顺序,即样本点的颜色越深,样本生成得越晚。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示,本发明的OCSVM监控模型的在线更新系统包括一数据采集设备1和一监控模型在线更新模块2。其中,监控模型在线更新模块2内设置有一样本标准化子模块21、一判定子模块22、一界外样本更新子模块23和一界内样本更新子模块24。
数据采集设备1采集工业生产过程中的实时过程变量,并将其数字化为实时过程数据后传送给样本标准化子模块21,样本标准化子模块21根据预置在其中的当前OCSVM监控模型对接收到的实时过程数据进行标准化处理,并将当前OCSVM监控模型和经过标准化处理后的新样本传送给判定子模块22;判定子模块22将判定的当前OCSVM监控模型的决策边界以外的样本和当前OCSVM监控模型传送给界外样本更新子模块23,将判定的当前OCSVM监控模型的决策边界以内的样本和当前OCSVM监控模型传送给界内样本更新子模块24;界外样本更新子模块23对OCSVM监控模型的窗内样本集合和当前OCSVM监控模型的决策边界进行更新,并输出更新后的OCSVM监控模型;界内样本更新子模块24输出当前OCSVM监控模型;界外样本更新子模块23和界内样本更新子模块24输出的OCSVM监控模型均作为当前监控模型,继续用于后续样本的工业过程在线监控。
基于本发明提供的OCSVM监控模型在线更新系统,本发明还提出了一种OCSVM监控模型在线更新方法,其包括以下步骤:
1)数据采集设备1采集工业生产过程中的实时过程变量并将其转换为数字化的实时过程数据,数字化的实时过程数据作为新样本(其中,下标k=1,2,3···代表监控阶段的样本序号,上标0代表样本未经标准化)传送给监控模型在线更新模块2中的样本标准化模块21。
2)监控模型在线更新模块2中的样本标准化子模块21根据所接收到的当前OCSVM监控模型的均值和标准差信息对接收到的新样本进行标准化处理,得到经标准化处理后的新样本xk。
3)当前OCSVM监控模型和经过标准化处理后的新样本xk被传送给监控模型在线更新模块2中的判定子模块22。
4)判定子模块22判定经标准化处理后的新样本xk与当前OCSVM监控模型决策边界的位置关系,并根据判定结果选取针对该新样本xk的具体OCSVM监控模型更新方法,其包括以下步骤:
①判断经标准化处理后的新样本xk与当前OCSVM监控模型决策边界的位置关系:
根据当前OCSVM监控模型信息,由现有技术中的公式(1)计算经标准化处理后的新样本xk的判别函数值,如果该新样本xk满足f(xk)≤0,则该新样本xk位于当前OCSVM监控模型的决策边界以外;如果该样本xk满足f(xk)>0,则该样本xk位于当前OCSVM监控模型的决策边界以内。
②选取针对经标准化处理后的新样本xk的具体的OCSVM监控模型更新方法:
如果经标准化处理后的新样本xk位于当前OCSVM监控模型的决策边界以外,则将该新样本xk及当前OCSVM监控模型传送给界外样本更新子模块23,转到步骤5);
如果经标准化处理后的新样本xk位于当前OCSVM监控模型的决策边界以内,则将该新样本xk及当前OCSVM监控模型传送给界内样本更新子模块24,转到步骤6)。
5)界外样本更新子模块23采用改进的滑动窗方法对的当前OCSVM监控模型的窗内样本集合(即OCSVM监控模型的建模样本集)以及当前OCSVM监控模型的决策边界进行更新,其具体步骤包括:
①将所有满足权重αi>0的新样本xi加入支持向量集合P。
②将支持向量集合P中的所有样本按照到达样本标准化子模块21的时间顺序进行排序,设其中到达时间最早的样本为x0,将样本x0的权重系数α0赋值给新样本xk的权重系数αk,将新样本xk加入当前OCSVM监控模型的窗内样本集合,同时从其窗内样本集合中删除到达时间最早的样本x0,从而使样本权重调整后的当前OCSVM监控模型满足SMO算法的起始迭代要求。
③给定停机精度ε(ε的取值范围通常设定为ε∈(0,0.001)),根据SMO算法的计算步骤,不断寻找最优工作样本集{xi,xj},按照公式(2)在当前OCSVM监控模型的基础上进行迭代更新,直至算法收敛至误差小于给定停机精度ε,得到新OCSVM监控模型的样本权重α*和分界面偏置量ρ,从而完成对当前OCSVM监控模型决策边界的更新,并输出更新后的OCSVM监控模型,进入步骤7)。
6)界内样本更新子模块24采用改进的滑动窗方法对当前OCSVM监控模型进行更新,其具体步骤包括:
①将所有满足权重αi=0的样本xi加入非支持向量集合R。
②将非支持向量集合R中的所有样本按照到达样本标准化子模块21的时间顺序进行排序,设其中到达时间最早的样本为x0,将该新样本xk的权重系数αk赋值为0,将该新样本xk加入当前OCSVM监控模型的窗内样本集合,同时从窗内样本集合中删除到达时间最早的样本x0。由于此时的OCSVM监控模型在更新后的OCSVM模型窗内集合上仍然满足OCSVM优化问题的最优性条件,因此,无需再对当前OCSVM监控模型的决策边界进行更新,输出当前OCSVM监控模型。
7)将步骤5)或6)得到的OCSVM监控模型作为当前监控模型,用于后续样本的工业过程在线监控;返回步骤2),继续等待新样本对OCSVM监控模型进行在线更新。
在一个优选的实施例中,以国际通用的香蕉型Benchmark(标准)数据作为原始数据集,根据其样本数据产生的时间顺序对所有样本数据进行编号。香蕉型Benchmark数据的生成方法为:使用Benchmark数据生成程序产生500个符合香蕉型数据分布的仿真数据,并根据数据产生顺序依次将符合香蕉型数据分布的仿真数据编号为1~500。设编号为1~500的符合香蕉型数据分布的仿真数据组成的香蕉型数据集为{xi,i=1,2,...500}。为了模拟实际工业生产过程中的数据缓慢漂移现象,在所有样本数据上添加方向为[1,-1]直线位移变化。根据公式
将香蕉型数据集{xi,i=1,2,...500}转化为具有缓慢漂移趋势的仿真数据集仿真数据集的数据分布情况(如图2所示)。
采用前100组数据建立初始OCSVM监控模型,采用后400组数据对建立的初始OCSVM监控模型进行在线更新,以得到OCSVM监控模型的在线更新方法的计算效率统计结果,其包括以下步骤:
①设定滑动窗宽度W=100,选择高斯核函数k(xi,xj)=exp(-||xi-xj||2/S)作为模型核函数,设定核参数S=1,指定惩罚系数ν=0.01,可以使用已公开的算法程序包LIBSVM中的标准SMO方法建立初始OCSVM监控模型。
②将依次读取的第101~500个样本作为实时过程数据,调用本发明的OCSVM监控模型的在线更新系统对当前OCSVM监控模型进行在线更新。
③记录整个更新过程中OCSVM监控模型决策边界的实际变动次数,以及完成400组样本更新所花费的总时间,得到OCSVM监控模型的在线更新方法的计算效率统计结果。
将现有的几种应用滑动窗策略并且能够在更新过程中保持OCSVM监控模型为最优解的OCSVM监控模型的在线更新方法与本发明的OCSVM监控模型的在线更新方法的计算效率进行比较,比较结果如表1所示。
表1几种基于滑动窗的OCSVM监控模型的在线更新方法的计算效率比较
由表1可以看出,采用本发明的OCSVM监控模型的在线更新方法对OCSVM监控模型进行在线更新,其模型更新所需的总时间远低于现有基于标准滑动窗的OCSVM监控模型更新方法,其模型更新效率与现有方法相比有了很大提高。
上述各实施例仅用于说明本发明,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (5)
1.一种OCSVM监控模型在线更新系统,其特征在于:它包括一数据采集设备和一监控模型在线更新模块,所述监控模型在线更新模块内设置有一样本标准化子模块、一判定子模块、一界外样本更新子模块和一界内样本更新子模块;所述数据采集设备采集工业生产过程中的实时过程变量,并将其数字化为实时过程数据后传送给所述样本标准化子模块;所述样本标准化子模块根据预置在其中的当前OCSVM监控模型对接收到的实时过程数据进行标准化处理,并将当前OCSVM监控模型和经过标准化处理后的新样本传送给所述判定子模块;所述判定子模块将判定的当前OCSVM监控模型的决策边界以外的样本和当前OCSVM监控模型传送给所述界外样本更新子模块内进行更新,并输出OCSVM监控模型;所述判定子模块将判定的当前OCSVM监控模型的决策边界以内的样本和当前OCSVM监控模型传送至所述界内样本更新子模块内并输出OCSVM监控模型;所述界外样本更新子模块和界内样本更新子模块输出的OCSVM监控模型均作为当前监控模型。
2.一种采用如权利要求1所述更新系统的OCSVM监控模型的在线更新方法,其包括以下步骤:
1)数据采集设备采集工业生产过程中的实时过程变量并将其转换为数字化的实时过程数据,数字化的实时过程数据作为未经标准化的新样本传送给样本标准化子模块;
2)样本标准化子模块根据所接收到的当前OCSVM监控模型的均值和标准差信息对接收到的新样本进行标准化处理,得到经标准化处理后的新样本xk;
3)当前OCSVM监控模型和经过标准化处理后的新样本xk被传送给判定子模块;
4)判定子模块判定经标准化处理后的新样本xk与当前OCSVM监控模型决策边界的位置关系,并根据判定结果选取针对该新样本xk的具体OCSVM监控模型更新方法;
如果经标准化处理后的新样本xk位于当前OCSVM监控模型的决策边界以外,则将该新样本xk及当前OCSVM监控模型传送给界外样本更新子模块,转到步骤5);
如果经标准化处理后的新样本xk位于当前OCSVM监控模型的决策边界以内,则将该新样本xk及当前OCSVM监控模型传送给界内样本更新子模块,转到步骤6);
5)界外样本更新子模块采用改进的滑动窗方法对当前OCSVM监控模型的窗内样本集合以及当前OCSVM监控模型的决策边界进行更新,并输出更新后的OCSVM监控模型,转到步骤7);
6)界内样本更新子模块采用改进的滑动窗方法对当前OCSVM监控模型进行更新,并输出当前OCSVM监控模型;
7)将得到的OCSVM监控模型作为当前监控模型,返回步骤2),继续等待新样本对OCSVM监控模型进行在线更新。
3.如权利要求2所述的一种OCSVM监控模型的在线更新方法,其特征在于:所述步骤4)中,判定子模块判断经标准化处理后的新样本xk与当前OCSVM监控模型决策边界的位置关系,具体为:根据当前OCSVM监控模型信息,计算出经标准化处理后的新样本xk的判别函数值f(x)为:
其中,x代表原空间中的任意样本,l为表征正常工况的建模样本总数,i为样本序号值,i=1,2,3…l,αi为每个样本xi所对应的权重值,k(xi,x)为核函数,ρ为特征空间中切平面的偏置值;如果该新样本xk满足f(xk)≤0,则该新样本xk位于当前OCSVM监控模型的决策边界以外;如果该样本xk满足f(xk)>0,则该样本xk位于当前OCSVM监控模型的决策边界以内。
4.如权利要求2或3所述的一种OCSVM监控模型的在线更新方法,其特征在于:所述步骤5)中,采用改进的滑动窗方法对当前OCSVM监控模型的建模样本集合以及当前OCSVM监控模型的决策边界进行更新的具体步骤包括:
①将所有满足权重αi>0的新样本xi加入支持向量集合P;
②将支持向量集合P中的所有样本按照到达样本标准化子模块的时间顺序进行排序,设其中到达时间最早的样本为x0,将样本x0的权重系数α0赋值给新样本xk的权重系数αk,将新样本xk加入当前OCSVM监控模型的窗内样本集合,同时从其窗内样本集合中删除到达时间最早的样本x0,从而使样本权重调整后的当前OCSVM模型满足SMO算法的起始迭代要求;
③给定停机精度ε,ε的取值范围设定为ε∈(0,0.001),根据SMO算法的计算步骤,不断寻找最优工作样本集{xi,xj},按照公式
在当前OCSVM监控模型的基础上进行迭代更新,直至算法收敛至误差小于给定停机精度ε,得到新OCSVM监控模型的样本权重α*和分界面偏置量ρ,并输出更新后的OCSVM监控模型;公式中αi和αj是工作集样本xi和xj在迭代之前的权重值,和是工作集样本xi和xj在更新后的新权重值;通过对OCSVM监控模型的对偶优化问题求导得到,即kij为核函数k(xi,xj)的简写形式,即kij=k(xi,xj);1/νl是所有样本的权重值上限。
5.如权利要求2或3所述的一种OCSVM监控模型的在线更新方法,其特征在于:所述步骤6)中,采用改进的滑动窗方法对当前OCSVM监控模型进行更新的具体步骤包括:
①将所有满足权重αi=0的样本xi加入非支持向量集合R;
②将非支持向量集合R中的所有样本按照到达样本标准化子模块的时间顺序进行排序,设其中到达时间最早的样本为x0,将新样本xk的权重系数αk赋值为0,将新样本xk加入当前OCSVM监控模型的窗内样本集合,同时从窗内样本集合中删除到达时间最早的样本,输出当前OCSVM监控模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310350490.3A CN103439964B (zh) | 2013-08-13 | 2013-08-13 | 一种ocsvm监控模型的在线更新系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310350490.3A CN103439964B (zh) | 2013-08-13 | 2013-08-13 | 一种ocsvm监控模型的在线更新系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103439964A CN103439964A (zh) | 2013-12-11 |
CN103439964B true CN103439964B (zh) | 2015-10-28 |
Family
ID=49693659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310350490.3A Active CN103439964B (zh) | 2013-08-13 | 2013-08-13 | 一种ocsvm监控模型的在线更新系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103439964B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3916494A4 (en) * | 2019-02-28 | 2022-08-24 | Siemens Aktiengesellschaft | METHOD AND APPARATUS FOR UPDATING INDUSTRIAL MODEL DATA |
CN110705654B (zh) * | 2019-10-22 | 2022-11-08 | 中国工商银行股份有限公司 | 用于监控资产的方法、装置、电子设备及介质 |
CN112053219A (zh) * | 2020-08-06 | 2020-12-08 | 百维金科(上海)信息科技有限公司 | 一种基于ocsvm的消费金融欺诈行为检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007016936A1 (en) * | 2005-07-29 | 2007-02-15 | Telecom Italia, S.P.A. | Automatic biometric identification based on face recognition and support vector machines |
CN101907088A (zh) * | 2010-05-27 | 2010-12-08 | 中国人民解放军国防科学技术大学 | 基于单类支持向量机的故障诊断方法 |
CN102339389A (zh) * | 2011-09-14 | 2012-02-01 | 清华大学 | 一种基于密度的参数优化单分类支持向量机故障检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7533070B2 (en) * | 2006-05-30 | 2009-05-12 | Honeywell International Inc. | Automatic fault classification for model-based process monitoring |
-
2013
- 2013-08-13 CN CN201310350490.3A patent/CN103439964B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007016936A1 (en) * | 2005-07-29 | 2007-02-15 | Telecom Italia, S.P.A. | Automatic biometric identification based on face recognition and support vector machines |
CN101907088A (zh) * | 2010-05-27 | 2010-12-08 | 中国人民解放军国防科学技术大学 | 基于单类支持向量机的故障诊断方法 |
CN102339389A (zh) * | 2011-09-14 | 2012-02-01 | 清华大学 | 一种基于密度的参数优化单分类支持向量机故障检测方法 |
Non-Patent Citations (2)
Title |
---|
A modified AdaBoost method for one-class SVM and its application to novelty detection;xue-fang chen;《System,Man,and Cybernetics(SMC),2011 IEEE International Conference》;20111209;第3506-3511页 * |
单类支持向量机的研究进展;尹传环 等;《计算机工程与应用》;20121231;第48卷(第12期);第1-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103439964A (zh) | 2013-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110377984B (zh) | 一种工业设备剩余有效寿命预测方法、系统及电子设备 | |
CN102831269B (zh) | 一种流程工业过程工艺参数的确定方法 | |
CN107065842B (zh) | 一种基于粒子群优化核独立元分析模型的故障检测方法 | |
CN103927412B (zh) | 基于高斯混合模型的即时学习脱丁烷塔软测量建模方法 | |
CN111553114B (zh) | 一种基于数据驱动的纺织印染智能配色方法 | |
CN109159113B (zh) | 一种基于视觉推理的机器人作业方法 | |
CN108170162B (zh) | 多尺度风扰分析无人机机群协调控制系统性能评估方法 | |
CN104914775B (zh) | 基于vine copula相关性描述的多模态过程故障检测方法及系统 | |
CN106843172A (zh) | 基于jy‑kpls的复杂工业过程在线质量预测方法 | |
CN107357269A (zh) | 基于混合mpls的多阶段过程质量预报方法 | |
CN105550426A (zh) | 一种基于样本分割的多尺度二叉树高炉故障诊断方法 | |
CN104462850A (zh) | 基于模糊高斯混合模型的多阶段间歇过程软测量方法 | |
CN103439964B (zh) | 一种ocsvm监控模型的在线更新系统及方法 | |
CN105740525A (zh) | 一种飞行器的气动力数据处理方法及气动力数据处理系统 | |
CN105425583A (zh) | 基于协同训练lwpls的青霉素生产过程的控制方法 | |
CN113130014B (zh) | 一种基于多分支神经网络的稀土萃取模拟方法及系统 | |
CN113094860A (zh) | 一种基于注意力机制的工控网络流量建模方法 | |
CN111625399A (zh) | 一种计量数据恢复方法及系统 | |
CN111628494A (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
CN110096503A (zh) | 一种白车身三坐标测点数据的分析方法及系统 | |
CN109459933A (zh) | 一种基于异步状态观测器的马尔科夫跳变系统控制方法 | |
CN109214609A (zh) | 一种基于分数阶离散灰色模型的年用电量预测方法 | |
CN103353895A (zh) | 一种配电网线损数据的预处理方法 | |
CN105159247B (zh) | 基于信息传递的间歇过程实时采样点阶段归属判断方法 | |
CN115169426B (zh) | 一种基于相似性学习融合模型的异常检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |