CN107967489A - 一种异常检测方法及系统 - Google Patents
一种异常检测方法及系统 Download PDFInfo
- Publication number
- CN107967489A CN107967489A CN201711226190.9A CN201711226190A CN107967489A CN 107967489 A CN107967489 A CN 107967489A CN 201711226190 A CN201711226190 A CN 201711226190A CN 107967489 A CN107967489 A CN 107967489A
- Authority
- CN
- China
- Prior art keywords
- series
- detected
- multidimensional time
- thing
- time
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种异常检测方法及系统,涉及检测领域。该方法包括:获取用于表示待检测物的正常状态的多维时间序列矩阵;建立二维自组织映射特征网络结构,通过二维自组织映射特征网络结构对多维时间序列矩阵进行迭代训练,得到多变量状态估计记忆矩阵;根据多变量状态估计记忆矩阵对待检测物的待检测数据进行异常检测。本发明提供的一种异常检测方法及系统,提高了对复杂跳变数据的异常检测的精准度,能够有效解决对复杂跳变数据的异常检测误检率高的问题。
Description
技术领域
本发明涉及检测领域,尤其涉及一种异常检测方法及系统。
背景技术
近些年,国内外科研机构对航天设备异常检测相关技术开展了大量的研究,例如,NASA(National Aeronautics and Space Administration,美国国家航空航天局)开发的Orca工具以及IMS工具。Orca是面向多元数据挖掘的工具,主要通过计算相邻点距离对航天设备进行异常检测,而IMS采用聚类方法对状态检测正常的数据进行聚类,以识别后续异常数据,两者均被应用于对地观测卫星等航天设备的未知异常挖掘。
然而上述两种工具都存在一定的缺点。航天设备的空间有效载荷由于上行指令控制、部件性能衰退及外界工况扰动等因素的影响,数据在局部范围内呈现出明显的波动性特点,一方面,空间有效载荷数据属于多分类复杂跳变数据,基于距离计算的Orca难以处理复杂跳变数据的异常检测问题;另一方面,空间有效载荷数据异常一般不属于单点异常问题,数据各类别间难以明确正负样本边界,利用IMS难以有效实现异常状态的准确检测。
也就是说,空间有效载荷工作模式设定以及参数间的关联性较为复杂,参数异常通常不属于简单的单点异常问题,正负样本之间的边界难以准确设定,导致现有的检测算法在解决多分类复杂跳变数据的异常检测时具有较高的误检率。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种能有效解决空间有效载荷复杂跳变数据异常检测误检率高的问题的异常检测方法及系统。
本发明解决上述技术问题的技术方案如下:
一种异常检测方法,包括:
获取用于表示待检测物的正常状态的多维时间序列矩阵;
建立二维自组织映射特征网络结构,通过所述二维自组织映射特征网络结构对所述多维时间序列矩阵进行迭代训练,得到多变量状态估计记忆矩阵;
根据所述多变量状态估计记忆矩阵对所述待检测物的待检测数据进行异常检测。
本发明的有益效果是:本发明提供的一种异常检测方法,采用基于多维时间序列分析的异常检测方法,充分挖掘复杂跳变数据间的相关性和前后关系,提高了对复杂跳变数据的异常检测的精准度,能够有效解决对复杂跳变数据的异常检测误检率高的问题。
并且,本发明通过二维自组织映射特征网络结构对多变量状态估计记忆矩阵的构建方法进行优化,保证得到的异常检测模型能够覆盖所有正常运行状态,同时实现了正常状态记忆矩阵的简约表达,有助于提高异常检测的准确性和时效性。
本发明提供的异常检测方法,除了可以用于航空航天领域的空间有效载荷的异常检测,还可以推广到复杂机电设备的异常检测领域,在对复杂机电设备进行检测时,通过对复杂机电设备的实时检测数据进行在线分析,实时评价复杂机电设备的运行状态,挖掘和检测复杂机电设备的潜在异常并及时采取处理措施,能够有效避免严重故障或事故的发生。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步地,所述获取用于表示待检测物的正常状态的多维时间序列矩阵,具体包括:
确定影响待检测物的多个因素,分别获取各所述因素的全部影响因子;
根据各所述因素的全部影响因子,生成维度与所述因素的数量相同的多个初始多维时间序列;
从全部的所述初始多维时间序列中选取表示所述待检测物正常状态的全部的正常多维时间序列;
根据全部的所述正常多维时间序列建立用于表示待检测物的正常状态的多维时间序列矩阵。
采用上述进一步方案的有益效果是:通过获取能够影响待检测物的全部影响因素,并以此建立用于表示待检测物的正常状态的多维时间序列矩阵,能够保证得到的异常检测模型覆盖所有正常运行状态,同时实现了正常状态记忆矩阵的简约表达,有助于提高异常检测的准确性和时效性。
进一步地,所述通过所述二维自组织映射特征网络结构对所述多维时间序列矩阵进行迭代训练,得到多变量状态估计记忆矩阵,具体包括:
获取所述二维自组织映射特征网络结构中,输入层神经元到映射层神经元连接的全部的第一权值向量;
分别计算每个所述正常多维时间序列与映射层各所述第一权值向量的第一距离值,并从中选出最小第一距离值所对应的映射层神经元作为所述正常多维时间序列的获胜神经元,并将获胜神经元相同的正常多维时间序列分为一类;
根据预设的迭代算法,对每个所述获胜神经元及各所述获胜神经元的邻域神经元的第一权值向量进行迭代训练,当满足预设条件时,停止迭代训练,得到第二权值向量;
分别计算每类所述正常多维时间序列与与其对应的所述第二权值向量的第二距离值,并从中选出最小第二距离值所对应的正常多维时间序列作为最终多维时间序列;
根据得到的各所述最终多维时间序列建立多变量状态估计记忆矩阵。
进一步地,所述根据所述多变量状态估计记忆矩阵对所述待检测物的待检测数据进行异常检测,具体包括:
获取所述待检测物的待检测数据,所述待检测数据包括所述待检测物在预设时刻的待检测多维时间序列;
根据所述多变量状态估计记忆矩阵计算所述待检测多维时间序列的预测值;
根据所述预测值计算所述待检测多维时间序列的残差;
根据所述残差判断所述待检测物是否异常。
采用上述进一步方案的有益效果是:通过计算待检测多维时间序列的残差,根据残差判断待检测物是否异常,能够准确迅速地得到检测结果,具有检测灵敏迅速准确的优点。
进一步地,当所述待检测多维时间序列为多个时,所述根据所述预测值计算所述待检测多维时间序列的残差之后,还包括:
获取多个所述待检测多维时间序列的残差;
根据滑动窗口法计算所述残差的残差均值和标准差,并根据所述残差均值和所述标准差判断所述待检测物是否异常。
采用上述进一步方案的有益效果是:基于滑动窗口法对多个待检测多维时间序列的残差进行分析,能够实时地进行检测分析,并且能够避免由于外部工况或干扰因素引起的局部奇异点造成的误报,具有算法简单、适合在线实时分析的优点。
本发明解决上述技术问题的另一种技术方案如下:
一种异常检测系统,包括:
获取单元,用于获取用于表示待检测物的正常状态的多维时间序列矩阵;
建模单元,用于建立二维自组织映射特征网络结构,通过所述二维自组织映射特征网络结构对所述多维时间序列矩阵进行迭代训练,得到多变量状态估计记忆矩阵;
检测单元,用于根据所述多变量状态估计记忆矩阵对所述待检测物的待检测数据进行异常检测。
进一步地,所述获取单元具体用于:
确定影响待检测物的多个因素,分别获取各所述因素的全部影响因子;
根据各所述因素的全部影响因子,生成维度与所述因素的数量相同的多个初始多维时间序列;
从全部的所述初始多维时间序列中选取表示所述待检测物正常状态的全部的正常多维时间序列;
根据全部的所述正常多维时间序列建立用于表示待检测物的正常状态的多维时间序列矩阵。
进一步地,所述建模单元具体用于:
获取所述二维自组织映射特征网络结构中,输入层神经元到映射层神经元连接的全部的第一权值向量;
分别计算每个所述正常多维时间序列与映射层各所述第一权值向量的第一距离值,并从中选出最小第一距离值所对应的映射层神经元作为所述正常多维时间序列的获胜神经元,并将获胜神经元相同的正常多维时间序列分为一类;
根据预设的迭代算法,对每个所述获胜神经元及各所述获胜神经元的邻域神经元的第一权值向量进行迭代训练,当满足预设条件时,停止迭代训练,得到第二权值向量;
分别计算每类所述正常多维时间序列与与其对应的所述第二权值向量的第二距离值,并从中选出最小第二距离值所对应的正常多维时间序列作为最终多维时间序列;
根据得到的各所述最终多维时间序列建立多变量状态估计记忆矩阵。
进一步地,所述检测单元具体用于:
获取所述待检测物的待检测数据,所述待检测数据包括所述待检测物在预设时刻的待检测多维时间序列;
根据所述多变量状态估计记忆矩阵计算所述待检测多维时间序列的预测值;
根据所述预测值计算所述待检测多维时间序列的残差;
根据所述残差判断所述待检测物是否异常。
进一步地,所述检测单元具体还用于:
当所述待检测多维时间序列为多个时,获取多个所述待检测多维时间序列的残差;
根据滑动窗口法计算所述残差的残差均值和标准差,并根据所述残差均值和所述标准差判断所述待检测物是否异常。
本发明的有益效果是:本发明提供的一种异常检测系统,采用基于多维时间序列分析的异常检测方法,充分挖掘复杂跳变数据间的相关性和前后关系,提高了对复杂跳变数据的异常检测的精准度,能够有效解决对复杂跳变数据的异常检测误检率高的问题。
并且,本发明通过二维自组织映射特征网络结构对多变量状态估计记忆矩阵的构建方法进行优化,保证得到的异常检测模型能够覆盖所有正常运行状态,同时实现了正常状态记忆矩阵的简约表达,有助于提高异常检测的准确性和时效性。
本发明提供的异常检测系统,除了可以用于航空航天领域的空间有效载荷的异常检测,还可以推广到复杂机电设备的异常检测领域,在对复杂机电设备进行检测时,通过对复杂机电设备的实时检测数据进行在线分析,实时评价复杂机电设备的运行状态,挖掘和检测复杂机电设备的潜在异常并及时采取处理措施,能够有效避免严重故障或事故的发生。
本发明附加的方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明实践了解到。
附图说明
图1为本发明一个实施例提供的一种异常检测方法的流程示意图;
图2为本发明另一实施例提供的一种异常检测方法的流程示意图;
图3为本发明另一实施例提供的一种异常检测方法中滑动窗口统计方法的原理示意图;
图4为本发明另一实施例提供的一种异常检测系统的结构框架图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,为本发明一个实施例提供的一种异常检测方法的流程示意图,该异常检测方法可以用于复杂机电设备和航空航天领域的空间有效载荷的异常检测,具体可以用于检测设备的工作参数等,该异常检测方法包括:
S1,获取用于表示待检测物的正常状态的多维时间序列矩阵。
需要说明的是,待检测物可以是空间有效载荷,例如,多光谱扫描仪、红外扫描仪、合成孔径雷达、微波辐射计、微波散射计、雷达高度计、超光谱成像仪等;也可以是机电设备,例如,加工车床、计算机、机器人、液压系统等;还可以是待检测的参数本身,例如、电流、温度、工作状态等。
待检测物的正常状态可以为待检测物的全部正常状态,假设对于某待检测物来说,需要检测其某一项指标A,指标A与n个参数有关联,那么就建立n维时间序列,将指标A的全部状态都用n维时间序列表示出来,可以表示为:X(i)=[x1 x2 … xn]T,再从得到的全部n维时间序列中选取能够表示正常工作状态的全部时间序列,假设有m个用于表示正常工作状态的n维时间序列,那么就可以得到m×n的多维时间序列矩阵D。
矩阵D可以表示为:
例如,对于加工车床来说,需要检测其工作电流,那么假设工作电流与工作温度、工作时间、工作磁场强度这三个参数有关联,那么就可以建立3维时间序列矩阵,将工作电流对应的全部状态用3维时间序列矩阵表示出来,假设共有100个3维时间序列矩阵,其中有10个表示工作电流的正常工作状态,那么,就可以得到10×3的一个多维时间矩阵D了。例如,对于其中的一个表示工作电流的正常工作状态的3维时间序列矩阵来说,其可以表示为[20℃,20min,0.5T],表示当工作温度为20℃、工作时间为20min、工作磁场强度为0.5T时,工作电流是正常的。
S2,建立二维自组织映射特征网络结构,通过二维自组织映射特征网络结构对多维时间序列矩阵进行迭代训练,得到多变量状态估计记忆矩阵。
需要说明的是,本领域技术人员可以理解,得到多变量状态估计记忆矩阵具体体现为实现多变量状态估计记忆矩阵的简约表达,也就是说得到的是简约的多变量状态估计记忆矩阵。
例如,可以构建输入层节点数为n,映射层节点为q×q的二维自组织映射特征特征网络结构,其中,输入层可表示代表任一时刻的n维时间序列,每个映射层神经元代表n维权值向量,二维自组织映射特征网络结构通过计算输入层n维时间序列与映射层n维权值向量之间的距离获得距离输入向量最近的神经元,即获胜神经元,然后通过不断的调整获胜神经元及临近范围内神经元的权值向量使得映射层神经元对某一类输入向量敏感,从而达到分类的目的,得到多变量状态估计记忆矩阵。
例如,假设二维自组织映射特征网络结构最终将输入向量分成了q类,那么训练后的矩阵D可以表示为:
其中,q表示待检测物待检测的目标参数具有q个正常工作状态,记忆矩阵中每一个n维时间序列X(i),1≤i≤q,都代表有效载荷的一个正常工作状态。
基于二维自组织映射特征网络结构的记忆矩阵构建方法通过二维自组织映射特征网络结构获得组成表征不同正常状态的多维时间序列,既保证了记忆矩阵能够覆盖有效载荷全部正常状态,又实现了记忆矩阵的简约表达,提高了异常检测的准确性和时效性。
优选地,可以通过二维自组织映射特征网络结构的自动分类能力对多维时间序列矩阵进行迭代训练。
优选地,可以基于距离的分类对多维时间序列矩阵进行迭代训练。
优选地,还可以基于密度的分类对多维时间序列矩阵进行迭代训练。
优选地,还可以基于类聚的分类对多维时间序列矩阵进行迭代训练。
S3,根据多变量状态估计记忆矩阵对待检测物的待检测数据进行异常检测。
需要说明的是,在得到了记忆矩阵后,就可以根据记忆矩阵对实时获取的待检测数据进行异常检测了,例如,可以检测待检测数据与记忆矩阵的偏离程度,偏离程度大于一定值后,可以认为待检测数据出现了异常;又例如,还可以根据记忆矩阵计算待检测数据的预测值,在将预测值与待检测数据进行比较,根据比较结果判断待检测数据是否出现异常。
优选地,本实施例中是所使用的是多元状态评估技术进行异常检测,还可以采用自回归滑动平均模型、最小二乘支持向量机、核主成分分析等方法代替。
本实施例提供的一种异常检测方法,采用基于多维时间序列分析的异常检测方法,充分挖掘复杂跳变数据间的相关性和前后关系,提高了对复杂跳变数据的异常检测的精准度,能够有效解决对复杂跳变数据的异常检测误检率高的问题。
并且,本实施例通过二维自组织映射特征网络结构对多变量状态估计记忆矩阵的构建方法进行优化,保证得到的异常检测模型能够覆盖所有正常运行状态,同时实现了正常状态记忆矩阵的简约表达,有助于提高异常检测的准确性和时效性。
本实施例提供的异常检测方法,除了可以用于航空航天领域的空间有效载荷的异常检测,还可以推广到复杂机电设备的异常检测领域,在对复杂机电设备进行检测时,通过对复杂机电设备的实时检测数据进行在线分析,实时评价复杂机电设备的运行状态,挖掘和检测复杂机电设备的潜在异常并及时采取处理措施,能够有效避免严重故障或事故的发生。
如图2所示,为本发明另一实施例提供的一种异常检测方法的流程示意图,在上述实施例的基础上,对本发明进行进一步的说明,该异常检测方法包括:
S1,获取用于表示待检测物的正常状态的多维时间序列矩阵。
优选地,步骤S1具体可以包括:
S11,确定影响待检测物的多个因素,分别获取各因素的全部影响因子。
需要说明的是,因素指的是与待检测物存在关联的参数,即因素会对待检测物产生影响,使待检测物因因素的存在或改变而产生改变。例如,因素可以为目标参数本身、上一时刻的目标参数、运行工况参数以及结合工作原理或物理模型选取的关联参数等。
具体地,假设待检测物是电流,那么与其存在关联的因素可以为工作磁场强度、温度、上一时刻的电流状态等;假设待检测物是计算机,那么与其存在关联的因素可以为电流、工作时间、温度、空气酸碱度等。
下面以一个因素为例,对影响因子进行说明。假设因素为温度,那么影响因子就可以为具体的温度值。
S12,根据各因素的全部影响因子,生成维度与因素的数量相同的多个初始多维时间序列。
例如,假设某待检测物A有10个与其有关联的因素,那么就可以生成初始10维时间序列,数量可以根据各因素的影响因子的数量确定,对于该待检测来说,这初始10维时间序列就可以表示待检测物的全部状态了。
S13,从全部的初始多维时间序列中选取表示待检测物正常状态的全部的正常多维时间序列。
例如,对于待检测物A来说,其有100个初始10维时间序列,假设在这100个初始10维时间序列中,有80个代表正常状态的10维时间序列,那么则将这80个初始10维时间序列提取出来。
S14,根据全部的正常多维时间序列建立用于表示待检测物的正常状态的多维时间序列矩阵。
例如,对于待检测物A来说,可以得到一个80×10的多维时间序列矩阵,这个时间序列矩阵包含了待检测物A的全部正常状态,每1个10维时间序列,都代表一种正常状态。
通过获取能够影响待检测物的全部影响因素,并以此建立用于表示待检测物的正常状态的多维时间序列矩阵,能够保证得到的异常检测模型覆盖所有正常运行状态,同时实现了正常状态记忆矩阵的简约表达,有助于提高异常检测的准确性和时效性。
S2,建立二维自组织映射特征网络结构,通过二维自组织映射特征网络结构对多维时间序列矩阵进行迭代训练,得到多变量状态估计记忆矩阵。
优选地,步骤S2具体可以包括:
S21,获取二维自组织映射特征网络结构中,输入层神经元到映射层神经元连接的全部的第一权值向量。
需要说明的是,在步骤S21之前,还包括对二维自组织映射特征网络结构的初始化步骤。
由于二维映射层为q×q结构,因此初始化后的二维自组织映射特征网络结构具有数目为q×q的n维权值向量。
二维自组织映射特征网络结构的学习过程中每次迭代通过控制邻域尺寸及邻域神经元数目来实现全局的权值向量调整,邻域尺寸表示每次迭代需要调整权值向量的获胜神经元邻域范围大小,邻域尺寸一般用邻域强度NS表示,邻域强度利用获胜神经元与临近神经元的距离表示;学习率β表示迭代过程中映射层神经元调整权值的比率,学习过程中邻域强度和学习率不断更新,初始邻域强度和学习率一般较大,因此为保证二维自组织映射特征网络结构在学习过程能够较好的收敛,一般被赋值较小的权值。
S22,分别计算每个正常多维时间序列与映射层各第一权值向量的第一距离值,并从中选出最小第一距离值所对应的映射层神经元作为正常多维时间序列的获胜神经元,并将获胜神经元相同的正常多维时间序列分为一类。
需要说明的是,这里的第一权值向量指的是初始权值向量。
具体地,在得到获胜神经元后,通过对获胜神经元及邻域范围的神经元的权值进行调整,获得第一次迭代后的权值向量。
例如,可以通过以下公式计算每个正常多维时间序列与映射层各第一权值向量的第一距离值:
其中,X(i)表示矩阵D中第i个n维输入向量(正常多维时间序列),i=1~m,Wk表示第k个映射层n维权值向量,其中,k=q×q;xij表示第i个n维输入向量的第j个元素,ωkj表示第k个映射层n维权值向量的第j个元素,j=1~n,dik表示输入层第i个输入向量到第k个映射层神经元(第一权值向量)的距离,计算过程中距离输入向量最近的映射层神经元即为获胜神经元。
S23,根据预设的迭代算法,对每个获胜神经元及各获胜神经元的邻域神经元的第一权值向量进行迭代训练,当满足预设条件时,停止迭代训练,得到第二权值向量。
具体地,对步骤S1中得到的多维时间序列矩阵中的每个时间序列进行获胜神经元的求取,并对每次的获胜神经元及邻域内神经元的权值进行调整。
需要说明的是,在迭代训练过程中,邻域尺寸和学习率可按照线性函数或者指数函数进行改变。
例如,邻域尺寸缩减的线性函数和指数函数可以为σt=σo(1-t/T)和σt=σoExp[-t/T],同时,学习率的衰减线性函数和指数函数可以为βt=βo(1-t/T)和βt=βoExp(-t/T),其中σo和βo分别表示初始邻域尺寸和初始学习率,t表示第t次迭代,T为总迭代次数。因此学习迭代过程中权值的更新公式可以表示为:
wj(t)=wj(t-1)+β(t)NS(d,t)[x(t)-wj(t-1)];
其中,wj(t)表示在第t次迭代后的权值更新,wj(t-1)表示在前一次迭代的权值更新;β(t)是随迭代t变化的学习率,NS(d,t)表示邻点强度,d表示获胜神经元到邻域神经元的距离;x(t)是在第t次迭代所表示的输入向量。
需要说明的是,预设条件为当各输入向量与各自的聚类中心之间的平均距离D最小时,迭代过程结束,网络结构达到稳定状态。其中,聚类中心指的是在将获胜神经元相同的正常多维时间序列分为一类后,这一个类正常多维时间序列的中心。
例如,平均距离D可以表示为:
其中,xn是属于聚类ci的第n个输入向量,聚类ci的中心由wi所表示,也就是说,获胜神经元的权值向量代表了聚类ci,这里包含k个聚类,两次求和表示在所有聚类之间计算距离。
S24,分别计算每类正常多维时间序列与与其对应的第二权值向量的第二距离值,并从中选出最小第二距离值所对应的正常多维时间序列作为最终多维时间序列。
需要说明的是,得到的第二权值向量是经过优化稳定后的权值向量,即每个聚类的中心,最终多维时间序列指的是是记忆矩阵的多维时间序列。
假设最终将输入向量分成了q类,那么在计算第二距离值后,可以得到q个第二距离值最小的n维时间序列。
S25,根据得到的各最终多维时间序列建立多变量状态估计记忆矩阵。
S3,根据多变量状态估计记忆矩阵对待检测物的待检测数据进行异常检测。
优选地,步骤S3具体可以包括:
S31,获取待检测物的待检测数据,待检测数据包括待检测物在预设时刻的待检测多维时间序列。
需要说明的是,待检测物的待检测数据可以为实时获得的。例如,输入的某一时刻的待检测数据的多维时间序列可以为Xobs=[x1 x2 … xq]。
S32,根据多变量状态估计记忆矩阵计算待检测多维时间序列的预测值。
例如,可以针对每一个多维时间序列Xobs=[x1 x2 … xq],都生成一个权值向量W,W=[w1 w2 … wq]T,那么实时的在线异常检测过程中,对于每一个多维时间序列的预测值Xest可以表示为:
Xest=D·W=w1·X(1)+w2·X(2)+…wq·X(q)。
需要说明的是,上式中的D指的是经过二维自组织映射特征网络结构训练后得到的多变量状态估计记忆矩阵。
优选地,可以通过残差极小化方法求解权值向量W:
需要说明的是,其中为非线性运算符,起具体计算类型有多种,优选地,本实施例中选用两向量间的欧式距离,具有计算简便快捷的优点。
权重向量W反映了输入的多维时间序列与记忆矩阵中各向量的相似性,最终,预测值Xest可以表示为:
S33,根据预测值计算待检测多维时间序列的残差。
需要说明的是,上式中,表示预测值Xest为记忆矩阵的q个多位时间序列的线性组合,因此,输入的多维时间序列Xobs与预测值Xest之间的残差可以为:
ε=Xest-Xobs。
S34,根据残差判断待检测物是否异常。
需要说明的是,以空间有效载荷设备为例,在空间有效载荷设备工作正常时,输入的待检测数据位于记忆矩阵所代表的正常工作空间内,与记忆矩阵中的某些历史观测向量距离较近,预测值Xest具有很高的精度。当设备工作状态发生变化或出现故障隐患时,输入观测向量将偏离正常工作空间,通过记忆矩阵中历史观测向量的组合无法构造其对应的精确预测值,预测精度下降,残差增大,因此,可以通过残差的变化来判断异常。
通过计算待检测多维时间序列的残差,根据残差判断待检测物是否异常,能够准确迅速地得到检测结果,具有检测灵敏迅速准确的优点。
优选地,当待检测多维时间序列为多个时,根据预测值计算待检测多维时间序列的残差之后,还可以包括以下步骤:
获取多个待检测多维时间序列的残差,根据滑动窗口法计算残差的残差均值和标准差,并根据残差均值和标准差判断待检测物是否异常。
假设滑动窗口宽度为N,预测残差序列为ε=[ε1 ε2 … εN],则滑动窗口内的均值和标准差εS分别为:
如图3所示,为滑动窗口统计方法的原理示意图,其中,纵轴表示残差窗口,横轴表示残差序列。当待检测物处于正常状态时,记忆矩阵预测的精度较高,预测残差的均值接近与0,且标准差εS较小。当待检测物出现异常或故障时,预测精度降低,导致滑动窗口统计的残差分布均值和标准差εS超出阈值,就能够得到待检测物的在线监测参数出现异常,实现对待检测物的异常检测。
同时,当输入的待检测数据只是出现偶然扰动等时,基于滑动窗口统计方法的均值和标准差分析能够过滤掉这种扰动,不会出现异常提示。
基于滑动窗口法对多个待检测多维时间序列的残差进行分析,能够实时地进行检测分析,并且能够避免由于外部工况或干扰因素引起的局部奇异点造成的误报,具有算法简单、适合在线实时分析的优点。
本实施例提供的一种异常检测方法,采用基于多维时间序列分析的异常检测方法,充分挖掘复杂跳变数据间的相关性和前后关系,提高了对复杂跳变数据的异常检测的精准度,能够有效解决对复杂跳变数据的异常检测误检率高的问题。
并且,本发明通过二维自组织映射特征网络结构对多变量状态估计记忆矩阵的构建方法进行优化,保证得到的异常检测模型能够覆盖所有正常运行状态,同时实现了正常状态记忆矩阵的简约表达,有助于提高异常检测的准确性和时效性。
本发明提供的异常检测方法,除了可以用于航空航天领域的空间有效载荷的异常检测,还可以推广到复杂机电设备的异常检测领域,在对复杂机电设备进行检测时,通过对复杂机电设备的实时检测数据进行在线分析,实时评价复杂机电设备的运行状态,挖掘和检测复杂机电设备的潜在异常并及时采取处理措施,能够有效避免严重故障或事故的发生。
如图4所示,为本发明另一实施例提供的一种异常检测系统的结构框架图,该系统包括:
获取单元1,用于获取用于表示待检测物的正常状态的多维时间序列矩阵。
建模单元2,用于建立二维自组织映射特征网络结构,通过二维自组织映射特征网络结构对多维时间序列矩阵进行迭代训练,得到多变量状态估计记忆矩阵。
检测单元3,用于根据多变量状态估计记忆矩阵对待检测物的待检测数据进行异常检测。
需要说明的是,获取单元1、建模单元2和检测单元3只是概括性概念,其实际应用中可以对应不同的功能实体。
例如,对于获取单元1来说,当需要检测某个机电设备的电流时,那么获取单元1就可以包括与该机电设备的电路系统连接的电流接口,以及将采集到的电流信息发送给异常检测系统的通信线,还可以包括采集机电设备环境温度的传感器、采集机电设备工作磁场强度的磁感应传感器等。
又例如,对于空间有效载荷设备来说,获取单元1可以包括能够对该载荷设备产生影响的其他载荷设备的数据接口,还可以包括接收地面发送的控制指令的接收器等,还可以包括处理芯片,用于根据获取的其他载荷设备的数据、控制指令等能够对待检测物产生影响和关联的数据建立多维时间序列矩阵。
又例如,对于建模单元2来说,其可以包括神经网络计算机,也可以包括由多个计算终端组成的计算集群系统,用于神经网络的训练。
又例如,对于检测单元3来说,其可以包括存储有预设检测条件的终端等。
获取单元1、建模单元2和检测单元3之间可以通过有线或无线的方式进行通信,例如,以电磁波、激光等为传输介质,进行无线数据交换,或通过光缆、电缆等进行有线数据交换。
优选地,获取单元1具体用于:
确定影响待检测物的多个因素,分别获取各因素的全部影响因子。
根据各因素的全部影响因子,生成维度与因素的数量相同的多个初始多维时间序列。
从全部的初始多维时间序列中选取表示待检测物正常状态的全部的正常多维时间序列。
根据全部的正常多维时间序列建立用于表示待检测物的正常状态的多维时间序列矩阵。
优选地,建模单元2具体用于:
获取二维自组织映射特征网络结构中,输入层神经元到映射层神经元连接的全部的第一权值向量。
分别计算每个正常多维时间序列与映射层各第一权值向量的第一距离值,并从中选出最小第一距离值所对应的映射层神经元作为正常多维时间序列的获胜神经元,并将获胜神经元相同的正常多维时间序列分为一类。
根据预设的迭代算法,对每个获胜神经元及各获胜神经元的邻域神经元的第一权值向量进行迭代训练,当满足预设条件时,停止迭代训练,得到第二权值向量。
分别计算每类正常多维时间序列与与其对应的第二权值向量的第二距离值,并从中选出最小第二距离值所对应的正常多维时间序列作为最终多维时间序列。
根据得到的各最终多维时间序列建立多变量状态估计记忆矩阵。
优选地,检测单元3具体用于:
获取待检测物的待检测数据,待检测数据包括待检测物在预设时刻的待检测多维时间序列。
根据多变量状态估计记忆矩阵计算待检测多维时间序列的预测值。
根据预测值计算待检测多维时间序列的残差。
根据残差判断待检测物是否异常。
优选地,检测单元3具体还用于:
当待检测多维时间序列为多个时,获取多个待检测多维时间序列的残差。
根据滑动窗口法计算残差的残差均值和标准差,并根据残差均值和标准差判断待检测物是否异常。
本实施例提供的一种异常检测系统,采用基于多维时间序列分析的异常检测方法,充分挖掘复杂跳变数据间的相关性和前后关系,提高了对复杂跳变数据的异常检测的精准度,能够有效解决对复杂跳变数据的异常检测误检率高的问题。
并且,本发明通过二维自组织映射特征网络结构对多变量状态估计记忆矩阵的构建方法进行优化,保证得到的异常检测模型能够覆盖所有正常运行状态,同时实现了正常状态记忆矩阵的简约表达,有助于提高异常检测的准确性和时效性。
本发明提供的异常检测系统,除了可以用于航空航天领域的空间有效载荷的异常检测,还可以推广到复杂机电设备的异常检测领域,在对复杂机电设备进行检测时,通过对复杂机电设备的实时检测数据进行在线分析,实时评价复杂机电设备的运行状态,挖掘和检测复杂机电设备的潜在异常并及时采取处理措施,能够有效避免严重故障或事故的发生。
读者应理解,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种异常检测方法,其特征在于,包括:
获取用于表示待检测物的正常状态的多维时间序列矩阵;
建立二维自组织映射特征网络结构,通过所述二维自组织映射特征网络结构对所述多维时间序列矩阵进行迭代训练,得到多变量状态估计记忆矩阵;
根据所述多变量状态估计记忆矩阵对所述待检测物的待检测数据进行异常检测。
2.根据权利要求1所述的异常检测方法,其特征在于,所述获取用于表示待检测物的正常状态的多维时间序列矩阵,具体包括:
确定影响待检测物的多个因素,分别获取各所述因素的全部影响因子;
根据各所述因素的全部影响因子,生成维度与所述因素的数量相同的多个初始多维时间序列;
从全部的所述初始多维时间序列中选取表示所述待检测物正常状态的全部的正常多维时间序列;
根据全部的所述正常多维时间序列建立用于表示待检测物的正常状态的多维时间序列矩阵。
3.根据权利要求2所述的异常检测方法,其特征在于,所述通过所述二维自组织映射特征网络结构对所述多维时间序列矩阵进行迭代训练,得到多变量状态估计记忆矩阵,具体包括:
获取所述二维自组织映射特征网络结构中,输入层神经元到映射层神经元连接的全部的第一权值向量;
分别计算每个所述正常多维时间序列与映射层各所述第一权值向量的第一距离值,并从中选出最小第一距离值所对应的映射层神经元作为所述正常多维时间序列的获胜神经元,并将获胜神经元相同的正常多维时间序列分为一类;
根据预设的迭代算法,对每个所述获胜神经元及各所述获胜神经元的邻域神经元的第一权值向量进行迭代训练,当满足预设条件时,停止迭代训练,得到第二权值向量;
分别计算每类所述正常多维时间序列与与其对应的所述第二权值向量的第二距离值,并从中选出最小第二距离值所对应的正常多维时间序列作为最终多维时间序列;
根据得到的各所述最终多维时间序列建立多变量状态估计记忆矩阵。
4.根据权利要求1至3中任一项所述的异常检测方法,其特征在于,所述根据所述多变量状态估计记忆矩阵对所述待检测物的待检测数据进行异常检测,具体包括:
获取所述待检测物的待检测数据,所述待检测数据包括所述待检测物在预设时刻的待检测多维时间序列;
根据所述多变量状态估计记忆矩阵计算所述待检测多维时间序列的预测值;
根据所述预测值计算所述待检测多维时间序列的残差;
根据所述残差判断所述待检测物是否异常。
5.根据权利要求4所述的异常检测方法,其特征在于,当所述待检测多维时间序列为多个时,所述根据所述预测值计算所述待检测多维时间序列的残差之后,还包括:
获取多个所述待检测多维时间序列的残差;
根据滑动窗口法计算所述残差的残差均值和标准差,并根据所述残差均值和所述标准差判断所述待检测物是否异常。
6.一种异常检测系统,其特征在于,包括:
获取单元,用于获取用于表示待检测物的正常状态的多维时间序列矩阵;
建模单元,用于建立二维自组织映射特征网络结构,通过所述二维自组织映射特征网络结构对所述多维时间序列矩阵进行迭代训练,得到多变量状态估计记忆矩阵;
检测单元,用于根据所述多变量状态估计记忆矩阵对所述待检测物的待检测数据进行异常检测。
7.根据权利要求6所述的异常检测系统,其特征在于,所述获取单元具体用于:
确定影响待检测物的多个因素,分别获取各所述因素的全部影响因子;
根据各所述因素的全部影响因子,生成维度与所述因素的数量相同的多个初始多维时间序列;
从全部的所述初始多维时间序列中选取表示所述待检测物正常状态的全部的正常多维时间序列;
根据全部的所述正常多维时间序列建立用于表示待检测物的正常状态的多维时间序列矩阵。
8.根据权利要求7所述的异常检测系统,其特征在于,所述建模单元具体用于:
获取所述二维自组织映射特征网络结构中,输入层神经元到映射层神经元连接的全部的第一权值向量;
分别计算每个所述正常多维时间序列与映射层各所述第一权值向量的第一距离值,并从中选出最小第一距离值所对应的映射层神经元作为所述正常多维时间序列的获胜神经元,并将获胜神经元相同的正常多维时间序列分为一类;
根据预设的迭代算法,对每个所述获胜神经元及各所述获胜神经元的邻域神经元的第一权值向量进行迭代训练,当满足预设条件时,停止迭代训练,得到第二权值向量;
分别计算每类所述正常多维时间序列与与其对应的所述第二权值向量的第二距离值,并从中选出最小第二距离值所对应的正常多维时间序列作为最终多维时间序列;
根据得到的各所述最终多维时间序列建立多变量状态估计记忆矩阵。
9.根据权利要求6至8中任一项所述的异常检测系统,其特征在于,所述检测单元具体用于:
获取所述待检测物的待检测数据,所述待检测数据包括所述待检测物在预设时刻的待检测多维时间序列;
根据所述多变量状态估计记忆矩阵计算所述待检测多维时间序列的预测值;
根据所述预测值计算所述待检测多维时间序列的残差;
根据所述残差判断所述待检测物是否异常。
10.根据权利要求9所述的异常检测系统,其特征在于,所述检测单元具体还用于:
当所述待检测多维时间序列为多个时,获取多个所述待检测多维时间序列的残差;
根据滑动窗口法计算所述残差的残差均值和标准差,并根据所述残差均值和所述标准差判断所述待检测物是否异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711226190.9A CN107967489A (zh) | 2017-11-29 | 2017-11-29 | 一种异常检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711226190.9A CN107967489A (zh) | 2017-11-29 | 2017-11-29 | 一种异常检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107967489A true CN107967489A (zh) | 2018-04-27 |
Family
ID=61998156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711226190.9A Pending CN107967489A (zh) | 2017-11-29 | 2017-11-29 | 一种异常检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107967489A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108845546A (zh) * | 2018-06-11 | 2018-11-20 | 宁波大学 | 一种基于bp神经网络自回归模型的动态过程监测方法 |
CN110096647A (zh) * | 2019-05-10 | 2019-08-06 | 腾讯科技(深圳)有限公司 | 优化量化模型的方法、装置、电子设备及计算机存储介质 |
CN110399268A (zh) * | 2019-07-26 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 一种异常数据检测的方法、装置及设备 |
CN110795510A (zh) * | 2019-10-22 | 2020-02-14 | 北京空间技术研制试验中心 | 基于高维数据关联挖掘的航天器系统健康状态评估方法 |
CN112098850A (zh) * | 2020-09-21 | 2020-12-18 | 山东工商学院 | 基于sdo算法的锂离子电池电压故障诊断方法及系统 |
CN113407905A (zh) * | 2021-06-28 | 2021-09-17 | 中孚安全技术有限公司 | 一种实体行为基线分析方法、系统及终端设备 |
CN113780352A (zh) * | 2021-08-10 | 2021-12-10 | 北京自动化控制设备研究所 | 一种基于神经网络的卫星接收机健康管理方法 |
CN115018053A (zh) * | 2022-06-16 | 2022-09-06 | 河南工业大学 | 自组织鲁棒宽度网络的空气质量监测数据校准方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102606557A (zh) * | 2012-01-16 | 2012-07-25 | 北京航空航天大学 | 一种基于故障观测器与som的液压系统健康评估方法 |
CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
CN104986347A (zh) * | 2015-06-03 | 2015-10-21 | 中国民航大学 | 一种民机航线飞行员操作差错的实时检测方法 |
CN105300528A (zh) * | 2015-10-12 | 2016-02-03 | 国家电网公司 | 变电站设备红外图像诊断方法及系统 |
CN105701007A (zh) * | 2014-11-28 | 2016-06-22 | 航天信息股份有限公司 | 提取税务系统典型测试用例的方法及系统 |
-
2017
- 2017-11-29 CN CN201711226190.9A patent/CN107967489A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102606557A (zh) * | 2012-01-16 | 2012-07-25 | 北京航空航天大学 | 一种基于故障观测器与som的液压系统健康评估方法 |
CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
CN105701007A (zh) * | 2014-11-28 | 2016-06-22 | 航天信息股份有限公司 | 提取税务系统典型测试用例的方法及系统 |
CN104986347A (zh) * | 2015-06-03 | 2015-10-21 | 中国民航大学 | 一种民机航线飞行员操作差错的实时检测方法 |
CN105300528A (zh) * | 2015-10-12 | 2016-02-03 | 国家电网公司 | 变电站设备红外图像诊断方法及系统 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108845546A (zh) * | 2018-06-11 | 2018-11-20 | 宁波大学 | 一种基于bp神经网络自回归模型的动态过程监测方法 |
CN108845546B (zh) * | 2018-06-11 | 2020-10-27 | 宁波大学 | 一种基于bp神经网络自回归模型的动态过程监测方法 |
CN110096647B (zh) * | 2019-05-10 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 优化量化模型的方法、装置、电子设备及计算机存储介质 |
CN110096647A (zh) * | 2019-05-10 | 2019-08-06 | 腾讯科技(深圳)有限公司 | 优化量化模型的方法、装置、电子设备及计算机存储介质 |
CN110399268A (zh) * | 2019-07-26 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 一种异常数据检测的方法、装置及设备 |
CN110399268B (zh) * | 2019-07-26 | 2023-09-26 | 创新先进技术有限公司 | 一种异常数据检测的方法、装置及设备 |
CN110795510A (zh) * | 2019-10-22 | 2020-02-14 | 北京空间技术研制试验中心 | 基于高维数据关联挖掘的航天器系统健康状态评估方法 |
CN110795510B (zh) * | 2019-10-22 | 2023-05-23 | 北京空间技术研制试验中心 | 基于高维数据关联挖掘的航天器系统健康状态评估方法 |
CN112098850A (zh) * | 2020-09-21 | 2020-12-18 | 山东工商学院 | 基于sdo算法的锂离子电池电压故障诊断方法及系统 |
CN112098850B (zh) * | 2020-09-21 | 2024-03-08 | 山东工商学院 | 基于sdo算法的锂离子电池电压故障诊断方法及系统 |
CN113407905A (zh) * | 2021-06-28 | 2021-09-17 | 中孚安全技术有限公司 | 一种实体行为基线分析方法、系统及终端设备 |
CN113780352A (zh) * | 2021-08-10 | 2021-12-10 | 北京自动化控制设备研究所 | 一种基于神经网络的卫星接收机健康管理方法 |
CN115018053A (zh) * | 2022-06-16 | 2022-09-06 | 河南工业大学 | 自组织鲁棒宽度网络的空气质量监测数据校准方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107967489A (zh) | 一种异常检测方法及系统 | |
Li et al. | Recent advances in sensor fault diagnosis: A review | |
CN108038300B (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
EP3299840B1 (en) | Scalable real-time location detection based on overlapping neural networks | |
CN109934337A (zh) | 一种基于集成lstm的航天器遥测数据异常的检测方法 | |
Zhang et al. | A cable fault recognition method based on a deep belief network | |
CN109818798A (zh) | 一种融合kpca和elm的无线传感器网络入侵检测系统及方法 | |
CN105572572B (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
CN107677472A (zh) | 面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法 | |
CN111461187B (zh) | 一种建筑物沉降智能检测系统 | |
CN106707221A (zh) | 一种电能计量装置中传感器故障诊断方法及系统 | |
CN108921230A (zh) | 基于类均值核主元分析和bp神经网络的故障诊断方法 | |
CN108520310A (zh) | 基于G-L混合噪声特性v-支持向量回归机的风速预报方法 | |
Tabakhpour et al. | Neural network model for false data detection in power system state estimation | |
CN108062566A (zh) | 一种基于多核潜在特征提取的智能集成软测量方法 | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
Miao et al. | Multi-heterogeneous sensor data fusion method via convolutional neural network for fault diagnosis of wheeled mobile robot | |
CN108804720A (zh) | 一种基于改进无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法 | |
Oliveira et al. | Applying particle swarm optimization algorithm for tuning a neuro-fuzzy inference system for sensor monitoring | |
Mo et al. | Uhf RFID indoor localization algorithm based on BP-SVR | |
Pandit et al. | Contingency ranking for voltage collapse using parallel self-organizing hierarchical neural network | |
CN109861220B (zh) | 电力系统分析用深度卷积神经网络张量输入构建方法 | |
Li et al. | Abnormal signal recognition method of wearable sensor based on machine learning | |
CN113973403B (zh) | 基于结构离散测点拓扑的温致应变场重分布智能感知方法 | |
CN109444055A (zh) | 一种盐碱地土壤盐分含量的高光谱计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180427 |
|
RJ01 | Rejection of invention patent application after publication |