版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、近年來,隨著傳感、通信及信息處理技術(shù)的不斷發(fā)展,使得監(jiān)控工業(yè)生產(chǎn)過程和設(shè)備狀態(tài)成為可能,如何充分利用這些監(jiān)控數(shù)據(jù)及時發(fā)現(xiàn)異常模式,避免事故發(fā)生,減少不必要的人員傷亡和經(jīng)濟(jì)損失顯得尤為重要,因此,研究基于數(shù)據(jù)驅(qū)動的高效異常檢測方法具有重要的理論意義和實(shí)用價值。
本文結(jié)合煤層底板突水預(yù)測和輸送帶撕裂檢測這2個異常檢測應(yīng)用的需求,從支持向量機(jī)的基本理論、算法構(gòu)造和性能優(yōu)化等方面進(jìn)行了系統(tǒng)的分析和研究。首先,在異常檢測中常常由于異常樣
2、本缺乏導(dǎo)致類別不平衡,本文選用支持向量數(shù)據(jù)描述(SVDD)一類分類方法和支持向量機(jī)(SVM)相結(jié)合進(jìn)行異常檢測和識別;然后,針對檢測模型抗噪性和泛化性的改善、檢測效率的提高以及模型的可在線更新等問題進(jìn)行了重點(diǎn)研究。論文的主要創(chuàng)新工作包括以下內(nèi)容:
?。?)構(gòu)建了煤層底板突水預(yù)測和礦用輸送帶撕裂檢測2個檢測應(yīng)用特征數(shù)據(jù)集。在煤層底板突水預(yù)測方面,首先,基于當(dāng)前國內(nèi)外對底板突水機(jī)理的研究,分析了影響底板突水發(fā)生的主要因素,參考當(dāng)前已
3、發(fā)表研究成果,構(gòu)建了一個底板突水預(yù)測參考數(shù)據(jù)集;然后,針對山西西山晉興能源某礦底板承壓水突出預(yù)測問題,通過分析其水文地質(zhì)資料及勘探數(shù)據(jù),并經(jīng)地質(zhì)專家分析標(biāo)注,構(gòu)建了該礦的底板突水預(yù)測數(shù)據(jù)集。在輸送帶撕裂檢測方面,首先,采用機(jī)器視覺方法獲得輸送帶監(jiān)測圖像,然后進(jìn)行中值濾波降噪,并根據(jù)輸送帶撕裂圖像的特性,提取了灰度直方圖和灰度共生矩陣2項(xiàng)特征,構(gòu)建了輸送帶撕裂檢測數(shù)據(jù)集。
?。?)針對SVDD算法易受噪聲干擾導(dǎo)致檢測精度和泛化性能
4、下降,通過引入基于切斷距離局部密度懲罰權(quán)重來表征樣本、特別是邊界樣本的分布特性,然后在帶負(fù)類的SVDD算法基礎(chǔ)上,通過使用ε不敏感損失函數(shù)構(gòu)造兩類樣本的間隔,提出了兩種新的魯棒性SVDD方法,分別為R-SVDD和εNR-SVDD,并給出了其對應(yīng)的理論分析,最后通過UCI公共數(shù)據(jù)集、煤層底板突水預(yù)測數(shù)據(jù)集和輸送帶撕裂視覺特征數(shù)據(jù)集驗(yàn)證了提出方法具有較高的檢測正確率,并提高了抗噪性和泛化性。
?。?)針對特征選擇對異常檢測模型構(gòu)建的
5、重要影響,提出了增強(qiáng)人工蜂群-支持向量機(jī)(EABC-SVM)算法來實(shí)現(xiàn)有效的特征選擇。在增強(qiáng)人工蜂群算法中,運(yùn)用Cat混沌映射進(jìn)行種群初始化來提高種群多樣性,運(yùn)用提出的基于當(dāng)前最優(yōu)解的定向搜索方程來改善原始人工蜂群(ABC)算法的全局優(yōu)化能力和收斂速度。通過UCI數(shù)據(jù)集、底板突水預(yù)測數(shù)據(jù)集和輸送帶撕裂視覺特征數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)測試,并與原始ABC及其他ABC改進(jìn)方法結(jié)合SVM進(jìn)行特征選擇相比,EABC-SVM方法用于異常檢測特征選擇中能夠
6、得到更高的分類正確率,同時可以消除特征數(shù)據(jù)中的冗余變量,從而提高異常檢測的整體性能。
?。?)針對異常檢測應(yīng)用中,監(jiān)測數(shù)據(jù)流往往動態(tài)變化,隨著新樣本增加,傳統(tǒng)基于批數(shù)據(jù)處理的SVM分類模型不能有效更新,導(dǎo)致檢測正確率下降。為了有效解決該問題,提出了基于廣義KKT條件選擇最優(yōu)更新集的GKKT-ISVM增量學(xué)習(xí)算法,通過UCI數(shù)據(jù)集、底板突水預(yù)測數(shù)據(jù)集和輸送帶撕裂視覺特征數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,所提算法可以有效利用先前訓(xùn)練結(jié)果,結(jié)合
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于支持向量機(jī)的異常檢測關(guān)鍵問題研究及應(yīng)用.pdf
- 支持向量機(jī)文本分類的關(guān)鍵問題研究.pdf
- 孿生支持向量機(jī)關(guān)鍵問題的研究.pdf
- 基于特征選擇和支持向量機(jī)的異常檢測研究.pdf
- 基于支持向量機(jī)的用戶行為異常檢測方法研究.pdf
- 基于支持向量機(jī)系統(tǒng)調(diào)用跟蹤異常檢測建模研究.pdf
- 基于粒子群優(yōu)化支持向量機(jī)的異常入侵檢測研究.pdf
- 基于孿生支持向量機(jī)的入侵檢測及應(yīng)用研究
- 基于孿生支持向量機(jī)的入侵檢測及應(yīng)用研究.pdf
- 支持向量機(jī)系統(tǒng)調(diào)用跟蹤異常檢測建模研究.pdf
- 基于支持向量機(jī)的多用戶檢測的研究及應(yīng)用.pdf
- 基于支持向量機(jī)的行人檢測.pdf
- 基于支持向量機(jī)的入侵檢測技術(shù)的應(yīng)用研究.pdf
- 基于支持向量機(jī)的算法及應(yīng)用研究.pdf
- 基于孿生支持向量機(jī)的入侵檢測系統(tǒng)研究應(yīng)用.pdf
- 基于模糊支持向量機(jī)的入侵檢測研究.pdf
- 基于支持向量機(jī)的入侵檢測技術(shù).pdf
- 支持向量機(jī)若干問題及應(yīng)用研究.pdf
- 基于支持向量機(jī)的網(wǎng)絡(luò)攻擊檢測研究.pdf
- 基于支持向量機(jī)的無線電異常信號識別研究.pdf
評論
0/150
提交評論