导读:本文包含了新异类检测论文开题报告文献综述及选题提纲参考文献，主要关键词:数据流分类算法,概念漂移,概念进化,特征空间转换
新异类检测论文文献综述
金紫嫣[1]（2018）在《面向概念漂移数据流挖掘的新异类检测与分类方法研究》一文中研究指出目前,数据流挖掘技术受到了许多学者的关注,然而,传统的数据流挖掘技术在处理概念漂移、概念进化等方面仍存在亟待进一步解决的问题。因此,本文面向概念漂移数据流数据挖掘提出了一种改进性的新异类检测及分类算法,着重研究了基于数据流特征空间转换的数据流分类方法。本文主要研究工作和成果如下:1、对2000-2016年间概念漂移数据流分类算法主要成果进行了综述分析,并分类进行了实验对比研究,总结了不同类别的数据流分类算法之间的性能差异,指出了现有概念漂移数据流分类算法存在的主要问题及改进方向。2、研究提出了一种基于马氏距离改进的概念漂移数据流新异类检测及分类算法C&NCBM~((1))。该算法通过引入马氏距作为相似性度量,考虑了样本属性间的相关性,关注变量细微变化的作用,可以有效的检测概念漂移数据流中出现的新异类并标记,随后更新分类模型以适应数据流的变化提升算法的准确率。在人工数据集和UCI数据集上分别进行了算法分类性能以及概念漂移处理的对比实验,实验结果表明,C&NCBM算法在提升数据流分类准确率方面是有效的,分类准确率得到了提高,且能较好的处理数据流中的概念漂移。3、研究提出了基于ReliefF特征空间局部无损转换数据流分类算法LLHCCR~((2)),该算法对特征空间设定阈值,若超过限定阈值则使用ReliefF对特征属性进行筛选,否则使用特征空间无损转换方法。本方法降低了现有特征空间无损转换维度灾难的可能性,同时保证了算法的分类准确度,且显着减低了算法的分类时间。在人工数据集和UCI数据集上分别进行了算法分类性能以及概念漂移处理的对比实验,实验结果表明所提出的LLHCCR算法是有效可行的,在分类准确率、分类评估时间方面得到了有效改善,同时具备处理数据流概念漂移的能力。本文研究贡献:综述总结了2000-2016年间概念漂移数据流分类算法主要成果并进行了实验比较研究;从特征空间转换、新异类检测等方面对传统数据流分类算法进行了优化改进,实验结果表明,优化所提出算法是有效可行的。(本文来源于《南昌大学》期刊2018-06-02）
郭利花[2]（2017）在《基于新异类检测技术的变压器振动异常检测》一文中研究指出变压器是电网的关键设备之一,其可靠性与电网高效稳定的运行密切相关。振动法分析变压器运行状态已经取得了一定的成果,但仍存在实际数据样本不完备,特别是故障样本稀缺、故障模式不完备的问题。新异类检测方法通过对已知状态样本的建模,实现对异常或未知状态的检测,为变压器振动故障诊断研究提供了一种思路和方法。针对变压器振动异常检测中缺少故障样本的问题,建立了高斯核函数支持向量数据描述检测模型(SVDD检测模型)。总结分析了新异类检测方法,重点研究了单类支持向量机的两种模型:支持向量数据描述模型和v-支持向量分类器,并分析了衡量模型性能的指标;对变压器表面振动信号进行了频谱分析和能量分析,并用小波包分析技术提取了变压器表面振动特征向量,构建了变压器表面振动数据集;分析讨论了高斯带宽参数和平衡参数对检测模型的影响,并完成了参数设置。在标准数据集上验证了SVDD检测模型的有效性,变压器表面振动数据集的实验表明SVDD检测模型适用于变压器异常检测,并且变压器长期运行过程中振动特性会发生变化,检测模型需要具备连续学习的能力。考虑到变压器振动监测数据逐渐趋于完备以及涉及到大样本的增量学习问题,本文设计了一种基于快速凸包算法的支持向量数据描述增量学习(Q-ISVDD)算法。在标准数据集和变压器表面振动数据集的实验分析,结果表明Q-ISVDD比SVDD、Online SVDD时间复杂度较低,性能更优异;基于变压器表面振动数据集,在训练过程中,Q-ISVDD充分利用了变压器历史和当前样本,使训练的模型具备连续学习能力,可应用变压器振动在线异常检测。(本文来源于《华北电力大学》期刊2017-12-01）
周叶[3]（2015）在《基于新异类检测和支持向量机的水电机组诊断技术研究》一文中研究指出水电机组状态监测与故障诊断技术的研究与应用,是近年来水电行业的热门话题。通过状态监测系统对机组运行状态数据的展示和积累,利用数据挖掘和故障诊断技术进行机组运行状态评估,可以发现机组可能存在的潜在故障和性能劣化的趋势,最终实现机组的状态检修。目前水电厂安装了大量的状态监测系统,在此基础上,如何进一步利用这些存储的长期海量数据,推进状态监测的深入应用,并开展诊断方法的应用研究,是当前状态监测与诊断技术在水电行业遇到的瓶颈和难点。而在水电机组故障诊断的分析过程中,常常存在先验知识缺乏、故障样本稀少或故障模式不完备的问题。针对水电机组的故障诊断技术大多采用基于知识的方法,这些方法对明确的故障状态数据能得到较好的效果,但作为低速旋转设备的水电机组,由于其运行机理的复杂性,很难得到清晰的故障模式,以及这些模式对应的特征数据。针对这些问题,本文以水电机组振动、摆度和温度等常见状态测点的长期数据作为研究对象,开展基于新异类检测方法和支持向量机技术的水电机组诊断研究。论文的主要撰写思路是从征兆的统计特征分析开始,到基于新异类检测(单类支持向量机)的建模和评估方法研究,再推广到基于支持向量机的多类故障诊断和趋势预估。论文前半部分分析了故障诊断的基础条件--故障征兆的特征提取方法,选择状态数据的长期统计特征作为模型学习样本,融合新异类检测中的单类支持向量机方法,实现对机组状态数据的异常评估。后半部分从单类支持向量机方法推广到多类故障分类,并结合机组状态监测数据的特点,试验研究了两种基于支持向量机回归和在线数据更新的趋势预估方法。论文主要研究工作如下：1.深入分析了新异类检测技术对水电机组故障诊断的意义,并参考机器学习和其他能源领域对模式识别或故障诊断方法的分类,总结归纳了水电机组的故障诊断模式,提出水电机组故障诊断方法可分为基于知识的诊断方法和基于数据的诊断方法两种类别。同时,通过对常见新异类检测技术的研究与应用现状进行总结,认为新异类检测技术以及源于支持向量机的单类支持向量机技术,可根据已知观测样本的学习,实现对未知异常的判断和识别。2.深入研究了水电机组状态数据的统计特征。通过实例分析水电机组状态数据的时域统计特征,设计基于正常运行数据的健康样本模型,并对其长期分布特性、短期分布特性和时序特性均作了数学分析和验证。最后,将Bootstrap采样方法应用于状态数据的统计特征提取中,设计了一种基于Bootstrap方法的水电机组状态特征阈值计算方法,并利用实例对Bootstrap方法对数据密度函数的改良效果进行了评估。3.利用统计特征和单类支持向量机技术研究机组状态信号的融合检测。(1)详细介绍了基于经验数据的机组状态评估方法,结合机组实际状态数据,对其评估方法进行验证,提出健康模型基准值的选择依据。(2)结合机组统计特征和高斯密度法,对基于机组正常运行数据的叁维健康模型建模方法开展研究。通过工况网格划分,消除了工况对状态数据的影响,优化了健康模型的阈值范围。(3)研究基于新异类检测原理的机组状态信号检测与评估方法。通过无监督聚类与单类支持向量机方法的融合,实现对机组状态趋势信号的异常检查和状态判别。4.研究并验证基于小波包能量分解和最小二乘支持向量机技术的水电机组故障诊断方法。(1)详细介绍了支持向量机技术的多类分类方法和全局优化方案。利用小波包能量分解技术,以机组轴系特征数据为例,通过多频带能量分解实现了轴系故障征兆的提取。(2)将小波包分解技术与最小二乘支持向量机方法结合,对从征兆提取到样本学习,再到故障分类的诊断方法开展研究,并采用机组实际运行数据进行分类结果的准确率检验。5.在基于支持向量机回归技术的在线预测方法的基础上,对分段预测和多尺度预测两种改进型在线预测方法进行研究,将其用于水电机组实时更新状态监测数据的趋势预测。(1)针对常规状态监测系统数据更新造成的计算负荷过大、效率较低的问题,研究分析基于分段预测的支持向量机回归方法,通过选取最优子分类SVR模型来预测输出,实现了在线样本规模的缩减,并保持了较高的预测效率和精度。(2)针对状态监测系统数据更新容易丢失趋势特性的问题,研究基于多尺度分析的并行预测方法,通过对历史数据的重采样训练,既最大程度上保留了历史趋势特性,又减小了计算负荷,提高了预测精度。综上所述,论文避开常规水电机组故障诊断技术研究基于故障先验知识的特点,在机组趋势数据的统计特性和正常数据建模方面做了一定的研究,并利用新异类检测和支持向量机技术,通过与聚类算法、小波包能量分解技术的融合,以及针对在线监测数据更新的特点,试验研究了支持向量机技术在在线数据预测上的改进和优化,较好的实现了机组状态数据的故障分类和在线趋势预测。(本文来源于《中国水利水电科学研究院》期刊2015-02-01）
胡雷,胡茑庆,秦国军,夏鲁瑞[4]（2010）在《涡轮泵状态监控及传感器故障识别的新异类检测方法》一文中研究指出为了在故障样本稀缺、故障模式不完备的情况下监控涡轮泵状态,并剔除传感器失效故障造成的虚警,提出用于涡轮泵状态监控及传感器故障识别的单类支持向量机新异类检测方法。该方法以正常状态为目标类构建单类支持向量机检测器,用于检测涡轮泵是否出现异常;以传感器故障为目标类构建单类支持向量机检测器,用于判断检测到的异常是否属于传感器故障。对涡轮泵试车数据的分析结果表明了该方法的有效性。(本文来源于《国防科技大学学报》期刊2010年02期）
胡雷[5]（2010）在《面向飞行器健康管理的新异类检测方法研究》一文中研究指出飞行器包括航天飞机、运载火箭、航空固定翼飞行器和低空旋翼直升机等等。飞行器健康管理技术对于监测飞行器关键部件工作状态、评估其状态退化趋势、预测其剩余使用寿命、保证其安全运行具有重要意义,是执行状态基维修策略乃至自治性维修保障的基础和前提。时有发生的航空航天事故也不断地给人们以警醒:开展飞行器健康管理关键技术研究的需求十分迫切。在飞行器健康管理体系中,监测是一个极其重要的主题,也是诊断、预测和减缓等其它主题的基础。但在飞行器状态监测的实施过程中,常常存在先验知识缺乏、故障样本稀缺和故障模式不完备的问题。针对这些问题,本文以某型液体火箭发动机的涡轮泵为研究对象,开展了面向飞行器健康管理的新异类检测方法研究,主要研究工作包括:1.深入分析了提高新异类检测器推广能力需要考虑的因素。较为系统地研究了常见新异类检测方法的基本原理,对一些性能优异的新异类检测器进行了数值仿真分析。面向健康管理,总结了新异类检测器的设计原则,提出了叁种借助新异类检测开展状态监测的故障检测策略。研究表明,新异类检测可以依据对已知观测样本的学习,实现对已知和未知异常的识别。新异类检测器的设计应综合考虑稳健性的折衷、推广性能、计算的复杂度和适用于不同情况的故障检测策略等。2.深入研究了涡轮泵状态监测的单类支持向量机新异类检测方法。(1)详细介绍了两种具有不同几何解释的单类支持向量机基本原理,结合数值仿真,深入分析了单类支持向量机的关键参数对其性能的影响,并据此给出了单类支持向量机故障检测方法的参数设置原则。(2)应用单类支持向量机对涡轮泵历史试车数据进行了检测分析,结合单类支持向量机的参数设置原则和对涡轮泵试车数据分析的交叉验证,优化了单类支持向量机的参数,降低了虚警率。研究表明,单类支持向量机的性能与其参数设置密切相关;单类支持向量机的原理性误差和特征量的一致性不足会造成较大的检测虚警,通过增大高斯带宽系数和使用偏置缩放因子可以显着地降低虚警率。3.提出了一种用于涡轮泵试车数据在线检测的双偏置单类支持向量机自适应在线检测算法。(1)提出了用于求解单类支持向量机的序贯最小优化算法,降低了求解单类支持向量机的时间和空间复杂度。(2)在序贯最小优化算法的基础上,提出了一种双偏置单类支持向量机自适应在线检测算法,消除了单类支持向量机的原理性误差和因工况变化等外界随机因素造成的误差,剔除了异类样本对检测模型自适应更新的贡献,避免了检测器随异类样本自适应更新的现象。(3)利用提出的双偏置单类支持向量机自适应在线检测算法对涡轮泵历史试车数据进行了检测分析,同时也完成了对该方法的验证。研究表明,序贯最小优化算法可以显着提高单类支持向量机的训练效率,双偏置单类支持向量机自适应在线检测算法能够在无虚警的情况下有效识别涡轮泵的异常状态,包括叶片断裂/脱落和转子碰摩。4.提出了一种基于增量聚类和单类支持向量机的完备样本区域描述方法,用于新异类检测和涡轮泵状态监测。(1)提出了一种具有样本压缩功能的增量聚类算法,用于解决完备样本区域描述所涉及的大样本学习问题。(2)提出了一种集成增量聚类和单类支持向量机的完备样本区域描述方法,建立了涡轮泵时域统计特征的完备样本区域描述模型。(3)构建了涡轮泵故障检测系统,将提出的完备样本区域描述方法在该系统中进行了集成,使用涡轮泵历史试车数据验证了该方法的有效性。研究表明,集成增量聚类和单类支持向量机的完备样本区域描述方法能够从大量样本中增量式地提取均匀分布、张满目标区域且大小可控的代表样本集,实现样本集的压缩;能够建立用以描述完备样本分布区域的边界。对涡轮泵试车数据的检测结果表明,该方法能够在无虚警的情况下有效识别涡轮泵的叶片断裂/脱落、转子碰摩、传感器失效等故障。5.提出了基于并联单类支持向量机和串联单类支持向量机的故障诊断方法,将新异类检测拓展应用到了故障诊断,使用涡轮泵试车数据验证了单类支持向量机故障诊断方法的有效性。研究表明,与各种基于支持向量机两类分类器的故障诊断方法相比,单类支持向量机故障诊断方法的训练样本重复使用率更小,诊断效率更高,扩展性更好,而且能够识别未知状态和已知状态。仿真数据及涡轮泵试车数据的分析结果表明了该方法的有效性。(本文来源于《国防科学技术大学》期刊2010-03-01）
胡茑庆,胡雷,秦国军[6]（2008）在《面向机电系统状态监控的新异类检测技术分析》一文中研究指出新异类检测技术为缺乏故障样本情况下的机电系统故障检测提供了一条有效途径。本文阐述了新异类检测的概念和内涵;简单综述了新异类检测的常用方法;分析了应用新异类检测进行故障检测时需要解决的几个关键问题;提出了新异故障检测的叁种状态描述策略及其优缺点。(本文来源于《2008年全国振动工程及应用学术会议暨第十一届全国设备故障诊断学术会议论文集》期刊2008-08-01）
胡雷[7]（2005）在《涡轮泵试车数据分析及新异类状态检测技术研究》一文中研究指出在对类似于液体火箭发动机这种复杂系统的故障检测过程中,一个非常棘手的问题是缺乏故障类样本。从故障诊断技术的角度而言,事先无法获得蕴涵故障特征的测试数据,就无法获得其故障模式,因而也就无法进行故障分析。在这种情况下开展机械系统状态监控与故障诊断工作,有必要借助新异类检测技术,实现基于不完整信息的状态决策。本文针对液体火箭发动机涡轮泵的振动信号,结合新异类检测技术中的单类支持向量机方法,对新异类检测在涡轮泵试车故障检测中的应用进行了尝试,主要研究内容包括:(1)介绍了各种流行的新异类检测算法的原理以及各自的特点;重点介绍了新异类检测技术中的两种单类支持向量机原理,并在此基础上建立了一种基于支持向量数据描述的新异类检测模型。(2)通过分析支持向量机中模型参数对检测结果的影响,给出了确定这些参数的一般方法;提出了一种分层式的快速训练方法,克服了样本个数和维数对支持向量算法应用的制约,提高了训练效率。(3)应用统计特征估计方法,分别对涡轮泵试车数据的时域特征和频域特征进行了统计分析,并讨论了这些特征在新异类检测中的应用价值。(4)根据检测数据对单类支持向量机的模型参数进行了修正;并应用支持向量数据描述方法,对多次涡轮泵试车数据进行了检测分析。(5)利用多种状态下的转子故障模拟振动信号对新异类检测模型进行了进一步功能验证。对涡轮泵试车数据及实验室转子平台数据的检测结果表明,新异类检测技术对于在缺乏故障数据情况下开展的故障检测工作是有效的。该方法对复杂机电系统的故障诊断具有重要意义。(本文来源于《国防科学技术大学》期刊2005-11-01）
新异类检测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
变压器是电网的关键设备之一,其可靠性与电网高效稳定的运行密切相关。振动法分析变压器运行状态已经取得了一定的成果,但仍存在实际数据样本不完备,特别是故障样本稀缺、故障模式不完备的问题。新异类检测方法通过对已知状态样本的建模,实现对异常或未知状态的检测,为变压器振动故障诊断研究提供了一种思路和方法。针对变压器振动异常检测中缺少故障样本的问题,建立了高斯核函数支持向量数据描述检测模型(SVDD检测模型)。总结分析了新异类检测方法,重点研究了单类支持向量机的两种模型:支持向量数据描述模型和v-支持向量分类器,并分析了衡量模型性能的指标;对变压器表面振动信号进行了频谱分析和能量分析,并用小波包分析技术提取了变压器表面振动特征向量,构建了变压器表面振动数据集;分析讨论了高斯带宽参数和平衡参数对检测模型的影响,并完成了参数设置。在标准数据集上验证了SVDD检测模型的有效性,变压器表面振动数据集的实验表明SVDD检测模型适用于变压器异常检测,并且变压器长期运行过程中振动特性会发生变化,检测模型需要具备连续学习的能力。考虑到变压器振动监测数据逐渐趋于完备以及涉及到大样本的增量学习问题,本文设计了一种基于快速凸包算法的支持向量数据描述增量学习(Q-ISVDD)算法。在标准数据集和变压器表面振动数据集的实验分析,结果表明Q-ISVDD比SVDD、Online SVDD时间复杂度较低,性能更优异;基于变压器表面振动数据集,在训练过程中,Q-ISVDD充分利用了变压器历史和当前样本,使训练的模型具备连续学习能力,可应用变压器振动在线异常检测。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
新异类检测论文参考文献
[1].金紫嫣.面向概念漂移数据流挖掘的新异类检测与分类方法研究[D].南昌大学.2018
[2].郭利花.基于新异类检测技术的变压器振动异常检测[D].华北电力大学.2017
[3].周叶.基于新异类检测和支持向量机的水电机组诊断技术研究[D].中国水利水电科学研究院.2015
[4].胡雷,胡茑庆,秦国军,夏鲁瑞.涡轮泵状态监控及传感器故障识别的新异类检测方法[J].国防科技大学学报.2010
[5].胡雷.面向飞行器健康管理的新异类检测方法研究[D].国防科学技术大学.2010
[6].胡茑庆,胡雷,秦国军.面向机电系统状态监控的新异类检测技术分析[C].2008年全国振动工程及应用学术会议暨第十一届全国设备故障诊断学术会议论文集.2008
[7].胡雷.涡轮泵试车数据分析及新异类状态检测技术研究[D].国防科学技术大学.2005