基于模型聚类的软件可靠性混合模型研究

软件可靠性验证阶段的可靠性增长模型的建立与选择是软件可靠性工程人员长期关注的焦点.软件可靠性模型混合是解决模型适应性差、精度低的可行性方法.利用模型聚类的COBWEB算法处理失效数据,对基本分模型进行动态权重混合,以提高软件可靠性评估与预测的精度和稳健性.并利用软件工具对该方法进行模型评价.     

无监督的主题情感混合模型研究

提出了一种基于LDA-Col模型的无监督主题情感混合(UTSU)模型。采用词序流对文本进行表示,对每个句子采样情感标签,对每个词采样主题标签,得到文本的主题情感分布。这种采样方式既符合语言的情感表达,又不会缩小词之间的主题联系,克服了ASUM模型和JST模型在同一层盘子中采样主题标签和情感标签的缺陷。实验表明,UTSU模型的情感分类性能比有监督的情感分类方法稍差,但在无监督的情感分类方法中效果最好,情感分类综合指标比ASUM模型提高了3%,比JST模型提高了17%。     

基于动态主题模型的往复机械故障早期预警方法

往复机械的故障早期高预警准确率对于设备安全运维具有重要意义。目前企业广泛应用的单特征门限报警方法存在预警准确率普遍较低的问题,这主要是由往复机械运行过程中振动激励性信号的非平稳性导致。针对该问题,提出一种基于动态主题模型(dynamic topic model, DTM)的往复机械故障早期预警方法。该方法运用机器统计学习的主题模型建模方法,基于往复机械正常运行状态的数据生成正常运行数据模型分布,并将其作为基准模型,根据实时工况状态数据建立的混合模型与基准混合模型间的差异实现对往复机械的故障早期预警。最后,分别采用往复压缩机工程案例数据和故障模拟试验数据对所提方法进行验证,结果表明：所提方法可准确识别设备的异常状态,同时减少了预警分析计算时间,有效提升了往复机械故障早期预警的准确性和时效性。     

基于椭球等高分布混合模型的聚类方法

为解决有限混合分布模型的聚类分析中分量密度函数选择问题,通过研究广义多元分析理论,提出了基于椭球等高分布混合模型的聚类算法.首先,利用与正态分布有许多相似性质的椭球等高分布族来构造混合分布模型,并引入标签变量,将基于椭球等高分布混合模型的聚类转化为模型参数估计问题;然后,通过极大似然估计法和EM算法进行模型一般变量参数...     

基于模型与实例的混合揄用于故障诊断

分析了基于模型和基于实例的诊断推方法，提出了基于模型与实例的混合推理策略，并将其应用于ＣＮＣ加工中心的故障诊断，同时，还讨论了实例的表达与存储、索引与匹配等问题。     

基于广义线性模型的混合属性数据聚类方法

针对混合属性数据聚类难度高的问题,提出一种基于广义线性模型的混合属性数据聚类方法.首先,构建低阶多元广义线性模型处理海量数据聚类问题,考虑数据属性的时间特性,获取属性时间序列矩阵;然后,基于优化K-prototypes聚类方法处理混合属性数据时,考虑属性的时间序列矩阵;最后,在考虑样本同聚类中心距离基础上兼顾已知样本信息内容,采用优化方法计算数据相异度、样本与聚类集间距离,当聚类结果趋于平稳时终止运算,输出聚类结果.为验证基于广义线性模型的混合属性数据聚类方法的有效性展开实验分析.结果显示,该方法经过较少次迭代即可优化划分混合属性数据聚类集,聚类适应度值为0.88～0.94,适应度优,可准确体现样本间差异,是一种准确度高的混合属性数据聚类方法.     

基于混合模型的聚类算法研究

全面探讨了基于混合模型聚类算法的一般理论框架和聚类策略,介绍了国内外在该领域的最新研究现状,指出了该算法的局限性和存在的问题.     

基于高斯混合模型的EM学习算法

本文研究了一类基于无监督聚类学习的算法——EM算法的算法实现．EM算法通常用于存在隐含变量时的聚类学习，由于引入了隐含变量，导致算法难以保证收敛和达到极优值．本文通过将该算法应用于高斯混合模型的学习，引入重叠度分析的方法改进EM算法的约束条件，从而能够确保EM算法的正确学习．     

基于高斯混合密度模型的医学图像聚类方法

研究了医学图像的聚类问题,提出一种基于高斯混合密度模型的K-EM聚类算法,并将此算法用于人体腹部图像数据,实现肝、肾、脾等主要器官的分类.在算法中,随机选取腹部图像像素数据,用QAIC信息准则确定训练样本的最佳类别数;用K均值聚类算法得到混合模型的初始参数;用期望最大(EM)算法多次迭代建立腹部图像数据的混合密度模型;运用贝叶斯准则,将腹部图像所有像素值划分到混合模型中相应的模型分支,得到每个器官像素值划分的正确率与误判率.试验结果表明,新算法分类的平均正确率高于85%、误判率低于10%,优于K均值算法.     

基于BP神经网络方法的财务预警模型研究

本文通过BP神经网络方法来建立我国上市公司财务失败的预警模型,该模型对检验样本的预测正确率为85%,实证研究表明,该模型具有较好的预测效果。     

基于缸盖振动信号包络线相关分析的柴油机故障预警方法研究

针对柴油机故障特征易受到环境、载荷等因素的干扰,从而导致许多传统意义上的故障特征参数不再敏感的问题,提出了一种基于缸盖振动信号包络线相关分析的柴油机故障预警方法,对一台6缸柴油机的缸盖振动信号对比了希尔伯特变换和n阶极值插值两种方法的包络线提取效果,并对其包络线进行相关分析,得到了相似系数、距离标准差以及余弦相似度等相关分析结果。研究结果表明：在传统特征参数不敏感的情况下,相关分析可以更好地反映机组的故障状态。本文研究结果可为实现柴油机故障的早期预警奠定基础。     

中国能源预警模型及其预警指数的创建

在分析影响能源安全因素的基础上，选取了涵盖煤炭、石油、电力和综合4个子系统的54个预警指标，运用主成分分析和二阶回归方法建立了中国能源预警模型，创建了中国能源预警指数的概念并确定了计算方法和预警界限值，测算了1995-2007年中国能源预警指数和各子系统安全度。研究结果表明，当前我国能源安全总体状况虽已好转，但仍处于值得关注状态并接近危险状态的边缘，影响能源安全的不确定性因素较多。建议加快完善能源统计制度，深入开展预警理论、方法创新和实证研究，抓紧制定科学完备的能源应急预案，提高应对能源突发事件的能力，更好地保障能源充足、稳定、安全供应和清洁、高效使用。     

基于数据自组织挖掘的机械设备状态退化预警方法

在设备状态监测过程中引入数据自组织挖掘思想,建立一种设备状态退化预警方法。采用隐马尔科夫模型(HMM)对设备的早期退化状态进行准确辨识和评估,并进一步建立设备退化过程的自组织预测模型。案例分析中将该方法应用到旋转机械轴承运行状态退化的预警过程中。结果表明,基于自组织数据挖掘的设备状态退化趋势预测方法预测效果准确、客观性强,预测值与实际值的拟合程度高,相对误差仅为3.1%。新方法能够预测设备未来时间段的退化状态及其发展趋势,提前给出预警信息,有效地制定预知维修计划,及时采取预防措施,防止因设备突发失效引起非计划停机造成生产和经济损失。     

基于深度学习的风力发电机组故障预警方法研究综述

风能作为重要的可再生能源,近几十年来,全球风能使用规模迅速增长,陆上和海上风力发电机组发电容量不断增加。由于风力发电机组故障维修成本巨大,因此必须开发有效且可靠的风力发电机组故障预警方法,在风电机组发生故障前进行提前预警,以便降低风电场的运营和维护成本。目前风电机组数据采集与监视控制系统(supervisory control and data acquisition, SCADA)已经在风电场有了广泛的应用,其中蕴含着大量的潜在数据信息,同时深度学习方法在海量数据挖掘方面有比较明显的优势,因此深度学习方法在风力发电机组故障预警领域的应用潜力巨大。综述了近年来相关深度学习方法在风力发电机组故障预警的研究进展,总结了风电机组故障预警的大体步骤,分析了各个步骤的具体处理方法,对每种技术方法的特点进行整理分析。最后阐述了深度学习在风电机组故障预警领域所面临的挑战,并对今后的研究重点进行了展望。     

基于Adaboost算法的输电线路舞动预警方法

输电线路舞动是目前尚未被全面准确认识的世界性难题,已严重威胁输电系统的安全稳定运行。文章分析影响舞动的外界气象环境因素,并在此基础上提出一种基于Adaboost集成学习算法的输电线舞动预警方法。采用基于Gini指标的决策桩作为弱分类器,通过对多个弱分类器的训练及加权求和,输出舞动预测结果及其置信度,可为电网运维人员提供决策支撑。最后,使用历史数据进行验证性实验,结果证明了所提方法的有效性。     

基于改进P-S模型工程抢修抢建风险预警方法

为适应风险预警“风险可能性低、安全满意度高”的心理特征与期望,提出了一种基于改进可能满意度的震后工程抢修抢建风险预警方法。在介绍可能满意度方法原理基础上,建立了震后工程抢修抢建风险预警模式,划分预警等级,确定多层次风险预警等级的可能度、满意度函数,分析风险可能度与满意度的互逆变化特征,确定风险预警可能满意度的并合形式化表达,运用数据包络分析方法改进风险预警的可能满意度模型,确定震后工程抢修抢建风险预警的相对可能满意度模型。模型应用于边坡工程抢修作业进程中整体安全风险预警案例,结果表明方法合理、可行,具有较好的预警能力。     

基于突变理论的边坡监测预警概率性模型研究

为解决边坡系统演化过程中不确定因素的影响,得到非确定性的边坡预警结果。结合突变理论与广义胞映射理论提出了一种边坡监测预警概率性模型。该模型采用尖点突变理论识别边坡稳定状态;将边坡稳定性演化结果视为随机事件,基于广义胞映射理论计算滑坡在某一时刻准时发生、提前发生、滞后发生、滑坡不发生的概率,从而实现边坡概率性预警。利用该模型计算了某黄土区工程边坡在某时刻发生失稳的概率为100%,且滞后发生的概率为83.8%,判定边坡系统突变会在该时刻之后发生,预警结果与实际情况一致,验证了该模型的有效性。与传统模型相比,概率性预警模型可提供更丰富合理的信息,有助于提升监测预警的准确率,为边坡监测预警研究提供了一种新思路。     

基于主动学习的SVDD预警技术

针对当前的主要预警方法的问题,提出基于主动学习的支持向量数据描述预警技术,并给出了该技术的实现过程.该技术利用支持向量数据描述解决了缺少预警警兆数据的问题,利用主动学习解决了正常样本和待测样本数据量大的问题,以某地区的宏观经济运行预警系统为例,证明了该技术的有效性.     

一种基于EAI模型的软件安全测试方法

研究了一种用于测试软件安全的基于EAI(Environment Application Interaction Model)模型的软件错误注入测试方法,提出了用包裹函数实现软件错误注入的安全测试方法及实现方法.对四个应用软件进行了实际测试,实验结果表明,该方法是有效的.     

基于四元数理论与流形学习的多通道机械故障信号分类方法

提出一种基于增广四元数矩阵奇异值分解与流形学习正交邻域保持嵌入算法的多通道机械故障信号分类方法,通过引入四元数来耦合4个通道信号,并且利用四元数乘方的性质对数据进行增广处理,充分利用各通道信息并挖掘通道之间的相关性,从而减少因故障特征信息丢失对分类结果的影响。此外,针对传统奇异谱分析提取特征参数的分类效果受噪声影响较大的问题,引入正交邻域保持嵌入算法对奇异值序列进行维数约简,最后使用分类器完成故障分类。对仿真信号的分类结果表明,在强噪声背景下,相较于单通道奇异谱分析方法和机械故障信号中常用的排列熵方法,本文提出的方法分类效果更好。将其应用于更为复杂的实测轴承故障信号的分类与识别中,同样有着较好的效果。