纺织实验与检测异常数据剔除办法的探讨

纺织实验与检测多采用重复取样，获得数据服从正态分布Ｘ：Ｎ（μ，σ￣２），可采用Ｇｒｕｂｂｓ概率密度函数的导出式Ｐ剔除异常数据；当采用大样本（ｎ≥５０）时，可根据拉依达准则　剔除异常数据，对提高纺织实验与检测结果的准确度是有效的。     

传感器网络数据流异常数据检测与修正

提出一种通用于传感器网络应用的数据流异常时空综合检测与修正的方法,将基于小波的时域滤噪方法与基于BP神经网络的空域数据融合相结合,并在此基础上提出了基于小波尺度的异常检测与修正方法,通过时间阈值确定数据融合所采用的时间窗口．利用小波变换的时分和频分特性,将异常检测与修正和异常数据持续时间相联系,通过多传感器数据融合的结果对传感器网络异常数据进行修正,从而剔除传感器网络中的异常数据。     

控制过程异常数据的在线检测

针对传统小波方法在检测异常数据方面的不足及控制系统中过程数据的特点,提出了一种适用于工业控制系统的异常过程数据在线检测方法．此方法采用基于模型的小波分析残差的检测思想,考虑异常值对模型的影响,提出了带有反馈结构的RBF网络模型,从而有效降低了异常点对RBF网络准确性的影响,提高了网络的鲁棒性;采用隐马尔可夫模型分析小波...     

武器装备研制阶段费用预测方法及仿真

提出一种基于小波神经网络的武器装备研制阶段的费用预测方法.建立小波神经网络预测模型,并推导该模型的预测算法.应用一组美军反舰导弹数据进行仿真预测.结果表明,小波神经网络方法比传统BP网络方法平均预测误差减小了1%,收敛速度加快了3倍.     

基于改进遗传算法的交通流量小波网络预测

针对小波网络结构不易确定和网络参数随机选择易造成较大预测误差的问题,文章通过对采集的交通流数据进行分析和多次试验判断误差,来确定小波神经网络的结构;提出了一种改良的遗传算法来初始化神经网络的权值参数,并对种群的进化进行分析;最后将遗传算法选择出的最优个体解码成小波网络的权值和因子,用构建的小波神经网络来预测短时交通流量,得出预测结果。研究结果表明改进遗传算法优化的小波网络能够较好地预测输出,并能够降低输出误差均值。     

基于Top-k(σ)的无线传感器网络异常数据检测算法

异常数据检测在基于无线传感器网络的环境监测系统中起着十分重要的作用,不仅有助于对传感器网络健康状况的监测,而且能够及时发现外部环境发生的突发事件(如森林火灾、环境污染等).通过对top-k算法的改进,提出了一种基于top-k(σ)的无线传感器网络异常数据检测算法.不同于top-k算法,该算法根据传感器节点采集到的数据分布规律,构造合适的数据网格,将多维数据归一化处理后置入相应的网络单元.然后通过增设距离阈值σ来重构PC列表(populated-cells list).除了对每个单元格及其邻域内的数据点个数分别进行排序,还计算不同数据子集之间的欧氏距离,并与阈值σ的比较,确认数据子集与正常值集合的偏离程度,从而提高检测结果的准确性.通过MATLAB仿真实验发现,距离阈值σ的选取对算法效果具有较大的影响,当σ∈[2.5,3]时,top-k(σ)算法在维持较高检测率的同时,最大程度地降低误报率.当取σ=3时,对于给定的5个数据集,top-k(σ)算法的检测率平均达到了93.70%,比top-k算法平均提高了4.94%,误报率则比top-k算法平均降低了4.48%.     

考虑异常数据剔除的产品可靠性评估

提出一种考虑异常数据剔除的产品可靠性评估方法,主要是依据异常数据剔除准则将由试验误差和样本分散性造成的异常数据予以剔除。基于加速退化试验数据外推产品伪寿命数据获取产品寿命数据,并对寿命数据进行分布拟合优度检验确定寿命最优分布。结合工程中常用加速模型利用最小二乘估计法进行模型参数估计,将高应力下伪寿命折算到正常应力水平下的寿命值,再依据异常数据剔除准则将不合群寿命数据予以剔除。然后将寿命数据进行分布拟合得到产品寿命分布,进而对产品进行可靠性评估以及可靠寿命估计。以某型加速度计为例验证了所提出的方法适用性和有效性。     

基于QPSO小波神经网络的网络异常检测

为了提高网络异常检测中,对异常状态的检测率,降低对正常状态的误判率,提出一种基于量子粒子群优化算法训练小波神经网络进行网络异常检测的新方法.利用量子粒子群优化算法(QPSO)训练小波神经网络,将小波神经网络(WNN)中的参数组合作为优化算法中的一个粒子,在全局空间中搜索具有最优适应值的参数向量.实验数据采用KDD CUP99数据集,实验结果表明:该学习算法与传统的梯度下降法(GD)和粒子群算法(PSO)相比,收敛速度快,具有更好的全局收敛性,提高了异常检测的准确性,同时该方法对于新的异常也有较高检测率.     

基于数据挖掘的网络状态异常检测

针对目前网络状态异常行为检测正确率低的问题,提出一种基于数据挖掘的网络状态异常检测模型.首先提取网络状态信号,通过小波变换对信号进行预处理,并提取网络状态异常检测的特征;然后通过回声状态网络对网络状态异常检测进行建模,并通过遗传算法对回声状态网络的参数进行优化;最后采用网络状态异常数据集对模型的有效性进行测试.测试结果表明,数据挖掘技术可以准确检测各种网络状态异常行为.     

结合二次特征提取和LSTM-Autoencoder的网络流量异常检测方法

为解决大多数网络流量异常检测方法准确度低、误报率高等问题,提出一种基于长短期记忆网络自编码(LSTM-Autoencoder)的网络流量异常检测方法.首先,将真实网络流量从数据包和会话流级别两方面提取数据特征.为了丰富原始特征,采用离散小波变换(DWT)分解原始特征向量得到更高维特征.考虑真实网络环境可能存在异常数据,采用Grubbs准则对数据进行平滑操作,以防止非人为异常数据干扰训练LSTM-Autoencoder模型.使用已训练的LSTM-Autoencoder模型对训练数据进行重构,通过分析重构误差分布确定检测阈值.最后,对真实网络流量进行测试,分析了模型结构以及外部噪声对检测性能的影响,实验结果验证了所提方法的正确性.与其他基于数据重构的检测方法相比,所提方法具有更高的检测准确度和更优的检测性能.     

小波分析在电控发动机故障诊断中的应用

为了探讨小波分析技术在电控发动机故障诊断中的应用，以电控汽油机转速传感器为例，采集了转速传感器的正常和异常信号，利用小波变换对信号波形进行了滤波和除噪，利用一维连续变换工具计算出正常和异常信号小波变换系数，并提取了故障信息特征参数。结果表明：转速信号的小波变换系数能够判断发动机的断缸故障；转速信号的小波分析结果能对比发动机各缸的工作性能。实践证明，利用小波分析对电控发动机进行故障诊断是切实可行的。     

Matlab在发动机故障诊断中的应用研究

以电控汽油机转速传感器为例,探讨了小波分析技术在发动机故障诊断中的应用。首先采集了转速传感器正常和异常信号,并对采集到的信号进行小波分析,结果表明,利用小波系数可以分析转速信号,判断发动机断缸故障;转速信号的小波分析结果能对比发动机各缸的工作性能。实践证明利用小波分析对电控发动机进行故障诊断是切实可行的。     

基于神经网络的非正常工况预报

分析了PTA生产中氧化反应器尾氧浓度的影响因素,提出一种用小波分析对数据进行降噪处理的方法。采用BP神经网络并对其进行了一定程度的改进。通过降噪前后的网络仿真结果对比,表明基于小波降噪的神经网络具有更好的精度和更强的泛化能力。用此网络预测尾氧浓度,实现了对非正常工况的预报。通过实际对比,表明该网络能够较理想地预报出非正常情况。     

隧道掏槽爆破振动信号两种分析方法

通过设计两次起爆的起爆网路,控制掏槽眼引起的振动速度,有效地减少了振动对周边构建物的影响。对掏槽爆破时振动信号进行了FFT分析、小波包分析,结果发现:单向爆破振动速度控制在2.1 cm/s以内,振动频率集中于50~100 Hz。傅里叶分析法(FFT法)与小波包分析法在处理振动信号主频的结果相差不大,速度的FFT图谱与爆破振动信号能量-频谱图相似。可用FFT法快速粗略地计算振动信号的主频与估计能量分配比例。但FFT法计算精度没有小波包分析法高,在精度要求高的情况下仍需使用小波包分析法进行信号分析。     

多重小波分析在高精度重力仪数据处理中的应用

根据随机过程理论，建立离散的重力异常状态方程；基于多重小波理论分析的基础，将多重小波变换应用到高精度重力仪数据处理中，在高精度重力仪数据处理中采用软阈值法消除背景噪声，并与单小波多尺度分析进行了对比．以实际数据与处理后数据偏差平方和的平均数作为衡量2种数据处理方法性能的指标，理论分析和仿真实验表明：多重小波和单小波都能在一定程度上抑制噪声对高精度重力仪测量数据的影响，但多重小波的性能优于单小波．     

海洋重力异常数据处理中小波阈值选择规则分析

分析了信号在小波Mallat算法条件下表现形式,采用小波阈值方法对经过小波变换后的重力异常信号的高频部分进行处理.分析了3种小波阈值选择规则,并将其应用到海浪波动等背景干扰因素引起的海洋重力异常畸变消除中.根据重力异常状态方程,采用通用阈值选择规则、最小最大准则阈值选择规则和无偏风险估计阈值选择规则进行了海洋重力异常数据仿真处理.理论分析和仿真处理表明:采用通用阈值选择规则、最小最大准则阈值选择规则和无偏风险估计阈值选择规则都能在一定程度上消除海洋重力异常畸变,但在相同背景条件下,通用阈值选择规则和最小最大准则阈值选择规则的性能优于无偏风险估计阈值选择规则.     

基于支持向量机的模糊小波神经网络

针对高维输入小波网络的初始参数和网络结构非常复杂且计算量大的问题,提出用支持向量机(SVM)确定小波网络的初始参数和网络结构的方法。首先,使用有监督模糊聚类算法从聚类中抽取模糊规则,然后对每一个规则的后件使用支持向量机方法确定小波网络的结构和初始参数,最后采用梯度下降方法调节模糊小波网络中的参数,使得模糊小波网络输出与期望输出之间的误差较小。仿真结果表明:该算法与传统的模糊神经网络(FNN)相比显著提高了分类精度。     

测井约束多尺度储层厚度反演

在多尺度小波分解理论的基础上,提出利用速度剖面和测井曲线的多尺度小波分解结果,在测井约束下分别确定砂体的位置、几何形态,计算薄砂体的视累计厚度和含油气砂体的视累计厚度;并将各尺度下计算的视累计厚度作为人工神经网络的输入,反演得到最终精确的薄砂体的累计厚度和含油气砂体的累计厚度。经三维地震资料连片处理证实：该方法稳定可靠,确定的砂体位置准确,反演结果具有较高的精度     

基于小波神经网络的ECG数据压缩研究

应用变学习速率、变动量因子的BP神经网络和传统小波变换相结合,构造了一种小波神经网络,实现了高压缩比的ECG数据压缩,该算法除了具有泛化能力强、收敛速度快的特点外,还兼具了多分辨和自适应特性,有较强的特征提取能力。实验结果表明使用该算法进行ECG压缩,可以获得较高的压缩比和保真度,并且复杂度低,在异常ECG波形出现时仍可保持较好的实时性。