基于域泛化的工业设备无监督异常声音检测算法

在工业场景中,因为设备异常现象的罕见性和高度多样化,以及机器的操作条件或环境噪声在训练和测试阶段的不同,会改变训练和测试数据之间的声学特性。为解决上述问题,提出一种基于联合深度学习和变分贝叶斯高斯混合模型的无监督异常声音检测算法。通过两种神经网络联合训练进行信息提取,并利用变分贝叶斯高斯混合模型对其所获得的嵌入进行聚类分析;引入一种新的混合示例数据增强方法,用多种方式相结合的替代方法来生成示例,以对齐不同域之间的分布;应用了一种改进的子集群AdaCos损失函数,以排除潜在的异常值。实验结果表明,该方法在三种工业机器类型的数据集上目标域的平均曲线下面积达到了79.03%,平均F₁分数达到了67.23%;对比基线模型,谐波平均值提升约20%,在工业设备无监督异常声音检测中表现良好。     

沾化凹陷异常高压分布特征及其成因机制探讨

采用声波时差法计算沾化凹陷沙三、沙四段的地层压力。发现异常高压纵向上存在两个独立的异常高压系统,规模较大、持续活动强的断层往往是异常高压区的边界,并起到泄压的作用。平面上,以洼陷为中心形成异常高压区,向外逐渐过渡为正常压力带。从沙三上段至沙三四上段,异常高压范围经历了一个扩张-萎缩的旋回,沙三下段凹陷内异常高压分布面积达到最大。对沾化凹陷新生代沉降史及生排烃史的研究表明,较高的沉积速率及有机质生烃是沾化凹陷异常高压发育的主要因素。构造作用通过断层泄压、控制沉积速率及有机质展布起到对异常高压分布直接或间接的控制作用。     

基于时间序列分析的网络流量异常检测

针对传统模型无法对网络流量异常进行准确识别和检测的问题,提出一种基于时间序列分析的网络流量异常检测模型.首先提取网络流量的原始数据,并对原始数据进行小波阈值去噪处理,消除干扰因素的影响;然后采用时间序列分析法挖掘网络流量数据之间的变化关系,建立网络流量异常检测模型;最后通过仿真实验验证检测模型的有效性和优越性.实验结果表明,时间序列分析法可以准确、及时地检测网络流量的异常行为,且结果优于目前其他网络流量异常检测模型.     

基于信息融合的电熔镁炉熔炼异常工况等级识别

采用多源信息融合思想,提出了电熔镁炉加热熔化异常工况等级的识别方法.在分析加热熔化过程各种异常工况的基础上,提取电流、图像和声音信号特征进行同步序列化和归一化处理,根据各种异常工况的特点选取不同特征,建立了基于支持向量机的轻微半熔化和严重过加热工况识别模型、基于规则推理的中度半熔化和严重半熔化工况识别模型和基于决策树支持向量机的轻微过加热和中度过加热工况识别模型.仿真结果表明,本文方法实现了对半熔化和过加热工况异常等级的有效识别.     

南海海面风与海面温度耦合模态分析

为了研究南海海面风与海面温度的相互关系,利用相关分析、经验正交函数分解、奇异值分解等方法对49a的COADS资料的南海海域的海表面温度异常(SSTA)和海表面风异常(SSWA)进行分析。SSTA的EOF1解释了总方差的50.8%,该模态与整个南海SSTA同步变化,时间系数主周期为2~3a,该系数滞后5个月,与Nino3.4指数的相关系数达到0.423;SSWA的EOF1解释了总方差的25.1%,与整个南海SSWA同向变化,时间系数的主要周期为4~8a,但与Nino3.4指数的同步相关系数只有0.04,SSTA和SSWA的SVD分析结果第一模态的方差贡献为86.7%,空间分布很好地体现了SSTA和SSWA之间的正反馈机制,左右奇异向量时间系数达到0.5,且时间系数的主要周期都为4~8a,证实了南海海域海-气耦合的主模态为ENSO模态。     

变分自编码器和注意力机制的异常入侵检测方法

针对传统的机器学习算法在检测未知攻击方面表现不佳的问题,提出了一种基于变分自动编码器和注意力机制的异常入侵检测方法,通过将变分自编码器和注意力机制相结合,实现使用深度学习方法从基于流量的数据中检测异常网络流量的目标。所提方法利用独热编码和归一化技术对输入数据进行预处理;将数据输入到基于注意力机制的变分编码器中,采集训练样本中隐含特征信息,并将其融入最终潜变量中;计算原始数据与重建数据之间的重建误差,进而基于适当的阈值判断流量的异常情况。实验结果表明,与其他入侵检测方法相比,所提方法明显改善了入侵检测的精度,不仅可以检测已知和未知攻击,而且还可以提高低频次攻击的检测率。     

基于分阶段离群点检测的电力市场异常辨识

为了监管电力市场中存在的各类违规行为,保证市场的公平竞争,提出了一种基于分阶段离群点检测算法的电力市场异常行为辨识方法.梳理不同交易阶段异常行为的特征,提取相应的特征指标,采用主成分分析法对其进行降维,分阶段地进行异常行为的检测.同时利用平均距离改进局部离群因子算法,显著地提升了算法的检测效果.通过某地区电力市场提供的交易数据进行实验分析,实验结果表明,该方法能有效识别市场中的异常行为,为市场监管人员利用海量数据进行有效监管提供了新思路.     

新的递推有界GM回归估计算法

提出一种新的递推有界广义极大似然类(GM)回归估计器,新估计器所用的风险函数基于更一般的框架,并采用有界M-估计函数.设计一个新的权函数拒绝或降低异常点对估计结果的影响,并增加一个增广项,提出一种具有较强自适应能力的面向自回归(AR)模型参数估计的算法.仿真结果表明:提出的GM回归估计器及面向AR模型的算法对异常点不利影响(主要来自于回归变量中的加性异常点)的抑制效果均优于其他GM估计器;在参数不做任何调整的情况下,面向AR模型的算法对非平稳环境下的估计具有良好的估计精度和收敛性.