一种基于集体离群点检测变速箱故障的方法

针对变速箱故障机理复杂、信号分析较难获取充足异常样本标签的问题,提出一种基于集体离群点检测故障的方法。首先以多元高斯混合函数拟合正常样本数据集和测试数据集分布,其次采用不动点迭代算法求解似然估计函数,搜索出数据分布函数的最优参数,最后通过数据分布趋势对比挖掘测试数据集中的集体离群点。实验环节对包含8种故障类型的变速箱工作数据集进行测试,故障识别率均在90%以上。结果表明,该诊断方法可以在事先不了解故障机理的情况下,挖掘出数据集中表征变速箱故障的异常数据序列。     

基于集体离群点挖掘的城市交通异常检测研究

针对时空数据环境下的城市交通异常检测问题，文章提出一种基于集体离群点挖掘的“线下拟合-线上检测”一体化检测模型。该模型采用以距离-密度-权重为度量的改进聚类(distance-density-weight k-medoids, DDWK-medoids)算法，根据城市交通态势自适应确定交通枢纽点的数量和位置，通过对数据进行不同分辨率拟合，将交通流量异常检测与交通轨迹异常检测相结合。在该检测模型中，数据的时间属性与空间属性均未以数值的形式直接参与计算，有效降低了运算复杂度。实验结果表明，该模型算法对于不同规模数据集的处理速度均显著优于对比算法，尤其是对于样本充足的大规模数据集，检测的准确率更具有明显优势。