基于GMM-SVM的挤压机能耗异常检测应用OA北大核心CSTPCD
在工业挤压机能耗异常的检测研究中,由于数据特征不够全面和恰当,导致检测精度不高。为此提出一种基于GMM-LDA聚类特征学习和粒子群优化支持向量机(PSO-SVM)方法。使用GMM-LDA聚类特征学习算法对一些数据集进行聚类,得到正常数据和异常数据的最优特征。使用更新模式动态生成最近的正常模式库和异常模式库来提高数据库的自适应能力,使得所提出的方法可以适应网络环境的动态变化,并标记了数据集。基于PSO优化SVM的参数得到最优模型。实验结果分析表明,该检测模型不仅避免了监督训练样本中人工分类的依赖,而且与单个算法或其他算法相比,具有更高的检测精度和更低的误报率。
谭超奖;印四华;
广东工业大学计算机学院,广东广州510006广东工业大学机电工程学院,广东广州510006
计算机与自动化
异常检测聚类特征粒子群支持向量机
《计算机应用与软件》 2024 (003)
P.49-55,108 / 8
国家自然科学基金广东省联合重点基金项目(U1501248)。
评论