检索结果-内蒙古大学图书馆

作者：张建奇杨怡欣黄曦刘鑫杨翠 710071 陕西省西安市太白南路2号

本发明涉及一种高光谱图像杂波的度量及异常检测算法的性能预测方法，首先输入高光谱图像，利用提出的三种杂波尺度计算所述高光谱图像的背景杂波大小，仿真得到高光谱特定异常检测算法的虚警概率，并分析两者之间的关系，评价所提出杂... 详细信息

标准号: CN107704802B

本发明涉及一种高光谱图像杂波的度量及异常检测算法的性能预测方法，首先输入高光谱图像，利用提出的三种杂波尺度计算所述高光谱图像的背景杂波大小，仿真得到高光谱特定异常检测算法的虚警概率，并分析两者之间的关系，评价所提出杂波尺度的合理性，使得根据背景杂波大小可以进行异常检测算法性能的预测。本发明提出了高光谱图像背景杂波、方差、局部对比度的概念，并给出三种高光谱图像背景杂波的度量方法；利用该度量方法给出了高光谱异常检测算法的性能预测方法，使得根据高光谱图像背景杂波的度量即可预测高光谱特定异常检测算法的性能，对于高光谱成像光谱仪的系统性能做出正确评价和预测、优化系统设计等具有重要意义。

关键词：高光谱图像异常检测算法背景杂波度量高光谱杂波性能预测优化系统设计高光谱成像局部对比度评价和预测尺度计算系统性能虚警概率重要意义预测方差光谱合理性尺度分析

来源：评论

学校读者我要写书评

暂无评论

一种基于群体智能的工业物联网数据平台的异常检测算法

一种基于群体智能的工业物联网数据平台的异常检测算法

引用

作者：张勋兵袁海飞王斌李聪聪孙雪蓓孙玉玲王继伟魏凯朱薪颖高香玉陈敏李佳慧 221000 江苏省徐州市徐州经济技术开发区高新路39号

本发明公开一种基于群体智能的工业物联网数据平台的异常检测算法，包括以下步骤：S1、对于工业物联网IOT数据平台采集到的数据进行预处理操作；S2、针对采集的不同数据类型进行分别表征；S3、利用群体智能算法实现异常数据子集的筛选... 详细信息

标准号: CN114169535A

本发明公开一种基于群体智能的工业物联网数据平台的异常检测算法，包括以下步骤：S1、对于工业物联网IOT数据平台采集到的数据进行预处理操作；S2、针对采集的不同数据类型进行分别表征；S3、利用群体智能算法实现异常数据子集的筛选；S4、将获得的异常数据子集输入到异常检测算法中进一步训练；S5、通过多轮重复训练验证，得到多目标对象的不同检测结果，实现数据平台异常检测的输出；本发明的网络基于群体智能算法框架，方便提前定位到重要特征数据所在的区域，减少不必要的计算，调高运算速度和性能；同时，采用深度学习异常检测方法，这样避免了人工重复运算的麻烦，提高网络训练的效率，进而提高工业物联网数据平台异常检测算法的鲁棒性。

关键词：异常检测算法群体智能算法物联网数据数据平台异常检测异常数据子集运算采集重要特征数据预处理操作检测结果群体智能数据类型网络训练多目标鲁棒性物联网重复调高多轮验证筛选输出网络学习

来源：评论

学校读者我要写书评

暂无评论

一种基于相对密度的异常检测算法

一种基于相对密度的异常检测算法

引用

作者：关东海陈凯袁伟伟 211100 江苏省南京市将军大道29号

本发明公开的一种基于相对密度的异常检测算法，属于机器学习和数据挖掘领域。本发明的异常检测算法基于最近邻思想，采取了局部相对密度的方法，异常点由数据点的密度和其近邻密度之间的差异而判定，对于一个给定的数据点，其与近邻之... 详细信息

标准号: CN107066613A

本发明公开的一种基于相对密度的异常检测算法，属于机器学习和数据挖掘领域。本发明的异常检测算法基于最近邻思想，采取了局部相对密度的方法，异常点由数据点的密度和其近邻密度之间的差异而判定，对于一个给定的数据点，其与近邻之间的相对密度差异越大，则该数据点的异常性越大。同传统的基于密度的方式相比，相对密度方法更具准确性，不仅能够解决基于距离的方法无法检测局部异常的问题，而且能够克服基于密度方法对稀疏数据失效的缺陷。对于不同的数据能够检测出不同的异常类型的点。

关键词：数据点异常检测算法相对密度差异机器学习数据挖掘稀疏数据异常类型传统的异常点异常性最近邻检测判定异常检测算法归一化样本点

来源：评论

学校读者我要写书评

暂无评论

基于聚类图神经网络的网络安全异常检测算法和检测系统

基于聚类图神经网络的网络安全异常检测算法和检测系统

引用

作者：赵曦滨梁若舟高跃 100084 北京市海淀区清华园1号

本发明公开了一种基于聚类图神经网络的网络安全异常检测算法。该算法包括以下步骤：利用图模型描述网络拓扑结构，利用图神经网络卷积层优化节点特征，利用图聚类算法将图分割成多个不相交子图，将每个子图视为一个节点，子图的邻接关... 详细信息

标准号: CN112165496A

本发明公开了一种基于聚类图神经网络的网络安全异常检测算法。该算法包括以下步骤：利用图模型描述网络拓扑结构，利用图神经网络卷积层优化节点特征，利用图聚类算法将图分割成多个不相交子图，将每个子图视为一个节点，子图的邻接关系视为边，形成一个子图，利用图注意力层为每个节点学习一个权重，将每个子图中的所有节点的特征加权求和，形成子图中节点的特征，最后利用全连接层和分类器层判断网络是否收到了攻击。该方法构建了层级化的图神经网络，通过图卷积层优化图中节点特征，通过基于图聚类算法的池化层，捕捉图上的局部特征，生成高层次的语义特征，通过融合层生成整个网络的态势特征，利用分类器对网络态势进行分类。

关键词：神经网络节点特征聚类算法分类器网络拓扑结构异常检测算法局部特征邻接关系网络安全语义特征整个网络不相交层级化聚类图连接层融合层图分割图模型求和池化构建积层卷积权重加权算法优化注意力网络捕捉攻击分类学习

来源：评论

学校读者我要写书评

暂无评论

基于异常检测算法进行工业零件表面缺陷检测方法及系统

基于异常检测算法进行工业零件表面缺陷检测方法及系统

引用

作者：王凯陈立名田楷晏文仲黄金张健浩杨剑远 300308 天津市滨海新区自贸试验区(空港经济区)空港物流加工区中心大道西侧西七道北侧岭尚家园95号楼-1

本发明属于深度学习异常检测技术领域，公开了基于异常检测算法进行工业零件表面缺陷检测方法及系统，获取待检测产品的图像，收集待检测良品件在工业相机下拍摄表层图像数据；将图像输入到teacher‑student异常检测网络模型中进行训练... 详细信息

标准号: CN113902710A

本发明属于深度学习异常检测技术领域，公开了基于异常检测算法进行工业零件表面缺陷检测方法及系统，获取待检测产品的图像，收集待检测良品件在工业相机下拍摄表层图像数据；将图像输入到teacher‑student异常检测网络模型中进行训练；使用训练完成后产出的模型对缺陷数据与良品数据进行检测；返回检测的结果给客户端，由客户端显示检测结果；将检出的异常区域及区域大小传给软件的客户端，通过软件上的面积阈值判别是否为需剔除缺陷。可满足绝大多数表层结构简单的零件表面异常区域检测。相较于目标检测，节省大量模型训练与数据收集时间，对于项目尽快推进与验收都有极大的促进作用。

关键词：客户端良品检测表面缺陷检测异常检测技术异常检测算法异常区域检测待检测产品表层结构促进作用工业零件工业相机检测结果零件表面模型训练目标检测缺陷数据数据收集图像输入图像数据网络模型异常检测异常区域阈值判别检出剔除图像返回拍摄验收学习

来源：评论

学校读者我要写书评

暂无评论

基于自监督的异常检测算法

基于自监督的异常检测算法

引用

作者：齐志泉徐睿婕 102200 北京市昌平区东小口镇天通中苑二区21号楼2层0639

本发明公开了基于自监督的异常检测算法，步骤1：自监督数据准备；对原始数据集数据进行重写，原数据通过旋转90，180，270度，将数据集扩增至原始数据集的三倍；步骤2：特征抽取及重构；将第一步获取的数据集传入深度卷积自编码器；步... 详细信息

标准号: CN114943867A

本发明公开了基于自监督的异常检测算法，步骤1：自监督数据准备；对原始数据集数据进行重写，原数据通过旋转90，180，270度，将数据集扩增至原始数据集的三倍；步骤2：特征抽取及重构；将第一步获取的数据集传入深度卷积自编码器；步骤3：基于自监督的对抗训练；对抗训练主要由GAN模型完成；步骤4：异常评分；异常评分模块主要由分类误差和重构误差组成。本发明方案增加了伪异常生成器模块，该模块可以产生大量的异常图像，这就将原本无监督学习异常检测问题转换成了监督学习异常检测问题，可以有效的改善以往技术中的鉴别器不认识异常的不足。

关键词：原始数据集对抗训练异常检测数据集重构异常检测算法生成器模块无监督学习分类误差监督数据评分模块特征抽取问题转换异常图像编码器鉴别器原数据监督卷积重写学习

来源：评论

学校读者我要写书评

暂无评论

一种基于KL散度和离散化数据的异常检测算法

一种基于KL散度和离散化数据的异常检测算法

引用

作者：张卫山张亚飞郭武武 266580 山东省青岛市黄岛区长江西路66号

本发明提出了一种基于KL散度(Kullback‑Leibler divergence)和离散化数据的异常检测算法，基于大数据模式挖掘、以及异常概率计算。该算法分为训练阶段和运行阶段：训练阶段主要通过挖掘数据模式，同时采用假设检验方式删除冗余数据模... 详细信息

标准号: CN109460425A

本发明提出了一种基于KL散度(Kullback‑Leibler divergence)和离散化数据的异常检测算法，基于大数据模式挖掘、以及异常概率计算。该算法分为训练阶段和运行阶段：训练阶段主要通过挖掘数据模式，同时采用假设检验方式删除冗余数据模式来构建概率坐标轴(以提取模式为坐标x轴，以模式发生概率为y轴)，并构建异常数据概率图和均值概率图；运行阶段主要构建数据模式概率图和采用KL散度计算当前数据与训练阶段构建的异常数据和均值数据的相似程度。该算法能够精准的确定数据状态类型，且在数据包含长期规律时也能准确判断，从而高效准确的判断数据或设备异常。

关键词：构建训练阶段概率图数据模式异常数据运行阶段散度算法异常检测算法方式删除假设检验均值数据模式发生模式挖掘判断数据冗余数据设备异常数据包含数据状态相似程度异常概率坐标x轴大数据离散化坐标轴概率挖掘

来源：评论

学校读者我要写书评

暂无评论

一种基于随机哈希的异常检测算法

一种基于随机哈希的异常检测算法

引用

作者：关东海陈凯袁伟伟 211100 江苏省南京市将军大道29号

本发明公开的一种基于随机哈希的异常检测算法，属于机器学习和数据挖掘领域。本发明的异常检测算法基于集成的思想，采取了哈希和随机森林相结合的方法，数据点的异常分数由该点所落入的叶子结点中数据点个数来衡量。对于一个待测的数... 详细信息

标准号: CN107944502A

本发明公开的一种基于随机哈希的异常检测算法，属于机器学习和数据挖掘领域。本发明的异常检测算法基于集成的思想，采取了哈希和随机森林相结合的方法，数据点的异常分数由该点所落入的叶子结点中数据点个数来衡量。对于一个待测的数据点，其所落入的叶子结点中数据点个数越少，则该数据点是异常点的可能性越大。同传统的基于密度和基于距离的方式相比，本发明中的方法具有更高的准确性，并且其所需的运行时间要比传统方式少很多。也能够克服传统方式在高维情况下失效的问题。

关键词：数据点异常检测算法传统方式叶子结点哈希机器学习数据挖掘随机森林异常分数传统的异常点高维衡量

来源：评论

学校读者我要写书评

暂无评论

基于卷积变分编码器和异常检测算法的钢轨隐伤定位方法

基于卷积变分编码器和异常检测算法的钢轨隐伤定位方法

引用

作者：金泰木袁站东朱胜阳翟婉明凌亮 266000 山东省青岛市城阳区锦宏西路188号

本发明公开了基于卷积变分编码器和异常检测算法的钢轨隐伤定位方法。首先，利用卷积变分编码器从车辆轴箱加速度信号提取对钢轨隐伤敏感的特征。然后，利用两种异常检测算法，即椭圆包络算法和一类支持向量机(OCSVM)，基于提取的特征... 详细信息

标准号: CN112465000A

本发明公开了基于卷积变分编码器和异常检测算法的钢轨隐伤定位方法。首先，利用卷积变分编码器从车辆轴箱加速度信号提取对钢轨隐伤敏感的特征。然后，利用两种异常检测算法，即椭圆包络算法和一类支持向量机(OCSVM)，基于提取的特征进行钢轨隐伤检测。利用变分编码器和异常检测算法构建钢轨隐伤检测算法。基于车辆‑轨道耦合动力学仿真验证该算法的有效性和可靠性。针对不同深度的钢轨隐伤，利用车辆‑轨道耦合动力学仿真，计算车辆轴箱加速度响应，建立数值仿真数据集。基于该数据集，进行钢轨隐伤检测算法的训练和性能评价。利用钢轨隐伤检测算法，基于车辆轴箱加速度信号，进行钢轨隐伤定位。

关键词：钢轨异常检测算法车辆轴箱分编码器检测算法动力学仿真加速度信号耦合数据集卷积算法加速度响应支持向量机数值仿真性能评价椭圆包络构建轨道验证敏感检测

来源：评论

学校读者我要写书评

暂无评论

一种基于属性的异常点检测算法

引用

计算机科学 2005年第5期32卷 164-166页

作者：刘洪涛童德利陈世福南京大学计算机软件新技术国家重点实验室

异常数据检测是数据挖掘研究的热点之一。本文在对现有异常点检测算法分析的基础上,提出了一种基于属性的异常点检测算法。简要地介绍了异常检测的现状,对基于属性的异常检测算法进行了详细分析,包括算法设计基础、算法描述、复杂度分... 详细信息

异常数据检测是数据挖掘研究的热点之一。本文在对现有异常点检测算法分析的基础上,提出了一种基于属性的异常点检测算法。简要地介绍了异常检测的现状,对基于属性的异常检测算法进行了详细分析,包括算法设计基础、算法描述、复杂度分析等。并通过与基于距离的异常点检测算法进行实验比较,表明了算法的优越性。

关键词：异常点属性异常检测算法复杂度分析数据挖掘数据检测算法分析设计基础算法描述实验比较

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：