基于支持向量機(jī)的異常檢測(cè)關(guān)鍵問(wèn)題研究及應(yīng)用.pdf

1、近年來(lái)，隨著傳感、通信及信息處理技術(shù)的不斷發(fā)展，使得監(jiān)控工業(yè)生產(chǎn)過(guò)程和設(shè)備狀態(tài)成為可能，如何充分利用這些監(jiān)控?cái)?shù)據(jù)及時(shí)發(fā)現(xiàn)異常模式，避免事故發(fā)生，減少不必要的人員傷亡和經(jīng)濟(jì)損失顯得尤為重要，因此，研究基于數(shù)據(jù)驅(qū)動(dòng)的高效異常檢測(cè)方法具有重要的理論意義和實(shí)用價(jià)值。
　　本文結(jié)合煤層底板突水預(yù)測(cè)和輸送帶撕裂檢測(cè)這2個(gè)異常檢測(cè)應(yīng)用的需求，從支持向量機(jī)的基本理論、算法構(gòu)造和性能優(yōu)化等方面進(jìn)行了系統(tǒng)的分析和研究。首先，在異常檢測(cè)中常常由于異常樣

2、本缺乏導(dǎo)致類(lèi)別不平衡，本文選用支持向量數(shù)據(jù)描述（SVDD）一類(lèi)分類(lèi)方法和支持向量機(jī)（SVM）相結(jié)合進(jìn)行異常檢測(cè)和識(shí)別；然后，針對(duì)檢測(cè)模型抗噪性和泛化性的改善、檢測(cè)效率的提高以及模型的可在線(xiàn)更新等問(wèn)題進(jìn)行了重點(diǎn)研究。論文的主要?jiǎng)?chuàng)新工作包括以下內(nèi)容：
　　（1）構(gòu)建了煤層底板突水預(yù)測(cè)和礦用輸送帶撕裂檢測(cè)2個(gè)檢測(cè)應(yīng)用特征數(shù)據(jù)集。在煤層底板突水預(yù)測(cè)方面，首先，基于當(dāng)前國(guó)內(nèi)外對(duì)底板突水機(jī)理的研究，分析了影響底板突水發(fā)生的主要因素，參考當(dāng)前已

3、發(fā)表研究成果，構(gòu)建了一個(gè)底板突水預(yù)測(cè)參考數(shù)據(jù)集；然后，針對(duì)山西西山晉興能源某礦底板承壓水突出預(yù)測(cè)問(wèn)題，通過(guò)分析其水文地質(zhì)資料及勘探數(shù)據(jù)，并經(jīng)地質(zhì)專(zhuān)家分析標(biāo)注，構(gòu)建了該礦的底板突水預(yù)測(cè)數(shù)據(jù)集。在輸送帶撕裂檢測(cè)方面，首先，采用機(jī)器視覺(jué)方法獲得輸送帶監(jiān)測(cè)圖像，然后進(jìn)行中值濾波降噪，并根據(jù)輸送帶撕裂圖像的特性，提取了灰度直方圖和灰度共生矩陣2項(xiàng)特征，構(gòu)建了輸送帶撕裂檢測(cè)數(shù)據(jù)集。
　?。?）針對(duì)SVDD算法易受噪聲干擾導(dǎo)致檢測(cè)精度和泛化性能

4、下降，通過(guò)引入基于切斷距離局部密度懲罰權(quán)重來(lái)表征樣本、特別是邊界樣本的分布特性，然后在帶負(fù)類(lèi)的SVDD算法基礎(chǔ)上，通過(guò)使用ε不敏感損失函數(shù)構(gòu)造兩類(lèi)樣本的間隔，提出了兩種新的魯棒性SVDD方法，分別為R-SVDD和εNR-SVDD，并給出了其對(duì)應(yīng)的理論分析，最后通過(guò)UCI公共數(shù)據(jù)集、煤層底板突水預(yù)測(cè)數(shù)據(jù)集和輸送帶撕裂視覺(jué)特征數(shù)據(jù)集驗(yàn)證了提出方法具有較高的檢測(cè)正確率，并提高了抗噪性和泛化性。
　?。?）針對(duì)特征選擇對(duì)異常檢測(cè)模型構(gòu)建的

5、重要影響，提出了增強(qiáng)人工蜂群-支持向量機(jī)（EABC-SVM）算法來(lái)實(shí)現(xiàn)有效的特征選擇。在增強(qiáng)人工蜂群算法中，運(yùn)用Cat混沌映射進(jìn)行種群初始化來(lái)提高種群多樣性，運(yùn)用提出的基于當(dāng)前最優(yōu)解的定向搜索方程來(lái)改善原始人工蜂群（ABC）算法的全局優(yōu)化能力和收斂速度。通過(guò)UCI數(shù)據(jù)集、底板突水預(yù)測(cè)數(shù)據(jù)集和輸送帶撕裂視覺(jué)特征數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)測(cè)試，并與原始ABC及其他ABC改進(jìn)方法結(jié)合SVM進(jìn)行特征選擇相比，EABC-SVM方法用于異常檢測(cè)特征選擇中能夠

6、得到更高的分類(lèi)正確率，同時(shí)可以消除特征數(shù)據(jù)中的冗余變量，從而提高異常檢測(cè)的整體性能。
　?。?）針對(duì)異常檢測(cè)應(yīng)用中，監(jiān)測(cè)數(shù)據(jù)流往往動(dòng)態(tài)變化，隨著新樣本增加，傳統(tǒng)基于批數(shù)據(jù)處理的SVM分類(lèi)模型不能有效更新，導(dǎo)致檢測(cè)正確率下降。為了有效解決該問(wèn)題，提出了基于廣義KKT條件選擇最優(yōu)更新集的GKKT-ISVM增量學(xué)習(xí)算法，通過(guò)UCI數(shù)據(jù)集、底板突水預(yù)測(cè)數(shù)據(jù)集和輸送帶撕裂視覺(jué)特征數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，所提算法可以有效利用先前訓(xùn)練結(jié)果，結(jié)合