-
公开(公告)号：CN105279385A
公开(公告)日：2016-01-27
申请号：CN201510784750.7
申请日：2015-11-16
Applicant: 中国人民解放军61599部队计算所 , 东北大学
IPC: G06F19/00
Abstract: 本发明公开了一种基于虚拟样本的磨机负荷参数软测量方法，所述方法首先采用集成经验模态分解技术(EEMD)获得磨机筒体振动及振声样本信号的多尺度时域子信号，进行进一步处理后获得具有不同时间尺度的高维谱数据；接着基于这些高维谱数据采用改进的选择性集成核偏最小二乘方法(IGASEN-KPLS)构建基于可行性的规划(FBP)模型，并基于先验知识和FBP模型产生新的虚拟样本；然后将其与真实训练样本混合后得到混合建模样本，并采用基于互信息(MI)的特征选择方法进行多尺度谱特征的自适应选择，采用这些选择的谱特征构建软测量模型，并进行软测量。
-
公开(公告)号：CN104932425A
公开(公告)日：2015-09-23
申请号：CN201510303525.7
申请日：2015-06-04
Applicant: 中国人民解放军61599部队计算所
IPC: G05B19/401
CPC classification number: G05B19/401
Abstract: 公开了一种磨机负荷参数软测量方法。首先，采用集合经验模态分解(EEMD)技术将磨机筒体振动和振声信号分解为具有不同时间尺度和物理含义的子信号(内禀模态函数，IMFs)；然后，采用基于互信息(MI)的自适应特征选择方法的选择多尺度IMF的三类特征(频谱、边际谱、希尔伯特(Hilbert)变换瞬时幅值和频率的均值和方差)；最后，基于选择的谱特征和训练样本构建基于选择性集成核偏最小二乘(KPLS)方法的软测量模型。基于小型球磨机的仿真实验结果表明所述方法可以有效检测负荷参数。
-
公开(公告)号：CN106060008B
公开(公告)日：2019-11-19
申请号：CN201610306040.8
申请日：2016-05-10
Applicant: 中国人民解放军61599部队计算所 , 南京信息工程大学
IPC: H04L29/06
Abstract: 对于入侵检测模型构建问题，本发明提出一种新的监督非线性特征提取和正则化随机权重神经网络(RRWNN)的网络入侵异常检测方法。核偏最小二乘(KPLS)算法用于处理输入特征的共线性和复杂非线性映射。这些提取的潜在特征输入RRWNN算法用于构建具有较高学习速度和较好泛化性能的入侵检测模型。采用全局优化策略选择基于KPLS‑RRWNN的入侵检测模型的建模参数。基于KDD99数据的仿真表明了方法的有效性。
-
公开(公告)号：CN106203253B
公开(公告)日：2019-05-24
申请号：CN201610455457.0
申请日：2016-06-22
Applicant: 中国人民解放军61599部队计算所 , 东北大学
Abstract: 本发明公开了一种基于多源信息的磨机振动与振声特征提取方法，其包括步骤：A、多源信号采集，其通过数据采集系统获取表征磨机负荷状态的信号，所采集到的信号为多源时域信号，将其记为S，则采样个数为N的多源时域信号S记为B、浅层特征信息选择，其基于非平稳非线性信号自适应分解和分析技术实现磨机振动与振声浅层特征信息的选择；C：深度特征知识提取，其基于优化耦合深度神经网络特征提取和互信息特征度量算法实现磨机振动/振声多尺度深度特征知识的提取。本发明的方法可为构建磨机负荷状态识别和磨机负荷参数软测量模型提供支撑。
-
公开(公告)号：CN104869126A
公开(公告)日：2015-08-26
申请号：CN201510345440.5
申请日：2015-06-19
Applicant: 中国人民解放军61599部队计算所
IPC: H04L29/06
CPC classification number: H04L63/1425
Abstract: 本发明公开了一种网络入侵异常检测方法。本发明针对网络入侵异常检测模型输入特征的高维共线性问题，首先通过基于主元分析(PCA)的特征提取技术对输入变量进行潜在特征提取，消除变量间的共线性；然后采用基于互信息(MI)的特征选择技术对PCA提取的潜在变量进行选择，进而实现与异常检测模型输出类别最为相关的相互独立的特征变量的选择；最后，以这些特征输入，基于具有较快学习速度的随机向量泛函联接(RVFL)网络建立检测模型。抵消了主元分析提取的特征与模型输出不相关、基于互信息的特征选择需要考虑变量间的相关性的缺点，有效地解决了网络入侵异常检测模型输入特征的高维共线性问题。
-
Patent Agency Ranking
公开(公告)号：CN104869126B
公开(公告)日：2018-02-09
申请号：CN201510345440.5
申请日：2015-06-19
Applicant: 中国人民解放军61599部队计算所
IPC: H04L29/06
Abstract: 本发明公开了一种网络入侵异常检测方法。本发明针对网络入侵异常检测模型输入特征的高维共线性问题，首先通过基于主元分析(PCA)的特征提取技术对输入变量进行潜在特征提取，消除变量间的共线性；然后采用基于互信息(MI)的特征选择技术对PCA提取的潜在变量进行选择，进而实现与异常检测模型输出类别最为相关的相互独立的特征变量的选择；最后，以这些特征输入，基于具有较快学习速度的随机向量泛函联接(RVFL)网络建立检测模型。抵消了主元分析提取的特征与模型输出不相关、基于互信息的特征选择需要考虑变量间的相关性的缺点，有效地解决了网络入侵异常检测模型输入特征的高维共线性问题。
-
公开(公告)号：CN105279385B
公开(公告)日：2018-06-15
申请号：CN201510784750.7
申请日：2015-11-16
Applicant: 中国人民解放军61599部队计算所 , 东北大学
IPC: G06F17/50
Abstract: 本发明公开了一种基于虚拟样本的磨机负荷参数软测量方法，所述方法首先采用集成经验模态分解技术(EEMD)获得磨机筒体振动及振声样本信号的多尺度时域子信号，进行进一步处理后获得具有不同时间尺度的高维谱数据；接着基于这些高维谱数据采用改进的选择性集成核偏最小二乘方法(IGASEN‑KPLS)构建基于可行性的规划(FBP)模型，并基于先验知识和FBP模型产生新的虚拟样本；然后将其与真实训练样本混合后得到混合建模样本，并采用基于互信息(MI)的特征选择方法进行多尺度谱特征的自适应选择，采用这些选择的谱特征构建软测量模型，并进行软测量。
-
公开(公告)号：CN105046320A
公开(公告)日：2015-11-11
申请号：CN201510496474.4
申请日：2015-08-13
Applicant: 中国人民解放军61599部队计算所
IPC: G06N3/00
Abstract: 本发明公开了一种虚拟样本生成方法，本发明首先采用信号采集及相应装置等手段获取数量有限的高维真实样本，接着采用偏最小二乘(PLS)算法、遗传算法(GA)、误差逆传播神经网络(BPNN)算法构建基于可行性的规划(FBP)模型；然后基于已知的真实样本的先验知识产生虚拟样本的输入；接着将PLS提取的虚拟样本潜在特征输入FBP并基于先验知识获得虚拟样本输出；最后将符合预设定规则的虚拟样本的输入向量和输出向量组合后获得完整的虚拟样本。由此，实现了较为准确地生成可用于高维数据预测的虚拟样本。
-
公开(公告)号：CN104932425B
公开(公告)日：2017-10-20
申请号：CN201510303525.7
申请日：2015-06-04
Applicant: 中国人民解放军61599部队计算所
IPC: G05B19/401
Abstract: 公开了一种磨机负荷参数软测量方法。首先，采用集合经验模态分解(EEMD)技术将磨机筒体振动和振声信号分解为具有不同时间尺度和物理含义的子信号(内禀模态函数，IMFs)；然后，采用基于互信息(MI)的自适应特征选择方法的选择多尺度IMF的三类特征(频谱、边际谱、希尔伯特(Hilbert)变换瞬时幅值和频率的均值和方差)；最后，基于选择的谱特征和训练样本构建基于选择性集成核偏最小二乘(KPLS)方法的软测量模型。基于小型球磨机的仿真实验结果表明所述方法可以有效检测负荷参数。
-
公开(公告)号：CN106203253A
公开(公告)日：2016-12-07
申请号：CN201610455457.0
申请日：2016-06-22
Applicant: 中国人民解放军61599部队计算所 , 东北大学
CPC classification number: B02C17/1805 , G01H17/00 , G06K9/00516 , G06K9/00523 , G06K9/00536
Abstract: 本发明公开了一种基于多源信息的磨机振动与振声特征提取方法，其包括步骤：A、多源信号采集，其通过数据采集系统获取表征磨机负荷状态的信号，所采集到的信号为多源时域信号，将其记为S，则采样个数为N的多源时域信号S记为 B、浅层特征信息选择，其基于非平稳非线性信号自适应分解和分析技术实现磨机振动与振声浅层特征信息的选择；C：深度特征知识提取，其基于优化耦合深度神经网络特征提取和互信息特征度量算法实现磨机振动/振声多尺度深度特征知识的提取。本发明的方法可为构建磨机负荷状态识别和磨机负荷参数软测量模型提供支撑。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.024 seconds)
