公开(公告)号：CN110377636A

公开(公告)日：2019-10-25

申请号：CN201910626981.3

申请日：2019-07-09

Applicant: 南京工业大学

Inventor： 朱加成 ,  张振 ,  东单锋 ,  邓浩

IPC: G06F16/2458

Abstract: 本发明公开了一种基于多示例模型的离群检测算法。互联网的发展产生了大量数据，由此产生了异常值检测方法来检测异常值，并在其上获得有效信息。本发明通过在多示例学习框架下，训练数据集由若干个包组成，包内含有多个用属性-值对形式表示的示例，系统对包内的多个示例进行学习，将多示例问题转化为单示例问题进行处理。提出了一种基于多示例学习的局部离群点改进算法FWMIL-LOF。算法采用MIL(Multi-Instance Learning)框架，在示例包的转换过程中引入描述数据重要度的权重函数，通过定义惩罚策略对权重函数做相应调整，从而确定了不同特征属性的示例在所属包中的权重，改进了的算法，在离群点检测效果方面得到了提高。

公开(公告)号：CN110263767A

公开(公告)日：2019-09-20

申请号：CN201910647796.2

申请日：2019-07-12

Applicant: 南京工业大学

Inventor： 东单锋 ,  张振 ,  朱加成

IPC: G06K9/00 ,  G06N3/04 ,  G06N3/06 ,  G06N3/08 ,  G01M13/045

Abstract: 本发明公开了结合压缩数据采集和深度学习的智能转轴故障诊断方法。涉及旋转机械系统、深度学习等领域，该方法是一种新型的旋转机械故障识别智能诊断方法，采用了非线性投影实现压缩采集，不仅减少了包含所有故障信息的测量数据量，而且实现了变换域的自动特征提取。为了探索隐藏在采集数据中的区分，建立了基于堆叠稀疏自动编码器的深度神经网络，使用无监督学习过程，再进行监督微调过程。因为压缩采集的重要性，提供了关键因素的影响并与传统方法进行了比较。利用滚动轴承的数据集验证了该方法的有效性，分析表明，该方法能够获得较高的诊断精度，优于现有方法。该方法减少了对人工和专业知识的需求，并提供更容易处理海量数据的新策略。

公开(公告)号：CN110210569A

公开(公告)日：2019-09-06

申请号：CN201910495396.4

申请日：2019-06-06

Applicant: 南京工业大学

Inventor： 秦岭 ,  东单锋

IPC: G06K9/62 ,  G06N3/00

Abstract: 本发明公开了基于FCM-LSTM的化工储罐异常检测算法研究。涉及化工设备、神经网络等领域，该方法利用多层网络架构模型作为故障诊断方法，结合监督学习和无监督学习的优点，采用基于数据驱动的故障诊断机制。首先利用无监督具类FCM算法对海量数据进行聚类，依据指定的相似度标准，对数据集进行划分，使得正常数据和故障数据归属到不同的类簇，再运用PSO算法避免初始值的随机选取，加速聚类过程，得到少量标记数据以提高检测性能，然后利用LSTM分别对每个簇和离线历史数据进行训练网路，最后进行多子网并行学习后对结果进行拟合并集成分析，提高网络的泛化能力。这种方法处理的数据量更大，可处理的信息更多，适用范围更广。