基于软超球体的高维非线性数据异常点识别算法

发布时间：2018-06-10 10:00

  本文选题：软超球体 + 高维非线性数据　； 参考：《工程科学学报》2017年10期

【摘要】：在冶金、化工等流程型工业领域,生产中的过程控制参数往往具有高维非线性结构特征.为了解决这类高维复杂数据的异常点检测问题,本文引入了软超球体的概念,采用非线性核函数将原始数据映射到高维的特征空间,并在特征空间中确定软超球体的边界.通过检测待识别样本映射到特征空间的位置信息来判定过程参数的设定值是否为异常点,从而避免出现批量的产品质量问题.以某类汽车用钢为应用实例,对实际生产数据进行检测,证明了所提出的基于软超球体的异常点识别算法对于高维的非线性数据具有良好的检测能力.
[Abstract]:In the fields of metallurgical, chemical and other flowsheet industries, the process control parameters in production often have high dimensional nonlinear structural characteristics. In order to solve the problem of anomaly detection of complex high-dimensional data, the concept of soft hypersphere is introduced in this paper. The original data is mapped to the high-dimensional feature space by nonlinear kernel function, and the boundary of soft hypersphere is determined in the feature space. By detecting the location information that the samples are mapped to the feature space to determine whether the set value of the process parameters is an outlier or not, the problem of batch product quality can be avoided. Taking a certain kind of automobile steel as an application example, the actual production data are detected, and it is proved that the proposed anomaly point recognition algorithm based on soft hypersphere has a good ability to detect high dimensional nonlinear data.
【作者单位】： 北京科技大学计算机与通讯工程学院;钢铁共性技术协同创新中心;
【基金】：国家高技术研究发展计划(863计划)资助项目(2014AA041801-2)
【分类号】：TG142.1

【相似文献】

相关期刊论文 前2条

1 刘玉英,盛文华;标准化残差法对分析检验校准曲线中异常点的判别[J];吉林水利;2001年04期

2 ;[J];;年期

相关会议论文 前5条

1 张维;刘博;张小涛;;日内金融高频数据的异常点检测[A];全国自动化新技术学术交流会会议论文集（一）[C];2005年

2 刘晓艳;王丽珍;杨志强;陈红梅;;基于数学形态学的模糊异常点检测[A];第26届中国数据库学术会议论文集（B辑）[C];2009年

3 王倩;刘奕群;马少平;茹立云;;面向用户互联网访问日志的异常点击分析[A];第五届全国信息检索学术会议论文集[C];2009年

4 王丽珍;周丽华;肖清;;基于数据仓库的动态异常点检测研究[A];第二十五届中国数据库学术会议论文集（二）[C];2008年

5 张重生;冯海军;陈红;梁思维;李翠平;;一种分布式数据集上top-n异常点挖掘的高效算法[A];第二十五届中国数据库学术会议论文集（二）[C];2008年

相关硕士学位论文 前10条

1 何欢;基于概念漂移的异常检测技术研究[D];电子科技大学;2015年

2 杨宗羲;函数系数时序模型基于各类进化算法的估计及其异常点检测[D];东南大学;2015年

3 江晨阳;双线性时间序列模型的多变点估计及多个异常点挖掘[D];东南大学;2016年

4 沈琰辉;基于邻域离散度和隔离树的异常点检测算法研究[D];浙江师范大学;2016年

5 夏一;金融时序模型的异常点检测和纠正及投资咨询实证分析[D];东南大学;2016年

6 李京亚;基于非线性降维的复杂轮廓异常点识别方法研究[D];天津大学;2016年

7 赵伯夷;基于神经网络的异常点挖掘[D];河北大学;2011年

8 孙易木;异常点挖掘及证券行业应用实例研究[D];同济大学;2006年

9 谢国城;基于超球体多类支持向量数据描述的医学图像分类方法研究[D];西北师范大学;2014年

10 苏展;基于类中心最小超球体的快速分类法[D];华中科技大学;2006年

，

本文编号：2002822