基于支持向量機的異常檢測關鍵問題研究及應用.pdf

1、近年來，隨著傳感、通信及信息處理技術的不斷發(fā)展，使得監(jiān)控工業(yè)生產(chǎn)過程和設備狀態(tài)成為可能，如何充分利用這些監(jiān)控數(shù)據(jù)及時發(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)濟損失顯得尤為重要，因此，研究基于數(shù)據(jù)驅動的高效異常檢測方法具有重要的理論意義和實用價值。
　　本文結合煤層底板突水預測和輸送帶撕裂檢測這2個異常檢測應用的需求，從支持向量機的基本理論、算法構造和性能優(yōu)化等方面進行了系統(tǒng)的分析和研究。首先，在異常檢測中常常由于異常樣

2、本缺乏導致類別不平衡，本文選用支持向量數(shù)據(jù)描述（SVDD）一類分類方法和支持向量機（SVM）相結合進行異常檢測和識別；然后，針對檢測模型抗噪性和泛化性的改善、檢測效率的提高以及模型的可在線更新等問題進行了重點研究。論文的主要創(chuàng)新工作包括以下內(nèi)容：
　　（1）構建了煤層底板突水預測和礦用輸送帶撕裂檢測2個檢測應用特征數(shù)據(jù)集。在煤層底板突水預測方面，首先，基于當前國內(nèi)外對底板突水機理的研究，分析了影響底板突水發(fā)生的主要因素，參考當前已

3、發(fā)表研究成果，構建了一個底板突水預測參考數(shù)據(jù)集；然后，針對山西西山晉興能源某礦底板承壓水突出預測問題，通過分析其水文地質資料及勘探數(shù)據(jù)，并經(jīng)地質專家分析標注，構建了該礦的底板突水預測數(shù)據(jù)集。在輸送帶撕裂檢測方面，首先，采用機器視覺方法獲得輸送帶監(jiān)測圖像，然后進行中值濾波降噪，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項特征，構建了輸送帶撕裂檢測數(shù)據(jù)集。
　　（2）針對SVDD算法易受噪聲干擾導致檢測精度和泛化性能

4、下降，通過引入基于切斷距離局部密度懲罰權重來表征樣本、特別是邊界樣本的分布特性，然后在帶負類的SVDD算法基礎上，通過使用ε不敏感損失函數(shù)構造兩類樣本的間隔，提出了兩種新的魯棒性SVDD方法，分別為R-SVDD和εNR-SVDD，并給出了其對應的理論分析，最后通過UCI公共數(shù)據(jù)集、煤層底板突水預測數(shù)據(jù)集和輸送帶撕裂視覺特征數(shù)據(jù)集驗證了提出方法具有較高的檢測正確率，并提高了抗噪性和泛化性。
　?。?）針對特征選擇對異常檢測模型構建的

5、重要影響，提出了增強人工蜂群-支持向量機（EABC-SVM）算法來實現(xiàn)有效的特征選擇。在增強人工蜂群算法中，運用Cat混沌映射進行種群初始化來提高種群多樣性，運用提出的基于當前最優(yōu)解的定向搜索方程來改善原始人工蜂群（ABC）算法的全局優(yōu)化能力和收斂速度。通過UCI數(shù)據(jù)集、底板突水預測數(shù)據(jù)集和輸送帶撕裂視覺特征數(shù)據(jù)集上進行實驗測試，并與原始ABC及其他ABC改進方法結合SVM進行特征選擇相比，EABC-SVM方法用于異常檢測特征選擇中能夠

6、得到更高的分類正確率，同時可以消除特征數(shù)據(jù)中的冗余變量，從而提高異常檢測的整體性能。
　　（4）針對異常檢測應用中，監(jiān)測數(shù)據(jù)流往往動態(tài)變化，隨著新樣本增加，傳統(tǒng)基于批數(shù)據(jù)處理的SVM分類模型不能有效更新，導致檢測正確率下降。為了有效解決該問題，提出了基于廣義KKT條件選擇最優(yōu)更新集的GKKT-ISVM增量學習算法，通過UCI數(shù)據(jù)集、底板突水預測數(shù)據(jù)集和輸送帶撕裂視覺特征數(shù)據(jù)集上的實驗結果表明，所提算法可以有效利用先前訓練結果，結合