导读:本文包含了异常模式识别论文开题报告文献综述及选题提纲参考文献，主要关键词:数据挖掘,k均值算法,DBSCAN算法,异常模式识别
异常模式识别论文文献综述
黄琛,李文婷,张旭,孙悦,魏浩然[1]（2018）在《城市供水管网片区用水异常模式识别》一文中研究指出对区域用水的异常模式识别可以为自来水公司实施科学化运行管理提供重要的依据.基于密度的聚类算法与k均值算法相结合,对城市供水管网片区用水进行异常模式识别.首先提取时间和瞬时用水量2个特征,通过k均值算法将所有数据样本分离为不同模式,然后分别对不同模式构建基于密度的聚类算法进行异常点识别.对某地两分区的监测数据进行实验,得到用水异常模式的识别结果与分析.与现有异常检测方案相比较,提出的融合算法所得到的检测结果更具有完整性和准确性.(本文来源于《云南大学学报(自然科学版)》期刊2018年05期）
刘玉敏,赵哲耘[2]（2018）在《基于特征选择与SVM的质量异常模式识别》一文中研究指出为了提高质量异常模式识别精度和效率,文章提出基于特征选择与支持向量机的质量异常模式识别模型。将小波低频近似系数作为特征选择的起点,运用基于分类精度的序列前向选择方法对时域特征和形状特征进行约减,剔除对于分类器精度没有贡献较小的特征;将优化后的特征集作为支持向量机分类器的输入向量,并通过粒子群算法对影响支持向量机分类效果的参数进行全局寻优,构建多分类支持向量机模型。仿真结果表明,所选择特征比未经选择的混合特征的识别精度有明显的提高。(本文来源于《统计与决策》期刊2018年10期）
黄思猛[3]（2018）在《基于CEP和MSVM的质量异常模式识别研究》一文中研究指出制造物联网是物联网技术同制造业深度融合的新型制造模式和服务模式,它可以提升我国制造企业的竞争力和影响力。这种模式在发展过程中仍然存在许多挑战,如在网络传输方面,资源受限、异构网络融合等严重影响着数据传输的可靠性、实时性;在数据处理方面,由于数据的海量多源、高时空关联、时效性等具有特征,有限存储和计算的限制不足以支撑数据的完全处理。而加工质量实时监控作为制造物联网的可靠服务,需要在单位时间内处理更多的质量数据,从而更快的对质量异常模式进行识别。其中有关质量控制图的国内外研究开始集中在使用人工智能算法进行主动识别,并通过对控制图特征的提取和关键特征的筛选提升识别精度,但仍需考虑不同控制图模式的发生概率来调整分类结构进一步提升识别速度;除此之外,使用复杂事件处理技术从制造数据流中提取质量数据也将进一步提高质量异常在线识别的整体识别速度。因此,本文结合多支持向量机(MSVM)和复杂事件处理(CEP),着力提升制造物联网中质量异常模式在线识别效率,其主要研究工作有如下两个方面:(1)分析智能化质量控制的研究现状和需求,提出了基于优化特征选择和动态组合多支持向量机的生产过程质量异常模式识别模型。采用该模型对生产过程进行异常检测时,采用relief和随机森林算法进行特征选择,把提取后的特征子集作为根据异常模式发生概率动态组合的多支持向量机分类器的输入,并使用粒子群算法对超参数进行优化,最终使用优化后的分类器对质量异常模式进行识别,从而兼顾识别精度和识别速度。(2)使用复杂事件处理技术从制造数据流中提取质量数据,针对数据流中的多个复杂事件查询存在的共享现象,本文提出基于双数组trie树的多模式复杂事件检测方法,构建多模式匹配自动机模型以减少复杂事件处理查询过程中冗余的检测和计算,并利用双数组trie树方法充分压缩存储空间,以更有效地从数据流中提取质量数据。仿真实验表明,本文提出的质量数据提取方案在兼顾检测效率的同时减少一定的空间消耗;质量异常识别模型相比于传统识别方法有更好的识别精度,而其识别结构却更为简单并且随发生概率进行动态调整,有助于在实际应用中提升识别速度。(本文来源于《广东工业大学》期刊2018-05-01）
付丹阳[4]（2018）在《入侵检测中基于机器学习的流量异常模式识别研究》一文中研究指出人们在享受着互联网技术和互联网新业态带来的巨大便利的同时,也面临日益严峻的网络安全问题。防火墙无法单独地应对全部网络安全问题,因此入侵检测系统,作为与防火墙协同工作一个十分重要的设备,成为了当今网络安全的热点研究方向之一。传统上使用专家系统和规则库的入侵检测系存在很大的局限性,能够拟合复杂函数的机器学习技术因此成为了入侵检测系统优秀的解决方案。然而,入侵检测领域中的数据中普遍存在两个不可忽略的影响机器学习模型鲁棒性的因素:一是网络流量类别间的严重不平衡问题;二是网路流量分布是时变的,这使得训练集与测试数集是非同分布的。本文提出了独特的“模式”的概念,它用来描述、解释和应用数据样本在特征空间的分布去解决问题。基于模式的思想,本文提出了一个多层次的、半监督的机器学习入侵检测框架(MSML-IDS),其中包含纯簇抽离、模式发现、未知模式细分类和模型更新四个模块。首先是纯簇抽离模块,本文定义了“纯簇模式”,并提出了一种层次的、半监督的k-means算法(HSK-means)来发现和抽离纯簇模式样本;纯簇模式中的样本非常多且可以直接准确预测,抽离它们既增加了它们本身的预测准确率,又降低了类别不平衡因素对后续模型的干扰。其次是模式发现模块,本文在这个模块定义了“未知模式”,并分别使用基于簇的方法和基于单类支持向量机的方法来发现未知模式样本;经过模式发现模块后,任意测试样本将被预测成有具体类别的已知模式样本或没有类别的未知模式样本。接下来是未知模式细分类模块,它的作用是使未知模式样本实现精细分类。最后,模型更新模块则提出了让MSML-IDS模型定期更新的机制。本文选择了 KDDCUP99数据集作为本文的原始数据,并通过处理得到了非同分布数据集和同分布数据集。针对模型评估,本文除了准确度、精确率、召回率、F1值等通用指标外,还定义了 MSML-IDS特色的“基础准确率”、“已知模式准确率”等指标。本文研究了这两个特色指标与总体准确率上下界的关系,在这个关系指导下,产生了关于对模型训练方法和参数选择的偏好。实验结果表明:MSML-IDS在同分布和非同分布数据集上都具有良好的鲁棒性。在同分布数据集上,MSML-IDS的总体准确率达到了 99.95%。在非同分布数据集上,MSML-IDS的总体准确率达到了 96.6%;各类别F1值相对基准算法均有提高,特别是“老鼠流”类型地提高最为明显;已知模式样本的准确率达到了极高的99.3%,同时未知模式识别效果符合预期。(本文来源于《北京邮电大学》期刊2018-03-06）
刘子维,张晓彤,张锐,江颖,韦进[5]（2018）在《连续重力观测异常模式的多分辨率识别算法》一文中研究指出在小波多孔算法的基础上,提出了一种综合信号频率信息和幅值信息的连续重力观测数据多分辨率异常模式识别算法,利用小波分解得到高频区域的能量作为频率指标,与幅值相结合,对信号及其多孔小波分解结果进行多分辨率异常模式识别。利用模拟数据和实际超导重力观测数据对算法的有效性进行了验证,结果表明,该算法能够准确地在带有噪声的信号中识别模拟数据的异常模式,可应用于连续重力观测台网数据分析处理,对于提升台网观测数据质量以及地震预测等实际应用都具有重要意义。用此方法分析拉萨和武汉的3台超导重力仪2015-04-25尼泊尔地震前一天的秒采样数据后,得到一段27min的在频率指标上有超过90%相似性的异常模式,这一结果的更深层次物理解释仍需要进一步研究。(本文来源于《武汉大学学报(信息科学版)》期刊2018年06期）
刘莉[6]（2017）在《基于特征融合的动态过程质量异常模式识别方法研究》一文中研究指出随着生产制造过程的日益自动化、连续化与复杂化,动态过程的质量异常模式识别与质量诊断引起了众多学者的关注。质量异常模式识别的准确率主要取决于模式分类特征与分类器这两个关键因素,从质量模式原始数据中所提取出的特征分量,不仅能够有效地反映出质量模式的属性与状态,增强不同模式之间的区分度,还能够在很大程度上减少数据的冗余性与繁杂性,已经成为提升质量模式识别精度的有效手段之一。然而,由于动态过程大数据的复杂性,任何一类异常模式,仅依靠单一类型的数据特征难以获得较高的识别精度。因此,如何针对动态数据流提取低维数且细节信息较强的特征数据,采用融合特征的方法以提高动态过程异常模式识别效率是亟待解决的问题。本文在收集整理大量国内外研究文献的基础上,以模式识别和质量诊断为理论依据,将系统地研究基于特征融合的动态过程质量异常模式识别方法。首先,在国内外动态过程模式识别、特征提取方法与质量诊断研究综述的基础上,界定了动态过程的质量异常模式;随后,提出了基于特征融合的动态过程质量异常模式识别方法,并采用粒子群优化算法寻找支持向量机最佳参数组合。最后,通过仿真实验验证了本文所提方法的有效性。研究结果表明:(1)本文所提出的基于特征融合优化与多支持向量机的质量异常模式识别方法比传统识别方法的效率更高;(2)通过粒子群优化算法寻找支持向量机的最优参数组合,并将融合约简特征作为多支持向量机的输入向量能够获得比其他识别模型更好的识别效果;(3)该模型利用粗糙集对串联特征组合进行约简,能够降低特征的维数,并剔除冗余与无关特征,提升整个模型的识别精度。本文的研究特色与创新之处在于:(1)提出了基于融合特征的动态过程质量异常模式识别方法;(2)将粗糙集约简方法应用于质量异常模式识别的特征组合融合优化,消除对分类贡献较小或是包含冗余信息的特征,进而得到便于进行分类的特征集合;(3)构建了多支持向量机作为质量异常模式识别的分类器,并利用粒子群算法寻找其最优参数组合,实现了动态过程质量异常模式的识别。本文的研究克服了单一类型的数据特征仅用部分信息来反映动态过程运行状态的缺陷,并有效地压缩了冗余信息,实现了实时质量异常数据的处理与诊断,为石油、化工、烟草等自动化行业提供实时质量监控与故障诊断技术。(本文来源于《郑州大学》期刊2017-05-01）
王慧[7]（2017）在《基于小波分析的控制图混合异常模式识别研究》一文中研究指出控制图是一种成功应用到实际生产过程质量监控和诊断的有效工具,特别是在生产过程中的监控的应用很大提高了生产质量保证的水平。尽管控制图对于生产过程中的质量控制发挥了巨大作用,但它对生产过程中的混合异常模式难以识别,很大程度削弱了控制图的识别效果。目前,很多研究都是基于基础异常模式,对于混合异常模式的识别研究相对较少。同时小波分析和BP神经网络对控制图模式识别已成为研究热点。本文就小波分析和BP神经网络的结合对质量控制图混合异常模式进行探索研究。本文研究内容如下:首先用蒙特卡洛方法生成基础异常模式特征数据,并用基础模式数据的矩阵相互迭加作为相应混合异常模式数据的来源。其次用BP神经网络对基础异常模式进行训练并检测网络的正确识别率。之后利用一维离散小波对原始数据进行特征提取,建立小波分析的控制图混合异常模式识别模型。最后对小波基函数的选择和BP神经网络参数作出相应分析,将重构细节信号和近似信号作为原数据的基础异常模式数据输入到训练好的BP神经网络进行识别研究,得出模式识别结论。如何选定基础小波以及提取控制图混合异常模式的特征是本文研究的关键。本文根据小波函数的特性选用DbN、SymN和CoifN叁种小波函数。然后利用MATLAB工具箱将叁种小波函数系列在不同层数的分解系数进行对比,选择最好表达原数据特征的小波函数以及分解层数。然后用选定的小波函数和分解层数进行小波重构,将生成数据输入到训练好的BP神经网络进行识别。识别研究表明:Coif4小波叁层分解重构特征数据时,网络识别率较高。本文对控制图混合异常模式识别研究提供了理论支持,并且为其他控制图异常模式的识别研究提供分析方法。(本文来源于《中北大学》期刊2017-04-10）
钱坤[8]（2016）在《基于数据智能的异常模式识别关键技术研究》一文中研究指出随着经济和社会的不断发展,城市车辆急剧增加,使得传统的交通系统出现了越来越多的问题,交通拥堵、空气污染、交通事故成为了大家关注的热点。与此同时,人们对于出行质量的要求也在不断提高。为了能够应对这些交通难题,智能交通系统便应运而生,而且在近几年得到了飞速的发展。智能交通系统通过结合信息技术和交通技术,提出了一系列解决当前交通问题的方案,并且取得了一定的效果,在缓解交通拥堵、提高出行质量等方面都显示出了巨大的价值。在智能交通系统中当前研究的热点问题之一是交通异常分析。然而,传统的交通异常分析存在着种种问题,比如,现在很多的异常监控都通过人工检测,不但无法对交通数据作出科学性的分析与研究,同时还具有准确率低、延时性高等缺点。因此,研究者都在积极的寻找新的异常数据分析方法用来取代过去的传统方法。本文通过对现有数据学习算法进行研究分析,并结合城市交通流的特性,提出了一套对于交通数据异常分析的方法与流程,并确定以K-means方法为出发点的数据研究方向。此方法通过分析车辆数据的特征,结合真实数据的验证,对原始的、模糊的车辆数据进行了标签化的处理。同时提出了模型的镜像化处理,用于模型针对不同地区特征的数据作出自适应性改变。最终达到高准确性聚类交通数据的目的。本文还基于标签化后的数据,建立了异常分类模型,旨在于实际运用中,对实时的交通数据进行异常可能性判断。本文还提出了以线性回归为基础的异常判断模型。同时,针对交通数据特征,为了提高模型的分类准确性,提出了参数去共线性,将交通数据集转化为适合线性回归分析的数据集,最终提高了在交通研究方面的线性回归模型准确性。通过对实验结果的分析,本论文提出的方法与流程能够在一定程度上有效的解决交通数据的异常分析问题,帮助研究者对原始交通数据进行初步的认知,并对实时交通数据进行分类与识别处理。(本文来源于《北京理工大学》期刊2016-06-01）
刘玉敏,周昊飞[9]（2016）在《动态过程质量异常模式ANN—SVM识别模型及仿真分析》一文中研究指出为简化ANN网络结构、降低MSVM识别的复杂度,提高动态过程质量异常模式识别效率,文章提出了基于ANN—SVM的动态过程质量异常模式识别模型。首先,在ANN分类器中应用均值特征把整体变化趋势上具有相似性的六种质量模式划分为叁大类别。其次,利用SVM分类器对这叁类进行再识别。应用均值特征构建的ANN网络结构简单,无需对其进行参数优化,并且ANN分类器将多分类问题转化为叁个两分类问题,降低了MSVM的分类数。仿真结果表明:所提出的识别模型比单一采用ANN或MSVM分类器的整体识别精度均有显着提高,且大大缩减了模型训练时间。(本文来源于《统计与决策》期刊2016年09期）
叶知凡[10]（2016）在《基于极限学习机的异常模式识别》一文中研究指出异常模式指的是那些与正常的、合法的、或者符合规则的模式不同的模式。这些异常模式,例如与正常组织不同的肿瘤,与合法连接不同的网络攻击,往往需要及时、准确地识别出来以便于接下来采取相应的应对措施。在异常模式识别中,有时有些异常模式类别没有充分的训练样本;有时异常模式类别在分类边界上高度非线性化,分类难度较高;在大数据的时代,数据往往数据量巨大。在这样的背景下,异常模式识别具有极高的难度和极大的现实意义。本文的主要研究内容及贡献如下:1、针对大数据背景下数据量大和异常模式类别在分类边界上高度非线性化的问题,本文使用极限学习机进行异常模式识别。极限学习机训练速度极快,能够用于海量的数据;同时它能够进行非线性回归拟合,能够处理分类边界高度非线性化的异常模式识别问题;此外,还可以利用极限学习机随机分配参数的特性通过反复训练分类器来提升样本不充分的异常模式的识别精度。2、针对有些异常模式没有足够的训练样本、从而造成各类之间训练样本比例失衡的问题,本文通过将多类分类问题转化为多个二分类问题,并改变训练时异常模式之间的样本比例来减小样本比例失衡造成的影响。3、针对多个二分类器中某些分类器的假阳性结果过多的问题,本文提出一种串行分类架构。在为串行的二分类器排序时,假阳性结果越少的极限学习机二分类器位置越靠前,假阳性结果越多的极限学习机二分类器位置越靠后。这样就将假阳性结果的影响最小化,提升了整体的识别能力。4、针对异常模式的类别数量较多时,串行分类架构会造成假阳性结果过多积累的问题,本文提出一种并行分类架构来组合极限学习机二分类器。本文还将上述提出的串行、并行的分类架构分别应用于KDD99、NSL-KDD、KDD08数据集的异常模式识别,来验证本文中提出的方法的有效性,并且与主流的模式识别算法相比较。实验结果表明,本文提出的方法不仅能够解决上述问题,而且与其他主流模式识别算法相比,本文提出的方法还拥有较高的异常模式识别的召回率、精度和准确度。(本文来源于《福州大学》期刊2016-03-01）
异常模式识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了提高质量异常模式识别精度和效率,文章提出基于特征选择与支持向量机的质量异常模式识别模型。将小波低频近似系数作为特征选择的起点,运用基于分类精度的序列前向选择方法对时域特征和形状特征进行约减,剔除对于分类器精度没有贡献较小的特征;将优化后的特征集作为支持向量机分类器的输入向量,并通过粒子群算法对影响支持向量机分类效果的参数进行全局寻优,构建多分类支持向量机模型。仿真结果表明,所选择特征比未经选择的混合特征的识别精度有明显的提高。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
异常模式识别论文参考文献
[1].黄琛,李文婷,张旭,孙悦,魏浩然.城市供水管网片区用水异常模式识别[J].云南大学学报(自然科学版).2018
[2].刘玉敏,赵哲耘.基于特征选择与SVM的质量异常模式识别[J].统计与决策.2018
[3].黄思猛.基于CEP和MSVM的质量异常模式识别研究[D].广东工业大学.2018
[4].付丹阳.入侵检测中基于机器学习的流量异常模式识别研究[D].北京邮电大学.2018
[5].刘子维,张晓彤,张锐,江颖,韦进.连续重力观测异常模式的多分辨率识别算法[J].武汉大学学报(信息科学版).2018
[6].刘莉.基于特征融合的动态过程质量异常模式识别方法研究[D].郑州大学.2017
[7].王慧.基于小波分析的控制图混合异常模式识别研究[D].中北大学.2017
[8].钱坤.基于数据智能的异常模式识别关键技术研究[D].北京理工大学.2016
[9].刘玉敏,周昊飞.动态过程质量异常模式ANN—SVM识别模型及仿真分析[J].统计与决策.2016
[10].叶知凡.基于极限学习机的异常模式识别[D].福州大学.2016