CN111260024B - 基于长短期记忆和典型相关结合的故障检测方法及*** - Google Patents
基于长短期记忆和典型相关结合的故障检测方法及*** Download PDFInfo
- Publication number
- CN111260024B CN111260024B CN202010017077.5A CN202010017077A CN111260024B CN 111260024 B CN111260024 B CN 111260024B CN 202010017077 A CN202010017077 A CN 202010017077A CN 111260024 B CN111260024 B CN 111260024B
- Authority
- CN
- China
- Prior art keywords
- long
- term memory
- neural network
- memory neural
- fault detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007787 long-term memory Effects 0.000 title claims abstract description 91
- 238000001514 detection method Methods 0.000 title claims abstract description 74
- 238000013528 artificial neural network Methods 0.000 claims abstract description 104
- 230000015654 memory Effects 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 241000764238 Isis Species 0.000 claims 1
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Debugging And Monitoring (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及故障检测技术领域，公开了一种基于长短期记忆和典型相关结合的故障检测方法及***，以充分分析产生故障的动态和非线性特征，从而实现故障检测；该方法包括获取构建对应输入集的第一长短期记忆神经网络和对应输出集的第二长短期记忆神经网络；采用典型相关性方法分析第一、第二长短期记忆神经网络之间的线性映射关系，优化第一、第二长短期记忆神经网络；利用第一、第二长短期记忆神经网络输出层的典型相关性分析二者之间的残差向量，设定检测阈值；获取待分析对象的实时运行数据输入第一、第二长短期记忆神经网络以计算得到实时数据的检测统计量，将实时数据的检测统计量与检测阈值进行比较，从而实现故障检测。
Description
技术领域
本发明涉及故障检测技术领域，尤其涉及一种基于长短期记忆和典型相关结合的故障检测方法及***。
背景技术
随着自动化技术和***安全性需求的提高，***的故障检测和性能监测也变得越来越重要。过去的几十年里，基于模型的故障检测方法得到了广泛的认可。但是这类方法的性能依赖于模型的精确性。同时，由于传感器技术以及信息技术的发展，数据的采集变得越来越容易，在这个采集过程中积累了丰富的***运行数据。因此，基于数据驱动的过程监测和故障检测技术，成为了故障检测领域的一个研究热点。
目前多采用基于多变量分析，如基于主成分分析法、偏最小二乘方法和典型相关性分析的故障检测方法。但是这些方法的分析原理都是通过寻找数据集的线性变换，所构建的特征无法反映复杂***中的动态和非线性关系。
发明内容
本发明目的在于提供一种基于长短期记忆和典型相关结合的故障检测方法及***，以充分分析产生故障的动态和非线性特征，从而实现故障检测。
为实现上述目的，本发明提供了一种基于长短期记忆和典型相关结合的故障检测方法，包括：
S1：获取待分析对象的历史正常运行数据作为输入集，并获取每组历史正常运行数据的对应输出作为输出集；
S2：构建对应所述输入集的第一长短期记忆神经网络和对应所述输出集的第二长短期记忆神经网络；
S3：采用典型相关性方法分析所述第一、第二长短期记忆神经网络之间的映射关系，根据所述映射关系计算相关性系数；
S4：根据所述相关性线性系数优化所述第一、第二长短期记忆神经网络，利用反向传播算法训练所述第一、第二长短期记忆神经网络直至得到符合设定收敛性的第一、第二长短期记忆神经网络；
S5：将所述第一时间序列训练集输入所述符合设定收敛性的第一长短期记忆神经网络中，将所述第二时间序列训练集输入所述符合设定收敛性的第二长短期记忆神经网络中，利用第一、第二长短期记忆神经网络输出层的典型相关性分析二者之间的残差向量，并根据该残差向量构建检测统计量，并根据所述检测统计量设定检测阈值；
S6：获取待分析对象的实时运行数据输入所述符合收敛性的第一、第二长短期记忆神经网络以计算得到实时数据的检测统计量，将实时数据的检测统计量与所述检测阈值进行比较，若所述实时数据的检测统计量超过所述检测阈值，则视为发生故障。
优选地，所述S2具体包括：
根据预设的时间跨度建立所述输入集的第一时间序列训练集和所述输出集的第二时间序列训练集；
根据所述第一时间序列训练集构建所述第一长短期记忆神经网络，根据所述第二时间序列训练集构建所述第二长短期记忆神经网络。
优选地，所述第一长短期记忆神经网络和所述第二长短期记忆神经网络的输出层输出相同的数据维度。
优选地，所述第一长短期记忆神经网络或所述第二长短期记忆神经网络包括LSTM层、最大值池化层、Dropout层以及全连接层。
优选地，所述S3包括：
S31：将第一长短期记忆网络输出的特征数据和第二长短期记忆网络输出的特征数据/>进行归一化处理，得到归一化后的特征数据/>
S32：计算的协方差矩阵Σ1、Σ2和Σ12，利用典型相关性分析寻找线性变换使得/>和/>拥有最大的相关性。
优选地，所述S4包括：
S41：构建矩阵M并对矩阵M进行奇异值分解如下：
式中，为一个对角矩阵，其对角元素之和为corr，corr表示线性变换后的两组数据的相似程度，R为左矩阵，V为右奇异矩阵，T表示矩阵转置；
S42：第一、第二长短期记忆网络以最大化相关系数作为优化目标，采用反向传播算法联合训练网络参数.
优选地，所述S5包括：
S51:采用核密度估计算法估计T2统计量的概率分布，采用径向基函数如下：
式中，K(g)表示径向基函数，g表示该径向基函数的自变量；
设定置信度α，T2统计量的阈值UCLs通过公式得到，其中
其中xk,k＝1,2,…,M是x的样本值，h为核函数的带宽值，b为自变量，M表示x的样本数量。
作为一个总地技术构思，本发明还提供一种基于长短期记忆和典型相关结合的故障检测***，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明具有以下有益效果：
本发明提供的一种基于长短期记忆和典型相关结合的故障检测方法及***，该方法包括获取待分析对象的历史正常运行数据作为输入集，并获取每组历史正常运行数据的对应输出作为输出集；构建对应输入集的第一长短期记忆神经网络和对应输出集的第二长短期记忆神经网络；采用典型相关性方法分析第一、第二长短期记忆神经网络之间的映射关系，根据线性映射关系计算相关性系数；根据相关性系数优化第一、第二长短期记忆神经网络，利用反向传播算法训练第一、第二长短期记忆神经网络直至得到符合设定收敛性的第一、第二长短期记忆神经网络；将第一时间序列训练集输入符合设定收敛性的第一长短期记忆神经网络中，将第二时间序列训练集输入符合设定收敛性的第二长短期记忆神经网络中，利用第一、第二长短期记忆神经网络输出层的典型相关性分析二者之间的残差向量，并根据该残差向量构建检测统计量，并根据检测统计量设定检测阈值；获取待分析对象的实时运行数据输入符合收敛性的第一、第二长短期记忆神经网络以计算得到实时数据的检测统计量，将实时数据的检测统计量与检测阈值进行比较，若实时数据的检测统计量超过检测阈值，则视为发生故障，可以充分分析产生故障的动态和非线性特征，从而实现故障检测。
下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例的基于长短期记忆和典型相关结合的故障检测方法流程图；
图2是本发明优选实施例的闭环连续搅拌釜式反应器的原理图；
图3是本发明优选实施例的故障6由CCA方法检测的效果图；
图4是本发明优选实施例的故障6由LSTM-CCA方法检测的效果图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例1
如图1所示，本实施例提供一种基于长短期记忆和典型相关结合的故障检测方法，包括：
S1：获取待分析对象的历史正常运行数据作为输入集，并获取每组历史正常运行数据的对应输出作为输出集；
S2：构建对应输入集的第一长短期记忆神经网络和对应输出集的第二长短期记忆神经网络；
S3：采用典型相关性方法分析第一、第二长短期记忆神经网络之间的映射关系，根据映射关系计算相关性系数；
S4：根据相关性系数优化第一、第二长短期记忆神经网络，利用反向传播算法训练第一、第二长短期记忆神经网络直至得到符合设定收敛性的第一、第二长短期记忆神经网络；
S5：将第一时间序列训练集输入符合设定收敛性的第一长短期记忆神经网络中，将第二时间序列训练集输入符合设定收敛性的第二长短期记忆神经网络中，利用第一、第二长短期记忆神经网络输出层的典型相关性分析二者之间的残差向量，并根据该残差向量构建检测统计量，并根据检测统计量设定检测阈值；
S6：获取待分析对象的实时运行数据输入符合收敛性的第一、第二长短期记忆神经网络以计算得到实时数据的检测统计量，将实时数据的检测统计量与检测阈值进行比较，若实时数据的检测统计量超过检测阈值，则视为发生故障。
上述的基于长短期记忆和典型相关结合的故障检测方法，将典型相关性分析与神经网络结合，利用网络的参数训练来学习非线性变换，可以充分分析产生故障的动态和非线性特征，从而实现故障检测。可以应用于复杂且动态变化的非线性***。
具体地，选取无故障的历史运行训练集，其中每个样本包括***输入数据U、输出数据Y：
式中，U表示输入集，um T表示输入集中的元素，
表示m×a的矩阵；
式中，Y表示输出集，ym T表示输出集中的元素，
表示m×b的矩阵；
分别将U、Y缩放到[0,1]之间，便于输入神经网络后进行训练，得到缩放后的***输入数据输出数据/>
根据***输入、输出存在的一定规律，选取合适的时间跨度k，利用和/>构建时间序列训练集Us、Ys，第t时刻输入网络的时间序列为：
作为本实施例优选的实施方式，所述S2具体包括：
根据预设的时间跨度建立所述输入集的第一时间序列训练集和所述输出集的第二时间序列训练集；
根据所述第一时间序列训练集构建所述第一长短期记忆神经网络，根据所述第二时间序列训练集构建所述第二长短期记忆神经网络。
作为本实施例优选的实施方式，所述第一长短期记忆神经网络和所述第二长短期记忆神经网络的输出层输出相同的数据维度。
作为本实施例优选的实施方式，所述第一长短期记忆神经网络或所述第二长短期记忆神经网络包括LSTM层、最大值池化层、Dropout层以及全连接层。其具体网络结构为：LSTM(n1个单元)->Dropout->LSTM(n2个单元)->Dropout()->LSTM(n3各单元)->MaxPooling->全连接层(n4个节点)->输出层(n5个节点)。
作为本实施例优选的实施方式，所述S3包括：
S31：将第一长短期记忆网络输出的特征数据和第二长短期记忆网络输出的特征数据/>进行归一化处理，得到归一化后的特征数据/>
S32：计算的协方差矩阵Σ1、Σ2和Σ12，利用典型相关性分析寻找线性变换使得/>和/>拥有最大的相关性。
作为本实施例优选的实施方式，所述S4包括：
S41：构建矩阵M并对矩阵M进行奇异值分解如下：
式中，为一个对角矩阵，其对角元素之和为corr，corr表示线性变换后的两组数据的相似程度，R为左矩阵，V为右奇异矩阵，T表示矩阵转置；
S42：第一、第二长短期记忆网络以最大化相关系数作为优化目标，采用反向传播算法联合训练网络参数.
作为本实施例优选的实施方式，所述S5包括：
S51:采用核密度估计算法估计T2统计量的概率分布，采用径向基函数如下：
式中，K(g)表示径向基函数，g表示该径向基函数的自变量。
设定置信度α，T2统计量的阈值UCLs通过公式得到，其中
其中xk,k＝1,2,…,M是x的样本值，h为核函数的带宽值，b为自变量，M表示x的样本数量。
本发明提供的基于长短期记忆和典型相关结合的故障检测方法适用于所有通过数据进行驱动的反应器，本实施例中，以如图2所示的闭环连续搅拌釜式反应器(CSTR)为例，对本发明的方法进行进一步说明和验证。
CSTR的原理图如图2所示，其***反应模型可抽象为：
其中，***输入为u＝[Ci Ti Tci]T，***输出为y＝[C T Tc Qc]T，νi为过程噪声，k为常数其余参数见表1。
表1 CSTR模型中的常数取值
本实例考虑6种微小故障情景如表2所示：
表2 CSTR模型下的6种微小故障
本实例利用运行CSTR模型获得的***输入、输出数据集来进行试验验证本发明的可行性和有效性。
运行CSTR模型模拟反应发生20小时以产生正常数据集和故障数据集，所有***变量每隔1min采样一次，并且给予输入变量一定的随机干扰以尽可能模拟真实情况，同时增加整个***的动态性与非线性。故障数据集由保持无故障200min后引入相应故障产生。针对每一种故障，采用1200个无故障样本分别建立故障检测所用的基于长短期记忆网络(LSTM)特征提取和典型相关性分析的故障检测方法(LSTM-CCA)以及CCA方法，最后利用故障数据集进行验证,故障检测的性能评估采用指标故障误报率(FAR)和故障漏检率(MDR)类衡量，如表3所示：
表3 CSTR模型下的6种微小故障
其中，故障误报率(FAR)和故障漏检率(MDR)的计算公式如下：
其中，UCLs表示离线训练阶段计算得出的阈值。其中，故障6由CCA方法和LSTM-CCA方法检测效果如图3、图4所示。
实施例2
与上述方法实施例1相对应地，本实施例提供一种基于长短期记忆和典型相关结合的故障检测***，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于长短期记忆和典型相关结合的故障检测方法，其特征在于，包括：
S1：获取待分析对象的历史正常运行数据作为输入集，并获取每组历史正常运行数据的对应输出作为输出集；
S2：构建对应所述输入集的第一长短期记忆神经网络和对应所述输出集的第二长短期记忆神经网络；
S3：采用典型相关性方法分析所述第一、第二长短期记忆神经网络之间的映射关系，根据所述映射关系计算相关性系数；
S4：根据所述相关性系数优化所述第一、第二长短期记忆神经网络，利用反向传播算法训练所述第一、第二长短期记忆神经网络直至得到符合设定收敛性的第一、第二长短期记忆神经网络；
S5：将第一时间序列训练集输入所述符合设定收敛性的第一长短期记忆神经网络中，将第二时间序列训练集输入所述符合设定收敛性的第二长短期记忆神经网络中，利用第一、第二长短期记忆神经网络输出层的典型相关性分析二者之间的残差向量，并根据该残差向量构建检测统计量，并根据所述检测统计量设定检测阈值；
S6：获取待分析对象的实时运行数据输入所述符合收敛性的第一、第二长短期记忆神经网络以计算得到实时数据的检测统计量，将实时数据的检测统计量与所述检测阈值进行比较，若所述实时数据的检测统计量超过所述检测阈值，则视为发生故障；
所述S3包括：
S31：将第一长短期记忆网络输出的特征数据io1∈Rn5和第二长短期记忆网络输出的特征数据io2∈Rn5进行归一化处理，得到归一化后的特征数据并计算协方差矩阵Σ1、Σ2和Σ12：
Σ1＝E{(io1-μ1)(io1-μ1)T}
Σ2＝E{(io2-μ2)(io2-μ2)T}
Σ12＝E{(io1-μ1)(io2-μ2)T}
式中，μ1和μ2分别为的均值；
S32：利用典型相关性分析寻找线性变换使得和/>拥有最大的相关性。
2.根据权利要求1所述的基于长短期记忆和典型相关结合的故障检测方法，其特征在于，所述S2具体包括：
根据预设的时间跨度建立所述输入集的第一时间序列训练集和所述输出集的第二时间序列训练集；
根据所述第一时间序列训练集构建所述第一长短期记忆神经网络，根据所述第二时间序列训练集构建所述第二长短期记忆神经网络。
3.根据权利要求1或2所述的基于长短期记忆和典型相关结合的故障检测方法，其特征在于，所述第一长短期记忆神经网络和所述第二长短期记忆神经网络的输出层输出相同的数据维度。
4.根据权利要求1所述的基于长短期记忆和典型相关结合的故障检测方法，其特征在于，所述第一长短期记忆神经网络或所述第二长短期记忆神经网络包括LSTM层、最大值池化层、Dropout层以及全连接层。
5.根据权利要求1所述的基于长短期记忆和典型相关结合的故障检测方法，其特征在于，所述S4包括：
S41：构建矩阵M并对矩阵M进行奇异值分解如下：
式中，Σ∈Rn5×n5为对角矩阵，其对角元素之和为corr，corr表示线性变换后的两组数据的相似程度，R为左矩阵，V为右奇异矩阵，T表示矩阵转置；
S42：第一、第二长短期记忆网络以最大化相关系数作为优化目标，采用反向传播算法联合训练网络参数。
6.根据权利要求1所述的基于长短期记忆和典型相关结合的故障检测方法，其特征在于，所述S5包括：
S51:采用核密度估计算法估计T2统计量的概率分布，采用径向基函数如下：
式中，K(g)表示径向基函数，g表示该径向基函数的自变量；
设定置信度α，T2统计量的阈值UCLs通过公式得到，其中
其中xk,k＝1,2,…,M是x的样本值，h为核函数的带宽值，b为自变量，M表示x的样本数量。
7.一种基于长短期记忆和典型相关结合的故障检测***，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至6任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010017077.5A CN111260024B (zh) | 2020-01-08 | 2020-01-08 | 基于长短期记忆和典型相关结合的故障检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010017077.5A CN111260024B (zh) | 2020-01-08 | 2020-01-08 | 基于长短期记忆和典型相关结合的故障检测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111260024A CN111260024A (zh) | 2020-06-09 |
| CN111260024B true CN111260024B (zh) | 2023-11-24 |
Family
ID=70954127
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010017077.5A Active CN111260024B (zh) | 2020-01-08 | 2020-01-08 | 基于长短期记忆和典型相关结合的故障检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111260024B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113255219B (zh) * | 2021-05-28 | 2021-10-12 | 浙江浙能技术研究院有限公司 | 基于修正长短时记忆神经网络的发电机线棒振动优化方法 |
| CN113985173B (zh) * | 2021-10-27 | 2024-03-15 | 哈尔滨工业大学 | 基于统计特征典型相关分析的pfc故障检测方法 |
| CN114578011A (zh) * | 2022-03-07 | 2022-06-03 | 上海蓝长科技集团有限公司 | 一种基于多传感器多源数据融合的水质监测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019024083A1 (en) * | 2017-08-04 | 2019-02-07 | Nokia Technologies Oy | ARTIFICIAL NEURONAL NETWORK |
| CN109753896A (zh) * | 2018-12-20 | 2019-05-14 | 西安电子科技大学 | 一种基于共性自动编码器的无监督异源遥感图像变化检测方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7660774B2 (en) * | 2005-05-31 | 2010-02-09 | Honeywell International Inc. | Nonlinear neural network fault detection system and method |
| US9807473B2 (en) * | 2015-11-20 | 2017-10-31 | Microsoft Technology Licensing, Llc | Jointly modeling embedding and translation to bridge video and language |
| US10482379B2 (en) * | 2016-07-29 | 2019-11-19 | Google Llc | Systems and methods to perform machine learning with feedback consistency |
| US20190096525A1 (en) * | 2017-09-26 | 2019-03-28 | Owned Outcomes Inc. | Patient data management system |
| US11157782B2 (en) * | 2017-11-16 | 2021-10-26 | International Business Machines Corporation | Anomaly detection in multidimensional time series data |
| US10771488B2 (en) * | 2018-04-10 | 2020-09-08 | Cisco Technology, Inc. | Spatio-temporal anomaly detection in computer networks using graph convolutional recurrent neural networks (GCRNNs) |
-
2020
- 2020-01-08 CN CN202010017077.5A patent/CN111260024B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019024083A1 (en) * | 2017-08-04 | 2019-02-07 | Nokia Technologies Oy | ARTIFICIAL NEURONAL NETWORK |
| CN109753896A (zh) * | 2018-12-20 | 2019-05-14 | 西安电子科技大学 | 一种基于共性自动编码器的无监督异源遥感图像变化检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| Mallinar, Neil等.Deep Canonically Correlated LSTMs.Machine Learning.2018,全文. * |
| 董洁 ; 孙瑞琪 ; 彭开香 ; 唐鹏.自动编码器与典型相关分析方法联合驱动的工业过程质量监测.控制理论与应用.2019,(第009期),全文. * |
| 赵航 ; .典型相关分析和神经网络相结合的早期火灾识别.科技通报.2013,(第05期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111260024A (zh) | 2020-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111260024B (zh) | 基于长短期记忆和典型相关结合的故障检测方法及*** | |
| CN108737406B (zh) | 一种异常流量数据的检测方法及*** | |
| CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
| CN114297936A (zh) | 一种数据异常检测方法及装置 | |
| US20100253512A1 (en) | System and method to assess signal similarity with applications to diagnostics and prognostics | |
| CN111680725B (zh) | 基于重构贡献的气体传感器阵列多故障隔离算法 | |
| CN109145516B (zh) | 一种基于改进型极限学习机的模拟电路故障识别方法 | |
| CN111652290A (zh) | 一种对抗样本的检测方法及装置 | |
| CN110837872B (zh) | 一种工控网络入侵检测方法及*** | |
| CN114363195A (zh) | 面向时间和频谱残差卷积网络的网络流量预测预警方法 | |
| CN115496144A (zh) | 配电网运行场景确定方法、装置、计算机设备和存储介质 | |
| CN114897138A (zh) | 基于注意力机制和深度残差网络的***故障诊断方法 | |
| CN114611409A (zh) | 一种配电终端异常检测模型的建立方法及装置 | |
| CN114003900A (zh) | 变电站二次***网络入侵检测方法、装置及*** | |
| CN116827685B (zh) | 基于深度强化学习的微服务***动态防御策略方法 | |
| CN111026087B (zh) | 基于数据的含权重非线性工业***故障检测方法及装置 | |
| Su et al. | KPI anomaly detection method for Data Center AIOps based on GRU-GAN | |
| Cui et al. | Using EBGAN for anomaly intrusion detection | |
| CN117097541A (zh) | Api服务攻击检测方法、装置、设备和存储介质 | |
| Zhang et al. | A comparison of different statistics for detecting multiplicative faults in multivariate statistics-based fault detection approaches | |
| CN111797732B (zh) | 一种对采样不敏感的视频动作识别对抗攻击方法 | |
| Li et al. | Fault Diagnosis to Nuclear Power Plant System Based on Time‐Series Convolution Neural Network | |
| CN116915477B (zh) | 基于典型变量分析的错误数据注入攻击检测方法、装置、电子设备及计算机可读存储介质 | |
| CN117171778B (zh) | 一种数据库的访问流量控制方法及*** | |
| CN117688496B (zh) | 面向卫星遥测多维时序数据的异常诊断方法、***及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |