Робастные модели обнаружения аномальных измерений для мобильного измерительного комплекса лесозаготовительного производства

• Автор: Гоголевский, Анатолий Сергеевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2014
• Место защиты: Санкт-Петербург
• Количество страниц: 131 с. : ил.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ
ГЛАВА 1 АНАЛИЗ И ПОСТАНОВКА ЗАДАЧИ ОБНАРУЖЕНИЯ АНОМАЛЬНЫХ ИЗМЕРЕНИЙ В МОБИЛЬНОМ ИЗМЕРИТЕЛЬНОМ КОМПЛЕКСЕ
1.1 Область применения системы обнаружения аномальных измерений
1.2 Актуальность и постановка задачи
1.3 Формальная постановка задачи
1.4 Распознавание образов. Классические методы статистического
анализа обнаружения аномальных измерений
1.4.1 Классификация. Стандартная постановка задачи классификации--
1.4.2 Многоклассовая классификация
1.4.3 Обзор методов решения задач классификации
1.4.3.1 Байесовский классификатор. Наивный байесовский классификатор
1.4.3.2 Метод к-ближайшего соседа
1.4.3.3 Метод опорных векторов
1.4.3.4 Нейронные сети
1.5 Кластеризация. Постановка задачи кластеризации
1.5.1 Алгоритм к-внутригрупповых средних (к-теапя)
1.6 Классические алгоритмы фильтрации
1.6.1 Кусочно-линейная аппроксимация для исключения выбросов
1.6.2 Медианная фильтрация
1.6.3 Фильтр Калмана
1.7 Анализ существующих методов обнаружения аномальных измерений—36 Выводы по первой главе
ГЛАВА 2 МЕТОД ОБНАРУЖЕНИЯ АНОМАЛЬНЫХ ИЗМЕРЕНИЙ, КАК ЗАДАЧА ОДНОКЛАССОВОЙ КЛАССИФИКАЦИИ НА ОСНОВЕ
ФАЗОВОГО ПРОСТРАНСТВА
2.1 Формальная постановка задачи обнаружения аномальных измерений —

2.2 Постановка задачи одноклассовой классификации
2.3 Выбор метода обнаружения аномальных измерений на основе
перехода в фазовое пространство
2.3.1 Получение дополнительной информации о системе
2.3.2 Стандартные методы обнаружения аномальных измерений на
основе перехода в фазовое пространство
2.3.3 Модель обнаружения аномалий Тэкса и Дьюина
2.3.4 Линейная модель обнаружения аномалий Кэмпбела и Беннет
2.3.5 Модель обнаружения аномалий Шелкопфа
2.4 Анализ и выбор параметра предложенной математической модели
2.4.1 Скользящий контроль или кросс-валидация
2.4.2 Выбор параметров Гауссова ядра а и С
2.4.3 Определение обучающего окна
Выводы по второй главе
ГЛАВА 3 НОВАЯ РОБАСТНАЯ СТАТИСТИЧЕСКАЯ МОДЕЛЬ ОБНАРУЖЕНИЯ АНОМАЛЬНЫХ ИЗМЕРЕНИЙ МОБИЛЬНОГО ИЗМЕРИТЕЛЬНОГО КОМПЛЕКСА
3.1 Формальная постановка задачи робастности
3.2 Робастная модель е - засорения
3.3 Существующие робастные модели классификации
3.4 Новая робастная модель обнаружения аномальных измерений на
основе г-засорения
3.5 Обобщенная или «осторожная» стратегия выбора оптимального
распределения из множества М(г')
3.6 Обобщенная стратегия для робастного метода обнаружения
аномальных измерений
3.7 Метод обучения системы обнаружения аномальных измерений
3.8 Выбор оптимального параметра робастности £
Выводы по третьей главе
ГЛАВА 4 РЕАЛИЗАЦИЯ МОДЕЛИ ОБНАРУЖЕНИЯ АНОМАЛЬНЫХ ИЗМЕРЕНИЙ МОБИЛЬНОГО ИЗМЕРИТЕЛЬНОГО КОМПЛЕКСА
4.1 Требования, предъявляемые к системе моделирования
4.2 Выбор языка программирования для реализации системы моделирования
4.3 Моделирующий комплекс. Описание модулей
4.3Л Описание системы
4.3.3 Подсистема анализа данных
4.3.4 Подсистема хранения и вывода результатов анализа
4.4 Применение новых робастных моделей с реальными данными
Выводы по четверной главе
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЕ А
ПРИЛОЖЕНИЕ А
ПРИЛОЖЕНИЕ Б

медианный фильтр. Это означает, что в исходном массиве данных последовательно и одновременно просматриваются 3 значения с одного измерительного прибора; в качестве результата принимается среднее значение.
На рисунке 1.8 изброжена блок-схема при использовании трехточечного медианного фильтра.

Рисунок 1.8 - Трехточечный медианный фильтр
Важным свойством медианной фильтрации является то, что она отбраковывает измерения, искаженные одиночными сбоями (промахами, ошибками). Такие измерения заменяются соседними (теми из них, который ближе по своему значению). Тем самым, алгоритм обеспечивает нечувствительность к одиночным сбоям (ошибкам, промахам), т. е. обладает свойством робастности.
Медианный фильтр обладает рядом других интересных свойств, описанных в работах [42-45,48,68].
1.6,3 Фильтр Калмана
Калманская фильтрация или фильтр Калмана, а точнее различные методы фильтрации на основе фильтра Калмана, является одним из распространенных методов обнаружения и удаления аномалий в данных [59]. В данной диссертационной работе для ознакомления приведена основная идея фильтра Калмана.
Пусть имеется некий параметр состояния системы, поступающий с измерительного прибора с некоторой погрешностью. На параметр может
Источник
сигнала

л, *2 *
’ Г 4 Г ’ У
тес!