使用大规模遥测数据的系统故障检测集成方法
本文提供了两种无监督机器学习方法,用于 PLC 基础 ICS 中的异常检测,分别是加权投票集成方法和使用孤立森林元检测器的堆叠集成方法。研究结果表明,使用孤立森林元检测器的堆叠集成方法在所有性能指标上优于以往的方法,并可以稳健地检测任意 ICS 数据集中的异常。
Feb, 2023
本文提出了一种基于系统调用语言模型的异常主机入侵检测系统设计方法,采用新颖的集成方法以解决传统方法中高虚警率问题。在公共基准数据集上的实验表明,该方法具有高的有效性和可移植性。
Nov, 2016
本研究探讨使用端到端机器学习直接预测可靠性指标,提出了基于输入特征的系统阻抗矩阵编码的机器学习流程,通过对输电线路的定期维护对特定拓扑变化的影响进行考虑,使用支持向量机和 Boosting Trees 进行训练和比较,实验证明了该方法在可靠性评估中的适用性。
May, 2022
基于 LSTM 神经网络的多元时间序列数据监测和故障检测,采用 Modelica 模型进行验证,引入阈值筛选机制并过滤超出操作者兴趣范围的故障。
Dec, 2016
本文通过使用集成机器学习方法以实现 IoT 的异常检测,提出了一个统一的框架,利用贝叶斯超参数优化适应包含多个 IoT 传感器读数的网络环境,实验结果表明与传统方法相比具有高预测能力。
Jul, 2023
本文旨在开发一种两阶段的异常检测模型,通过集成机器学习技术 - 支持向量机和朴素贝叶斯,使用集成混合技术进行预测,以及神经网络分类器和随机森林算法进行结果分类,提高工业物联网网络的可靠性。测试结果表明,该模型的准确性最高可达 99%,且优于传统的技术。
Jan, 2021
该研究提出了一种轻量级、无监督的方法,通过对大型计算系统的操作数据进行测量,实时检测异常行为并能够在较短的时间内做出适当反应。
Jan, 2024
本研究建立了一个基于机器学习的诊断系统用于心脏疾病预测,使用了包括 RF、MLP、KNN、ETC、XGB、SVC、ADB、DT 和 GBM 在内的九种分类算法和八种分类器性能评估指标,并通过一个堆叠式集成方法来评估临床决策支持系统的影响。
Apr, 2023
使用 Long Short Term Memory 编码器 - 解码器方案获取多传感器时间序列数据的无监督健康指数来进行设备剩余寿命估计。
Aug, 2016