基于多AUV 系统的单AUV 推进器故障检测

基于多水下机器人系统（MAUVS）进行单水下机器人（AUV）推进器故障检测,提出AUV 声纳模拟 方法,分析了故障前后各传感器的信号特征,提出在时间序列和空间序列上进行故障概率融合的方法．提出了基于 速度和角度残差的故障基本概率分配函数．鉴于AUV 概率检测的不确定性影响,改进了时间和证据融合节拍的方 法．水下机器人水池实验结果验证了所提出的信息融合故障检测方法在增强故障证据的可信度及检测实时性、提高 检测效率方面的有效性,为多水下机器人系统推进器的故障检测提供了一种可选方案．     

基于密度的局部离群点检测算法

基于统计学和基于距离的离群点检测都依赖与给定数据点集的全局分布,然而数据通常并非都是均匀分布的。当分析分布密度相差很大的数据时,基于密度的局部离群点检测方法有着很好的识别局部离群点的能力。但存在时间复杂度较大,文章提出了一种改进的算法,能降低时间复杂度,实现有效的局部离群点的检测。     

基于动态灰色预测的网格故障检测算法

针对网格系统故障检测的需求，提出了一种基于动态灰色预测的网格故障检测算法。基于不可靠故障检测思想，建立了网格系统及故障检测模型；结合心跳策略和灰色预测方法，设计了一种动态心跳机制，并给出了预测模型和实时预测策略；提出了基于该动态心跳机制的网格故障检测算法，分析了算法的可靠性,并通过仿真实验验证了算法的正确性和有效性。     

基于Voronoi和信息熵的空间离群样点检测

为了提高离群点挖掘的效率和准确度,在分析了传统离群点挖掘算法优、缺点的基础上,提出一种离群点检测算法.该算法利用Voronoi确定样点之间的邻近关系,通过参照邻域范围内其它样点的非空间属性值的信息熵作为离群因子,并根据离群因子标识出样点集中的离群点.以北京市大兴区土壤养分为例,实验结果表明,该检测算法能够高效,准确地检测出土壤样点中的离群点.     

灰色动态预测在AUV传感器故障诊断中的应用

针对自主水下机器人(AUV)传感器故障诊断中样本数据少、随机性强、实时性要求高的特点,将灰色动态预测模型的建模原理引用到AUV传感器的故障诊断中。在对传感器进行数据滤波、小样本灰色建模与灰色动态预测的基础上,可以实现AUV传感器的实时故障诊断。文章详细阐述了基于灰色动态预测的传感器故障诊断的具体实现方法和步骤,对AUV传感器中典型的四种故障模式进行了仿真研究。结果表明该方法能快速、准确地诊断出传感器故障,并且在传感器发生故障后的一段时间内能够实现信号恢复。     

空间离群点的检测算法

空间离群点是指与其邻居具有明显区别的属性值的空间对象。已有的空间离散点检测算法一个主要的缺陷就是这些方法导致一些真正的离群点被忽略而把一些非离群点当成了空间离群点。本文提出了一种迭代算法,该算法通过多次迭代检测离群点,取得较好效果。实验表明该算法具有较好的实用性。     

基于重叠模块度的社区离群点检测

社区离群点是结合数据的社区特性和自身属性挖掘得到的一种特殊离群点。针对现有社区离群点检测算法忽略社区间的重叠现象而导致社区划分不准确的问题,提出一种将对象的特征属性引入到相似度和重叠模块度的计算中的社区离群点检测方法。首先根据节点间的相似度对节点进行聚类,然后根据重叠模块度的变化进行迭代聚类,多次聚类后选取重叠模块度最大的作为划分结果,最终根据特征属性的偏离程度来确定社区离群点,从而解决重叠社区中社区离群点的检测问题。实验结果表明,提出的算法不仅能准确地发现重叠社区而且能有效地检测社区离群点。     

基于灰色预测的分布式系统动态故障检测服务

针对已有故障检测服务不能有效满足分布式系统需求问题,设计了一种适用于分布式系统的动态故障检测服务.根据分布式系统的特点,在定义分布式系统模型的基础上,提出了动态故障检测服务架构.结合心跳策略和灰色预测方法,设计了一种动态心跳机制,并给出了预测模型和动态预测策略,提出了基于该动态心跳机制的分布式系统的故障检测算法.最后,仿真实验验证了该算法的正确性和有效性.     

基于密度划分的离群点检测算法

目前,大部分离群点检测算法需要人工输入参数,不能同时检测出全局和局部离群点,不能有效处理密度不均匀数据。针对这些问题,提出一种基于密度划分的离群点检测算法DD-DBSCAN。主要创新包括:1)运用最小生成树的方法,新定义簇密度概念,将数据录入后划分成密度不等的簇,使算法能够处理密度分布不均匀的数据;2)采用"分而治之"的思想,对经过划分的数据集分别进行离群点检测,使得算法能够同时处理全局和局部离群点;3)通过在各个簇中自适应地计算所需参数值,算法不再需要人工输入参数(聚类半径(Eps)等)。通过在2D模拟数据集和Iris真实数据集上的实验表明,与DBSCAN算法比较,本文算法具有更高的覆盖率和正确率。     

基于自适应邻居图的离群点检测方法

离群点检测的目标是识别数据集中与其他样本明显不同的个体,以便检测数据中的异常或异常状态。现有的方法难以有效应对复杂、非线性分布的数据,并且面临参数敏感性和数据分布多样性的问题。为此,现提出一种新型图结构——自适应邻居图,以边为导向,通过迭代的方式对数据进行特征提取,并计算近邻可达度对离群点进行识别,减小了参数的影响,同时可适用于不同分布类型的数据。为了充分验证其性能,将该方法在多个合成与真实数据集上同其他方法进行了比较分析。实验结果表明,该方法在所有19个数据集中平均排名第一,在保持高精度的同时表现出稳定性。     

基于信息增益率的WNB水下机器人故障分类

提高故障诊断能力对于确保水下机器人系统的稳定运行具有重要意义,故障分类是目前水下机器人故障诊断所面临的一个重要问题。针对水下机器人推进器系统数据特征,提出一种基于信息增益率的加权朴素贝叶斯故障分类算法。首先,计算故障训练样本的先验概率,将各属性的信息增益率作为权值;其次,构建基于增益率加权的朴素贝叶斯分类模型;然后,对检测的故障数据利用分类模型获取具有最大后验概率的故障模式,实现故障分类。与朴素贝叶斯算法和决策树算法相比,仿真实验结果表明基于信息增益率加权的朴素贝叶斯算法的分类成功率更高,能够有效地实现水下机器人的故障分类。     

基于ODDD水下机器人故障诊断方法

近年来数据挖掘技术的快速发展使得利用水下机器人作业过程中积累的大量数据进行故障诊断成为可能;基于数据挖掘的故障诊断技术能够从数据中获取潜在的诊断知识;针对水下机器人推进器系统数据特征,提出一种基于聚类和距离的离群点检测方法(outlier detection based on dbscan and distance,ODDD);首先,对数据进行粗聚类,然后采用剪枝规则进行离群点检测,来实现故障诊断;仿真实验结果表明算法能够实现水下机器人快速有效的故障检测.     

基于LMS算法的水下航行器传感器故障检测

为了对水下航行器控制系统的传感器故障进行在线检测,采用有限脉冲响应(FIR)滤波器对水下航行器进行在线自适应建模,利用LMS算法来调节自适应滤波器的权系数,通过对FIR滤波器权系数的分析,实时检测出系统的传感器故障.通过Matlab仿真表明,该方法简单、可靠,可对水下航行器控制系统的传感器故障进行实时检测.     

基于改进灰色预测模型的半球谐振陀螺在线故障检测

针对基于半球谐振陀螺的导航系统故障检测的实时性要求高、数据变化缓慢等特点,提出了一种改进型的灰色预测模型,将移动窗口初值优化的灰色预测模型和最小二乘结合,对该类惯性传感器的故障进行实时在线检测.对处置优化的灰色预测模型的残差信号进行建模,提高了预测的精度,从而实现了利用少量的历史数据对下一时刻数据的准确预测,达到对半球谐振陀螺实时故障检测的目的.详细描述了改进型灰色预测模型的建模方法和步骤,并针对半球谐振陀螺的3种故障形式,与普通灰色预测方法进行了对比仿真研究.结果表明该方法可以准确、有效地进行在线故障检测.     

设计模式变体的描述与验证*

为解决标准设计模式演化后难以检测的问题,引入设计模式变体思想,以Bridge模式为例,给出了八种常用的变体实现,并以人工形式挖掘了四种开源系统中Bridge模式变体的基准数,接着在Apache Ant1.6.2与JHotDraw5.1开源系统中通过六种主流设计模式检测工具进行了变体检测实验。试验结果表明,FCA-CBR方法简单有效,对2种开源系统中Bridge模式变体检测的精确率达到60%与48.1%,与先前方法相比有了较大的提高。     

基于新息GM(1,1)的故障诊断预测

故障诊断预测随着设备结构的复杂性、运行环境的独特性和诱发故障的多源性而变得愈发困难,因此,利用新的科学理论对故障诊断预测方法进行了探索.基于灰理论建立的新息GM（1,1）模型能够及时更新数据,用最新数据替换老数据建立的等维新息模型,能够保证原始数据对模型的作用,使模型更能反映实际.实例计算分析表明：模型样本需求量小、计算简单,能动态地反映出系统的时变特性,有效提高预测精度.该方法应用于故障诊断预测,能够及早判明故障的发展趋势及其危害程度,避免灾难性事故发生,维护设备安全长周期运行.     

一个基于小波的时序数据异常探测新算法

本文针对时序数据提出了一种基于小波的异常探测算法。首先应用小波变换将时域空间的时序数据分解成不同的频率成份,通过低频信号的特性缩短待处理的数据处理。对于变换后的数据,再采用基于密度的LOF异常探测方法挖掘异常数据。最后,对某烟草公司的烟叶收购数据序列进行了实验,结果表明了该算法的有效性。     

基于观测器的l1鲁棒故障检测方法

基于参数化的控制系统输出观测器,将鲁棒控制理论中l^1最优化方法用于故障检测技术,提出一种新的控制系统鲁棒故障检测方法,通过求解一个混合0－1型整数线性规划问题,可得出l^1优化残差函数,仿真结果验证了所提方法的有效性。     

一种新颖的基于密度的祛噪声方法

由于采集技术和设备的局限, 以及外界的各种干扰, 采集得到的数据中常常参杂着噪声, 直接影响着后续数据分析的结果. 传统的祛噪声方法,或是依赖于数据服从某一特定分布的假设, 或是只能对服从单一分布的数据进行祛噪声处理, 这些固有的缺陷大大降低了处理后数据的可信度. 本文提出了一种新颖的基于密度的祛噪声方法, 并应用在实际交通数据的处理中. 通过与传统方法的实验比较, 结果表明该方法摒除了传统方法的缺陷, 能够对服从多个相异分布的数据进行有效的祛噪声处理, 且处理后的数据能够很好地保留系统本质的特征.