期刊导航
期刊开放获取
vip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于IVYA-FMD和EELM-Yager的轴承小样本故障诊断模型
被引量:
1
1
作者
王恒迪
王豪馗
+2 位作者
陈鹏
吴升德
马盈丰
《机电工程》
北大核心
2025年第6期1093-1101,共9页
针对滚动轴承故障特征提取难度大以及不同故障类型训练样本稀缺的问题,提出了一种基于参数优化特征模态分解(FMD)和集成极限学习机(EELM)的小样本滚动轴承故障诊断方法。首先,采用常春藤算法(IVYA)对FMD参数进行了优化,提升了模态分解...
针对滚动轴承故障特征提取难度大以及不同故障类型训练样本稀缺的问题,提出了一种基于参数优化特征模态分解(FMD)和集成极限学习机(EELM)的小样本滚动轴承故障诊断方法。首先,采用常春藤算法(IVYA)对FMD参数进行了优化,提升了模态分解的精确度,并采用最小残差指数(REI)作为最优模态分量的选取准则,从最优模态分量中提取了故障信号时域、频域及熵值的关键特征;然后,将所提取的特征输入EELM中进行了故障识别;最后,采用Yager加权平均规则对EELM的分类结果进行了融合,得到了综合故障诊断结果。研究结果表明:IVYA-FMD在信号处理过程中,具有优秀的特征提取和抗干扰能力,可有效提取原始信号的故障特征;IVYA-FMD和EELM-Yager模型在实验数据中,训练集与测试集按照8∶2的比例进行分割时的准确率达到99.12%;当训练集与测试集按照2:8的比例进行分割时,该方法在实验数据中的准确率高达92.5%,在CWRU数据集和SEU数据集中的准确率均超过96.8%。与其他智能诊断模型相比,IVYA-FMD和EELM-Yager在小样本滚动轴承故障诊断领域展现出显著的可行性和优越性。
展开更多
关键词
特征模态分解
常春藤算法
集成极限学习机
Yager加权平均
小样本故障诊断
滚动轴承
在线阅读
下载PDF
职称材料
基于IVYA-OCSVM的设备异常检测方法研究
2
作者
王琳
周树桥
+2 位作者
张天昊
郭超
黄晓津
《自动化仪表》
2025年第9期144-148,154,共6页
针对当前核电站设备异常检测领域广泛应用的固定阈值法所存在的报警实时性低、误报率高的问题,提出了一种采用常青藤算法(IVYA)优化单分类支持向量机(OCSVM)的设备异常检测方法。通过对监测数据提取合适的特征,利用OCSVM对正常状态下的...
针对当前核电站设备异常检测领域广泛应用的固定阈值法所存在的报警实时性低、误报率高的问题,提出了一种采用常青藤算法(IVYA)优化单分类支持向量机(OCSVM)的设备异常检测方法。通过对监测数据提取合适的特征,利用OCSVM对正常状态下的数据特征进行学习。针对OCSVM参数寻优问题,设计了以减小模型误报率和漏报率为目标的目标函数。在此基础上引入IVYA对OCSVM参数进行优化,构建了性能优异的IVYA-OCSVM异常检测模型。在基于实际数据的对比验证中,所提方法的异常检测准确率为97.61%,优于对比方法,验证了所提方法的有效性与优异性。所提方法有望应用于核电站的关键敏感设备或其他行业设备检测数据的分析,以提升异常检测的准确性和核电站运行的安全性。
展开更多
关键词
核电站
核电设备
异常检测
目标函数
常青藤算法
单分类支持向量机
在线阅读
下载PDF
职称材料
智能融合模型在恶意软件检测中的可解释性
3
作者
王圣节
张庆红
王紫薇
《科学技术与工程》
北大核心
2025年第23期9892-9899,共8页
为提高恶意软件检测模型的性能和可解释性,提出一种基于数据预处理与模型优化的智能融合检测方法。该方法集成多种机器学习算法,通过随机森林算法提取关键特征,并采用常春藤优化算法(ivy optimizer algorithm,IVYA)进行参数调优,构建融...
为提高恶意软件检测模型的性能和可解释性,提出一种基于数据预处理与模型优化的智能融合检测方法。该方法集成多种机器学习算法,通过随机森林算法提取关键特征,并采用常春藤优化算法(ivy optimizer algorithm,IVYA)进行参数调优,构建融合模型以提升检测效果。模型利用SHAP(shapley additive explanations)方法进行解释性分析,增强检测结果的透明度与可靠性。实验表明,该方法在多个数据集上准确率、精确率、召回率等指标均超过99%,相较于传统方法表现出明显优势,为网络安全提供了更强的防护手段和更高的可解释性。
展开更多
关键词
恶意软件检测
网络安全
机器学习
随机森林算法
Stacking模型
常春藤优化算法
SHAP模型
在线阅读
下载PDF
职称材料
题名
基于IVYA-FMD和EELM-Yager的轴承小样本故障诊断模型
被引量:
1
1
作者
王恒迪
王豪馗
陈鹏
吴升德
马盈丰
机构
河南科技大学机电工程学院
盐城市质量技术监督综合检验检测中心
江苏省市场监管重点实验室
宁波中亿智能股份有限公司
出处
《机电工程》
北大核心
2025年第6期1093-1101,共9页
基金
国家市场监督管总局科技计划项目(2023MK039)
宁波市重点研发计划暨“揭榜挂帅”项目(2023T016)。
文摘
针对滚动轴承故障特征提取难度大以及不同故障类型训练样本稀缺的问题,提出了一种基于参数优化特征模态分解(FMD)和集成极限学习机(EELM)的小样本滚动轴承故障诊断方法。首先,采用常春藤算法(IVYA)对FMD参数进行了优化,提升了模态分解的精确度,并采用最小残差指数(REI)作为最优模态分量的选取准则,从最优模态分量中提取了故障信号时域、频域及熵值的关键特征;然后,将所提取的特征输入EELM中进行了故障识别;最后,采用Yager加权平均规则对EELM的分类结果进行了融合,得到了综合故障诊断结果。研究结果表明:IVYA-FMD在信号处理过程中,具有优秀的特征提取和抗干扰能力,可有效提取原始信号的故障特征;IVYA-FMD和EELM-Yager模型在实验数据中,训练集与测试集按照8∶2的比例进行分割时的准确率达到99.12%;当训练集与测试集按照2:8的比例进行分割时,该方法在实验数据中的准确率高达92.5%,在CWRU数据集和SEU数据集中的准确率均超过96.8%。与其他智能诊断模型相比,IVYA-FMD和EELM-Yager在小样本滚动轴承故障诊断领域展现出显著的可行性和优越性。
关键词
特征模态分解
常春藤算法
集成极限学习机
Yager加权平均
小样本故障诊断
滚动轴承
Keywords
feature mode decomposition(FMD)
ivy algorithm(
ivya
)
ensemble extreme learning machines(EELM)
yager weighted average
small sample fault diagnosis
rolling bearing
分类号
TH133.3 [机械工程—机械制造及自动化]
TP183 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
基于IVYA-OCSVM的设备异常检测方法研究
2
作者
王琳
周树桥
张天昊
郭超
黄晓津
机构
清华大学核能与新能源技术研究院
先进反应堆工程与安全教育部重点实验室
出处
《自动化仪表》
2025年第9期144-148,154,共6页
基金
国家自然科学基金青年科学C类基金资助项目(62406168)。
文摘
针对当前核电站设备异常检测领域广泛应用的固定阈值法所存在的报警实时性低、误报率高的问题,提出了一种采用常青藤算法(IVYA)优化单分类支持向量机(OCSVM)的设备异常检测方法。通过对监测数据提取合适的特征,利用OCSVM对正常状态下的数据特征进行学习。针对OCSVM参数寻优问题,设计了以减小模型误报率和漏报率为目标的目标函数。在此基础上引入IVYA对OCSVM参数进行优化,构建了性能优异的IVYA-OCSVM异常检测模型。在基于实际数据的对比验证中,所提方法的异常检测准确率为97.61%,优于对比方法,验证了所提方法的有效性与优异性。所提方法有望应用于核电站的关键敏感设备或其他行业设备检测数据的分析,以提升异常检测的准确性和核电站运行的安全性。
关键词
核电站
核电设备
异常检测
目标函数
常青藤算法
单分类支持向量机
Keywords
Nuclear power plant
Nuclear power equipment
Anomaly detection
Objective function
Ivy algorithm(
ivya
)
One-class support vector machine(OCSVM)
分类号
TH17 [机械工程—机械制造及自动化]
在线阅读
下载PDF
职称材料
题名
智能融合模型在恶意软件检测中的可解释性
3
作者
王圣节
张庆红
王紫薇
机构
新疆财经大学统计与数据科学学院
中国平安财产保险股份有限公司新疆分公司
出处
《科学技术与工程》
北大核心
2025年第23期9892-9899,共8页
基金
国家自然科学基金(72164034)。
文摘
为提高恶意软件检测模型的性能和可解释性,提出一种基于数据预处理与模型优化的智能融合检测方法。该方法集成多种机器学习算法,通过随机森林算法提取关键特征,并采用常春藤优化算法(ivy optimizer algorithm,IVYA)进行参数调优,构建融合模型以提升检测效果。模型利用SHAP(shapley additive explanations)方法进行解释性分析,增强检测结果的透明度与可靠性。实验表明,该方法在多个数据集上准确率、精确率、召回率等指标均超过99%,相较于传统方法表现出明显优势,为网络安全提供了更强的防护手段和更高的可解释性。
关键词
恶意软件检测
网络安全
机器学习
随机森林算法
Stacking模型
常春藤优化算法
SHAP模型
Keywords
malware detection
network security
machine learning
random forest algorithm
Stacking model
ivya
SHAP model
分类号
TP309 [自动化与计算机技术—计算机系统结构]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于IVYA-FMD和EELM-Yager的轴承小样本故障诊断模型
王恒迪
王豪馗
陈鹏
吴升德
马盈丰
《机电工程》
北大核心
2025
1
在线阅读
下载PDF
职称材料
2
基于IVYA-OCSVM的设备异常检测方法研究
王琳
周树桥
张天昊
郭超
黄晓津
《自动化仪表》
2025
0
在线阅读
下载PDF
职称材料
3
智能融合模型在恶意软件检测中的可解释性
王圣节
张庆红
王紫薇
《科学技术与工程》
北大核心
2025
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部