为了准确识别气体绝缘开关柜(gas insulated switchgear,GIS)设备的异常工况,提出了一种基于加权梅尔频率谱系数单类支持向量机(Mel frequency cestrum coefficient-one class support vector machine,MFCC-OCSVM)和贝叶斯优化的门控循...为了准确识别气体绝缘开关柜(gas insulated switchgear,GIS)设备的异常工况,提出了一种基于加权梅尔频率谱系数单类支持向量机(Mel frequency cestrum coefficient-one class support vector machine,MFCC-OCSVM)和贝叶斯优化的门控循环单元(bidirectional gate recurrent unit,BiGRU)声纹识别算法。首先,利用基于F统计量的MFCC对声纹数据进行加权特征提取,突出重要特征并减弱噪声的影响,然后利用OCSVM对加权后的特征进行异常检测并去除异常值,提高数据质量。为解决样本不平衡问题,采用合成少数类过采样技术(synthetic minority over-sampling technique,SMOTE)进行声纹样本的均衡。最后,应用基于贝叶斯优化的BiGRU模型进行声纹识别。以某气体绝缘全封闭组合电器(gas insulated switchgear,GIS)为例,采集了20类不同工况下操纵机构的声音样本,与多种经典分类模型进行对比。结果显示,所提算法取得的最高平均识别准确率达到了92.8%,相比于自适应增强、朴素贝叶斯和线性判别分析算法分别提升了30.1%、14.7%和11.5%。通过消融实验进一步评估和验证了所提算法各个流程对声纹识别的实际效果和性能影响,研究成果可为GIS设备异常工况的声纹识别提供高效技术路线。展开更多
如何有效检测工业病毒对应用层协议的攻击是工业控制系统入侵检测的难点问题。将Modbus TCP协议作为研究对象,结合OCSVM(one class support vector machine,OCSVM)算法,提出一种基于PCA-OCSVM异常检测方法,采用微粒子群优化(particle sw...如何有效检测工业病毒对应用层协议的攻击是工业控制系统入侵检测的难点问题。将Modbus TCP协议作为研究对象,结合OCSVM(one class support vector machine,OCSVM)算法,提出一种基于PCA-OCSVM异常检测方法,采用微粒子群优化(particle swarm optimization,PSO)算法对入侵检测模型进行优化。仿真对比分析结果表明,该方法可以高效准确识别攻击或异常行为,实现对工业控制系统的安全防护。展开更多
为提高工控系统异常流量检测能力,设计一种结合孤立森林(isolation forest,iForest)和单类支持向量机(one-class support vector machine,OCSVM)的混合算法。采用孤立森林算法检测训练数据中的离群点,将离群点剔除以降低其对单类支持向...为提高工控系统异常流量检测能力,设计一种结合孤立森林(isolation forest,iForest)和单类支持向量机(one-class support vector machine,OCSVM)的混合算法。采用孤立森林算法检测训练数据中的离群点,将离群点剔除以降低其对单类支持向量机决策函数的影响;基于正常数据训练单类支持向量机模型,结合特征选取和参数优化进一步提高异常检测模型的检测率。实验结果表明:在燃气管道数据集上,该算法模型的检测率提高至92.51%,特别是对异常行为的召回率和查准率上升,优化了异常检测模型的性能,满足可靠性要求。展开更多
文摘如何有效检测工业病毒对应用层协议的攻击是工业控制系统入侵检测的难点问题。将Modbus TCP协议作为研究对象,结合OCSVM(one class support vector machine,OCSVM)算法,提出一种基于PCA-OCSVM异常检测方法,采用微粒子群优化(particle swarm optimization,PSO)算法对入侵检测模型进行优化。仿真对比分析结果表明,该方法可以高效准确识别攻击或异常行为,实现对工业控制系统的安全防护。
文摘为提高工控系统异常流量检测能力,设计一种结合孤立森林(isolation forest,iForest)和单类支持向量机(one-class support vector machine,OCSVM)的混合算法。采用孤立森林算法检测训练数据中的离群点,将离群点剔除以降低其对单类支持向量机决策函数的影响;基于正常数据训练单类支持向量机模型,结合特征选取和参数优化进一步提高异常检测模型的检测率。实验结果表明:在燃气管道数据集上,该算法模型的检测率提高至92.51%,特别是对异常行为的召回率和查准率上升,优化了异常检测模型的性能,满足可靠性要求。
