【SVR-SVDD】基于支持向量-SVDD 进行异常检测研究（Matlab代码实现）

wlz249

于 2024-03-26 10:12:55 发布

阅读量1.1k

点赞数 19

文章标签： matlab 机器学习 python

本文链接：https://blog.csdn.net/weixin_66436111/article/details/137037456

版权

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

1.1 基于SVDD的故障检测

📚2 运行结果

2.1 基本SVDD 模型

2.2 二分类SVDD 模型

2.3 DimReduPCA

2.4 HybridKernelSVDD

2.5 KernelFunction

2.6 ObservationWeight

2.7 ParameterOptimization

🎉3 参考文献

🌈4 Matlab代码实现

💥1 概述

1.1 基于SVDD的故障检测

基于SVDD的故障检测方法是1种典型的单类划分方法。基本思想是在高维空间中找到1个中心为ap 半径为R的最小体积超球体包围尽可能多的目标数据,如图1所示。对于1个新样木,通过判断新样本是否在超球体内来实现分类,如果在超球内,则被接受,否则被拒绝。使用SVDD进行故障检测时[10],仅使用正常样本数据集对模型进行训练,获得包络最多正常样本数据点的最小体积超球体。

式中:x为测试样本;xk为训练样本中支持向量。使用基于SVDD方法,进行故障检测时,计算测试样本x至由正常样本数据集训练得到超球体中心αp的距离,若D(x) >R则样本x位于超球体之外,此时判定机组发生了故障,若D(x)≤R,则样本x位于超球体之内,此时判定机组正常运行。

用于单类或二元分类的 SVDD 模型
多种核函数（线性、高斯、多项式、Sigmoid、拉普拉斯函数）
可视化 2D 或 3D 数据的决策边界
使用贝叶斯优化、遗传算法和p粒子群优化的参数优化
加权 SVDD 模型
混合内核 SVDD 模型（K =w1×K1+w2×K2+...+wn×Kn）

📚2 运行结果

2.1 基本SVDD 模型

2.2 二分类SVDD 模型

2.3 DimReduPCA

2.4 HybridKernelSVDD

2.5 KernelFunction

2.6 ObservationWeight

2.7 ParameterOptimization

部分代码：

% set parameter
cost = 0.9;
kernel = BaseKernel('type', 'gaussian', 'gamma', 1.5);

% optimization setting
opt.method = 'pso'; % bayes, ga pso
opt.variableName = { 'cost', 'gamma'};
opt.variableType = {'real', 'real'}; % 'integer' 'real'
opt.lowerBound = [10^-2, 2^-6];
opt.upperBound = [10^0, 2^6];
opt.maxIteration = 20;
opt.points = 3;
opt.display = 'on';

svddParameter = struct('cost', cost, ...
'kernelFunc', kernel, ...
'optimization', opt, ...
'KFold', 5);

% creat an SVDD object
svdd = BaseSVDD(svddParameter);
% train SVDD model
svdd.train(trainData, trainLabel);
% test SVDD model
results = svdd.test(testData, testLabel);

% Visualization
svplot = SvddVisualization();
svplot.boundary(svdd);
svplot.distance(svdd, results);