首页|应用于工控数据异常检测的改进TrAdaBoost迁移学习算法研究

应用于工控数据异常检测的改进TrAdaBoost迁移学习算法研究

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
为解决工业控制系统多场景异常检测模型迁移难题,提出了一种基于特征排序和遗传算法的TrAdaBoost迁移学习的工控异常检测算法.由于TrAdaBoost要求同维数,首先采用特征选择算法Lasso做特征排序,然后根据排序结果选择重要特征.其次,将源域与目标域数据分布情况与回补参数相结合更新样本权重,减少权重两极化情况.最后采用遗传算法对TrAdaBoost在目标域上基分类器数目进行参数优化,以提高算法在数据上的适应性.将算法在新加坡数据集和自建数据集上进行实验,使用源域数据集进行迁移实验后,正确率提高9.1%,该算法对知识迁移和样本不足的问题提出了更好的解决方案.
Research on Improved TrAdaBoost Transfer Learning Algorithm for Industrial Control Data Anomaly Detection

刘学君、张小妮、栾海英、晏涌、江逸楠

展开 >

北京石油化工学院 信息工程学院,北京 102617

北京机械工业自动化研究所有限公司 流体传动与汽车装备技术工程事业部,北京 100120

工控异常检测 特征排序 遗传算法 迁移学习

北京石油化工学院2021年度重要科研成果培育项目

BIPTACF-008

2024

10.3969/j.issn.1009-0134.2024.09.017

制造业自动化
北京机械工业自动化研究所

制造业自动化

CSTPCD
影响因子：0.482
ISSN：1009-0134
年,卷(期)：2024.46(9)