融合主成分分析与支持向量机的船舶异常行为识别方法

为解决船舶异常行为识别率低下的问题，综合考虑船舶属性和运动特征，提出了一种融合主成分分析和支持向量机的船舶异常行为识别方法。根据船舶作业过程对船舶行为模式进行划分，并明确船舶行为模式相关的船舶运动特征；进而以船舶自动识别系统数据为基础，运用主成分分析算法提取最具代表性的船舶运动特征；最后运用支持向量机算法对船舶异常行为进行识别。选取青岛港附近水域的船舶轨迹进行试验分析，结果表明：青岛港附近水域最具代表性的船舶运动特征共10个，总贡献率为84.40%;船舶异常行为识别结果的平均精确率和平均召回率分别为83%和84%,均优于对比模型。研究成果可以为船舶位置异常、轨迹异常、航速异常、航向异常等异常情况的智能发现和海事监管提供支撑。     

基于ICEEMDAN-FE和支持向量机的三电平逆变器的故障诊断技术

为了提高三电平逆变器复杂开路故障诊断的准确率，提出了一种应用“改进自适应噪声完备集合经验模态分解-模糊熵（ICEEMDAN-FE）”和“支持向量机（SVM）”结合的三电平逆变器故障诊断方法。首先，检测信号选取三相负载电压，为降低特征向量的维数，对三相负载电压进行Concordia变换，转换为α-β相电压；然后，通过ICEEMDAN算法提取α-β相电压的特征，得到不同尺度的内禀模态函数（IMF），再利用主成分分析（PCA）降维剔除IMF虚假分量；最后，计算优选的IMF的模糊熵均值作为特征向量，输入到多分类SVM中进行训练分类，进而实现对二极管中点箝位型（NPC）三电平逆变器的故障诊断。仿真试验结果表明，该方法能够有效识别多种开路故障模式，具有抗噪性能强，诊断速度快，诊断精度高等优点。     

主成分分析下数字汽车供应链关键点的识别研究

数字化是汽车产业发展的重要战略方向，数字化背景下汽车供应链关键环节是影响数字汽车发展的核心点，本文从环境感知、智能决策、执行、智能座舱、信息通信、车用芯片等领域入手开展相关情况调研分析，构建主成分分析模型，明确影响数字汽车供应链发展的因素和未来布局的关键领域，研提相关政策建议。     

基于孤立森林算法的铁路通信网潜在攻击检测方法研究

针对当前铁路通信网潜在攻击检测方法在识别异常攻击时忽略了对数据的降维处理,导致检测效率偏低、误报率和漏检率较高等问题,提出基于孤立森林算法的铁路通信网潜在攻击检测方法。将铁路通信网样本集通过数据类型划分为多个子集,通过对主成分进行分析,最大限度地减少不同子集间的降维影响,使各子集降维达到最佳;基于降维处理的数据,构建孤立森林潜在攻击检测器,判断数据异常行为;基于孤立森林算法更新铁路通信网潜在攻击检测器,实现铁路通信网潜在攻击检测。仿真试验结果:测试样本数量增加时,该算法的检测速率保持在90%以上,误报率和漏检率均小于等于0.02%,表明该方法在铁路通信网潜在攻击检测上具有一定的应用价值。