.png){kind=icon}
返回
Lynxsight: change-point detection through different distance-based common spatial patterns
.png){kind=icon}
OA
AI
DOI：10.1007/s11227-025-07282-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
检测数据随时间变化或发生偏移的过程被称为变点检测。这一现象对于识别工业组件的劣化以及预防代价高昂的故障或失效至关重要。变点检测中采用了多种有监督和无监督方法，这些方法涉及评估两个时间窗口的采样分布之间的差异。变点的准确检测是工业4.0所应对的关键挑战，能够实现及时行动以避免工业元素中的昂贵故障。本文讨论了将基于距离的共同空间模式（DB-CSPs）作为离线变点检测技术在多变量时间序列数据中的应用。DB-CSP是一种有监督方法，它将数据投影到子空间以识别能够区分两个时间窗口的最相关特征。随后，使用分类算法有效检测数据中的变化。我们通过公开数据集证明了LynxSight的适用性，并将新方法应用于真实的工业用例，取得了优于一些当前最先进技术的结果。
Keyword:
Concept drift
Change-point detection
Common spatial pattern
Machine learning
Data streamming
期刊
IF:
2.7
论文数:
1.1K
被引数:
1.0W
机构
引用论文
Supervised Operational Change Point Detection using Ensemble Long-Short Term Memory in a Multicomponent Industrial System基于集成长短时记忆网络的监督式操作变更点检测在多组件工业系统中的应用
PREAI
分享收藏From concept drift to model degradation: An overview on performance-aware drift detectors从概念漂移到模型退化: 性能感知漂移检测器综述
OAAI
OAAI分享收藏Weighted dynamic time warping for time series classification基于加权动态时间规整的时间序列分类.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
查看更多内容