DPGIIL：基于传递函数的在线结构异常检测中聚类的狄利克雷过程-深度生成模型集成增量学习

基于振动响应（如传递函数 TF）的聚类在结构异常检测中前景广阔。然而，大多数现有方法难以确定最优聚类数、处理高维流式数据，并且由于其浅层结构而严重依赖人工设计的特征。为解决这些问题，本工作提出了一种新的聚类框架，即狄利克雷过程-深度生成模型集成增量学习（DPGIIL），用于在线结构异常检测，该框架结合了深度生成模型（DGM）在表征学习方面的优势和狄利克雷过程混合模型（DPMM）在识别观测数据中不同模式方面的优势。在变分贝叶斯推断的框架下，我们解析地推导了 DPGIIL 的对数边际似然下界，该下界比证据下界更紧，使得 DGM 和 DPMM 参数可以联合优化，从而使 DPMM 能够正则化 DGM 的特征提取过程。此外，我们设计了一种基于贪心分裂合并方案的坐标上升变分推断方法来加速优化。DPMM 的汇总统计量与网络参数一起用于保留先前数据的信息以实现增量学习。对于在线结构异常检测，DPGIIL 不仅可以通过将传入数据动态分配到新聚类来检测异常，还可以使用不同聚类指示不同的结构状态，从而相比传统异常检测器提供关于被监测结构运行状态的额外信息。三个案例研究证明了所提出方法的动态适应性，并表明它在结构异常检测和聚类方面均优于一些最先进的方法。