针对于CUSUM算法的实验数据补充

最新推荐文章于 2025-10-11 11:46:18 发布

原创最新推荐文章于 2025-10-11 11:46:18 发布 · 1.3k 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#算法

CUSUM累积和专栏收录该内容

2 篇文章

订阅专栏

本文为《CUSUM算法详解》一文提供额外的实验数据，以帮助读者更深入理解CUSUM算法在实际应用中的表现。作者在博客中提到过去一年因忙碌未能及时回复评论，特此补充实验数据供读者下载参考。

最近1年比较忙可能没有及时查看评论消息请见谅，以下是针对博客CUSUM算法的实验数据补充。

针对于博客https://blog.youkuaiyun.com/daimaxiaoxin/article/details/83832759，CUSUM算法中报警实验补充实验数据，大家可以到我上传的资源处https://download.youkuaiyun.com/download/daimaxiaoxin/12502283下载实验数据。

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

daimaxiaoxin

关注关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

参数化的CUSUM检测算法——Python

weixin_42312037的博客

01-27

5888

最近帮实验室做了一个项目，做的是电器负荷识别的，近年来特别火爆，而我看网上好像相关的开源点很少，所以我跟大家分享一下：参数化的CUSUM检测算法。当然我不是特别了解这个内容，只是学会了如何去使用这个算法罢了，如果有想法的也可以底下评论交流。电器负荷投入或者切除的暂态过程定义为一个暂态事件，而对暂态事件检测可以归结为变点检测问题。说白了也就是说当负荷状态发生改变，有一些特征就会发生改变，例如说均值或者方差等。而在电器负荷识别中，最常用到的应该就是电压有效值和电流有效值了，所以我们观察电流有效值就可以了。

CUSUM算法在变点检测中的应用

Richard_Cai

11-22

3万+

变点检测在很多场合都有使用，例如在机器故障的检测以及各种信号突变的监测等等。变点检测一般就是根据信号序列的统计特性发生改变进行判定，常用的统计特征包括前期数据的均值和方差、残差等。很明显当信号序列发生突变时会改变一些统计特征，比较直观的就是均值和方差会进行改变，最简单的方式是我们可以根据这种改变进行合理设置阈值，超过设定的阈值时就可以判定突变发生。CUSUM控制图简介 CUSUM是一种时

1 条评论您还未登录，请先登录后发表或查看评论

CUSUM算法学习+小实例

最新发布

yog99的博客

10-11

本文介绍了一种结合卡尔曼滤波器和累积和算法（CUSUM）的变化检测系统（DSKC），用于实时检测数据分布的变化并动态调整学习模型。系统通过残差分析与状态估计，利用卡尔曼滤波器对平均误差和方差误差进行递归估计，并通过双侧CUSUM算法检测显著变化。实验在人工数据集、生理数据集和真实世界的睡眠呼吸暂停数据上验证了该方法的有效性，结果显示其能高效检测真实变化且误报率低，适用于多种数据类型和学习算法，具有良好的适应性与应用价值。

论文笔记：基于复合滑动窗的CUSUM暂态事件检测算法

chenxy_bwave的专栏

11-09

6339

目录 1. 前言 2. 双边CUSUM算法原理 3. 基于复合滑动窗的暂态事件检测 3.1 高斯加权平均 3.2 检测窗口的Sigmoid处理 3.3 检测暂态过程起止位置 4. Summary 1. 前言本文是对以下论文的解读笔记。注意在下文中“该论文”和“本文”是指向不同的对象。史帅彬等：基于复合滑动窗的CUSUM暂态事件检测算法, 电测与仪表2019年9月10日在非侵入式负荷监测中，暂态特征和稳态特征是负荷辨识的两类...

论文笔记：一种适用于NILM的暂态事件检测算法(滑动窗双边CUSUM)

chenxy_bwave的专栏

11-04

4385

本文是对以下论文的阅读笔记，附有一定的解读和思考。牛卢璐，贾宏杰：一种适用于非侵入式负荷监测的暂态事件检测算法, 电力系统自动化2011

55、数据流挖掘中的主动学习、自标注与概念漂移检测

embedding5hiker的博客

07-23

本博客探讨了数据流挖掘中的主动学习与自标注结合策略以及基于决策模板的概念漂移检测算法。研究显示，主动学习和自标注的结合可以在受限预算下提高分类器性能，而基于决策模板的概念漂移检测算法在处理突然漂移方面具有一定的有效性。实验还比较了DD、DDM和CUSUM等不同算法的漂移检测效果，并提出了未来研究方向，包括优化自标注策略、提升漂移检测性能以及探索多模型融合方法。

35、僵尸网络检测模型的自动生成

code8的博客

05-30

本文提出了一种僵尸网络检测模型的自动生成方法，通过样本分组、僵尸活动分析、模型生成与评估等步骤，利用CUSUM算法和网络流量特征实现对僵尸网络行为的高效识别。该方法具备自动化程度高、适应性强和检测精度高等特点，适用于企业网络、数据中心等多种场景，并为未来结合机器学习等技术进一步优化提供了基础。

深度详解Facebook时序工具库Kats

AI+BI,大数据分析,数据可视化,商业智能,数据驾驶舱 - 观远数据

07-14

1293

我觉得它是一个很好的快速制定baseline 的库，如果你手头没有时间序列相关的轮子的话，他可以很好的辅助你。

【电信运营商】广告+营销+P2P流量封堵：BRAS设备日志中提取特征进行业务再造

weixin_49199313的博客

07-15

2363

如何从BRAS设备原始日志中提取特征并转换为机器学习可用的特征向量。代码结合了日志解析、特征工程和图神经网络（GraphSAGE）技术，并参考了运营商网络实际部署规范。

卡尔曼滤波去除信号中的阶跃偏移

08-20

> 扩展状态向量（如多个偏移量分量），或结合变化检测算法（如CUSUM）动态调整滤波器参数[^4]。 4. **卡尔曼滤波不收敛的可能原因？** > 噪声协方差 $\mathbf{Q}, R$ 设置不当、模型与系统不匹配、数值不稳定...

CUSUM.rar_MATLAB cusum_cusum 算法matlab_cusum算法_transition matlab_

07-13

CUSUM算法程序,使用CUSUM方法检测残差的跳变.

论文研究-基于改进CUSUM算法的网络异常流量检测.pdf

07-22

首先对网络流量进行异常检测，发现异常后再对数据包进行分析，实施相应措施，有利于降低系统开销。针对在使用CUSUM算法进行流量异常检测时产生的累积和效应问题，提出用自适应算法消除累积和效应的影响，分析了参数的设置对解除报警的延迟时间、误报警等的影响。实验结果表明设计的算法是有效和正确的，可以直接应用于检测SYN洪水攻击等。

EXCEL制作的CUSUM控制图软件

02-24

CUSUM控制图软件是免费质量管理软件,基于微软的EXCEL编制,只需要依据软件提示,按START键即可开始CUSUM控制图的制作.输入过程平均值等相关信息,再输入样本值,一步一步操作,软件将自动生成CUSUM控制图.软件操作非常简单,界面美观漂亮,是一个不错的质量管理软件工具. 本资源来自于spconline点com点cn网站,用户可以去那直接下载.

统计质量控制之控制图

02-11

统计质量控制之控制图（PDF文档）大小：2425KB

CUSUM控制图在上市公司的危机预警中的应用

02-11

CUSUM控制图在上市公司的危机预警中的应用，祝雨露，王斌会，上市公司由正常状态发展到危机状态是一个日积月累的过程。一般来说，上市公司一旦发生财务危机，在危机的初期就会在财务指标方面

cusum算法 matlab,求解二维马尔科夫链

weixin_28867883的博客

03-22

710

先确认几件事1. elseif k~=0&&l~=0temp=min(b2,max(a1,b1));T1=normcdf(temp,0,1);temp=max(b1,max(a2,b2));OR temp=max(b1,min(a2,b2));2.a1=(k-i-0.5)*w*(log(1+250*(m+l*q)^2+2.332.....a2=(k-i+0.5)*w*(log(...

论文学习摘要：基于复合滑动窗的CUSUM暂态事件检测算法

wangwy_hoveringeagle的博客

11-12

1345

目录主要亮点注意点点评本文是针对以下论文的学习摘要。史帅彬等：基于复合滑动窗的CUSUM暂态事件检测算法, 电测与仪表2019年9月10日主要亮点 1. 在传统CUSUM算法基础上，对平均值窗加高斯函数处理（1）可能出现事件的时刻附近的采样值，易受到事件启动的影响，使用小权重；（2）可能出现事件的时刻较远（但不够远）的采样值，在判断暂态事件结束时，使用小权重。 2. 在传统CUSUM算法基础上，对检测窗加改进Sigmoid函数处理注意点 1. 窗口长度 v.

基于CUSUM算法的异常检测(Part 1)

weixin_44739213的博客

06-22

2973

基于CUSUM算法的异常检测(Part 1) 基于文章"The CUSUM Algorithm - a small review Poerre Granjon"的代码复现（待完善） Algorithm4代码 // An highlighted block import numpy as np import matplotlib.pyplot as plt #Create a synthetic Guassian data set to test #x = np.concatenate([np.random.