买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉苏州工学院申请的专利一种基于递归特征消除的故障检测方法、计算机存储介质和程序获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120524186B 。

龙图腾网通过国家知识产权局官网在2025-09-19发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511015325.1，技术领域涉及：G06F18/2115；该发明授权一种基于递归特征消除的故障检测方法、计算机存储介质和程序是由薛杨涛;钟珊;司亚利;刘井莲;姚宇峰;龚声蓉设计研发完成，并于2025-07-23向国家知识产权局提交的专利申请。

本一种基于递归特征消除的故障检测方法、计算机存储介质和程序在说明书摘要公布了：本发明公开了一种基于递归特征消除的故障检测方法，包括对采集的单类数据进行标准化预处理得到训练数据并计算其高斯核，对训练数据进行学习，利用基于对偶目标的密度诱导支持向量数据描述的递归特征消除算法基于对偶目标函数值排序得到特征排序集，对特征排序集进行10折交叉验证得到与故障相关的最优特征子集；对训练数据提取最优特征子集得到重组训练数据并学习得到用于检测的模型；根据最优特征子集提取测试数据，由用于检测的模型进行故障判断。本发明还公开了实现该方法的计算机存储介质和程序。本发明能够快速检测到故障的发生并提高故障检测准确率。

本发明授权一种基于递归特征消除的故障检测方法、计算机存储介质和程序在权利要求书中公布了：1.一种基于递归特征消除的故障检测方法，其特征在于，包括以下步骤： 步骤1、对采集的单类数据进行标准化预处理得到训练数据； 步骤2、计算训练数据的高斯核核参数； 步骤3、计算训练数据的高斯核； 步骤4、对训练数据进行学习，利用基于对偶目标的密度诱导支持向量数据描述的递归特征消除算法得到特征排序集，所述对偶目标的密度诱导支持向量数据描述的递归特征消除算法是基于对偶目标函数值对特征进行筛选排序，对偶目标函数的计算基于所述高斯核； 步骤5、对特征排序集进行10折交叉验证得到与故障相关的最优特征子集； 步骤6、根据最优特征子集对训练数据提取得到重组训练数据，对重组训练数据学习得到用于检测的密度诱导支持向量数据描述模型； 步骤7、根据最优特征子集提取测试数据，通过用于检测的密度诱导支持向量数据描述模型进行预测判断是否为故障； 所述步骤4包括： A、构建训练数据的密度诱导支持向量数据描述模型； B、通过拉格朗日法求解密度诱导支持向量数据描述模型的目标函数，得到其对偶目标函数形式，由训练数据的高斯核代入得到对偶目标函数形式的拉格朗日系数； C、基于得到的拉格朗日系数计算训练数据所有特征的对偶目标函数值； D、初始化特征集为训练数据的整个特征集合，递归构建训练数据的降维数据，基于降维数据计算密度诱导支持向量数据描述模型的对偶目标函数值，并根据对偶目标函数值与对偶目标函数值的差值确定进入特征排序集的特征； 所述步骤6和步骤7包括： 步骤6.1、对训练数据提取最优特征子集得到重组训练数据；步骤6.2、计算重组训练数据的高斯核；步骤6.3、计算重组训练数据样本间的相对密度；步骤6.4、对重组训练数据进行学习得到用于检测的密度诱导支持向量数据描述模型，通过拉格朗日法求解目标函数得到拉格朗日系数；步骤6.5、通过系数计算用于检测的密度诱导支持向量数据描述模型的半径； 步骤7.1、对测试数据x进行标准化预处理；步骤7.2、根据最优特征子集提取得到测试数据；步骤7.3、计算测试数据的高斯核；步骤7.4、计算测试数据到用于检测的密度诱导支持向量数据描述模型的超球面中心的距离，当样本点在超球体中的距离时，表明该样本为故障数据，否则，即该样本为正常数据； 所述密度诱导支持向量数据描述模型的目标函数的对偶目标函数形式为 ， 其中为拉格朗日系数，T为样本相对密度的均值，为样本相对密度，为高斯核； ， 其中为训练数据样本的K近邻样本，表示样本和间的欧式距离，表示所有样本到其K近邻样本的平均距离；所述高斯核参数为， 其中表示取中位数，为训练数据第i个样本的L2范数； 所述高斯核为，为训练数据第j个样本。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人苏州工学院，其通讯地址为：215500 江苏省苏州市常熟经济技术开发区研究院路5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。