CUSUM算法在变点检测中的应用

最新推荐文章于 2025-09-15 09:58:25 发布
原创 最新推荐文章于 2025-09-15 09:58:25 发布 · 3w 阅读 · 74
标签
#cusum #变点检测 #信号突变
本文介绍了CUSUM算法在变点检测中的应用，详细阐述了CUSUM控制图的原理和非参数化选择。通过分析信号序列的均值和方差变化，利用CUSUM统计量来判断系统变化，当累积值超过预设阈值时，确认信号突变的发生。此外，还提及了基于滑动窗的CUSUM变点检测试验过程。

       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是一种时间加权控制图，显示每个样本值与目标值的偏差的累积和 。通常CUSUM控制图分为参数化和非参数化，在实际应用中由于难以对参数进行估计，特别是获取信号的概率分布比较难时，因此大多数选择非参数CUSUM控制图。在变

最低0.47元/天 解锁文章
电力数据分析实战：用Python复现滑动窗双边CUSUM算法，搞定NILM中的设备启停时刻检测
最新发布
weixin_42520796的博客
05-03 189
本文详细介绍了如何使用Python实现滑动窗双边CUSUM算法，用于NILM（非侵入式负荷监测）中的设备启停时刻检测。通过环境配置、算法原理、滑动窗口机制、参数调优及实战案例，帮助读者掌握电力数据分析中的暂态事件检测技术，提升设备状态识别的准确性和效率。
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 4719
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
CUSUM算法学习+小实例
daimaxiaoxin的博客
11-07 4万+
说明：本文为个人搜集理解，并非全面。 CUSUM（Cumulative Sum Control Chart:累积和)：一种先进的统计方法，她利用当前的和最近的过程数据来检验过程均值中不大的变化或变异性，CUSUM代表偏离目标值得变差的”累积和“，它把当前和最近的数据看得同等重要。 1、CUSUM控制图 ​ CUSUM 控制图标绘每个样本值与目标值之间偏差的累积和 (CUSUM)。由于CUS...
参数化的CUSUM检测算法——Python
weixin_42312037的博客
01-27 6008
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。
SPRT test和CUSUM
万物琴弦存于你的泡沫之中，光锥之外
07-31 1545
开篇总结： SPRT 是监测当前是处于哪个状态！ CUSUM 是监测是否切换了状态，状态改变！ SPRT Sequential Probability Ratio Test 序贯概率比测试 SPRT给CUSUM提供起始点 SPRT是用来确定当前是属于哪个假设，哪个模型,也就是海牛还是噪声。 nmaxn_{max}nmax​下，判断。适合快速判断，但是会False Alarm Log-likelihood ratio , 对于LijL_{ij}Lij​，如果i是真序列，那么Li∗jL_{i^*j}Li∗j
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 1422
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.
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 6782
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...
变点检测
水可马二的博客
01-18 2万+
1 变点理论变点理论是统计学中的一个经典分支，其基本定义是在一个序列或过程中，当某个统计特性（分布类型、分布参数）在某时间点受系统性因素而非偶然性因素影响发生变化，我们就称该时间点为变点。变点识别即利用统计量或统计方法将该变点位置估计出来。具体定义如下： 假设存在一个数据集，每个数据观测值相互独立，如果在某一时刻，模型中的某个或某些变量突然发生了变化，即存在一个时间点，在该点之前，数据集符合一个分
【机器学习入门】155.[第11章 时间序列与异常检测] 变点检测：CUSUM、BoCPD与贝叶斯方法
09-15 1926
时间序列突变点检测技术全解析 本文系统介绍了三种核心变点检测算法及其应用场景。CUSUM算法通过累积偏差实现实时监控，适合工业场景；BoCPD采用贝叶斯在线预测，适用于金融数据分析；贝叶斯MCMC方法精确但计算量大，适合历史数据复盘。文章通过流程图、代码示例和对比表格，详细解析了各算法的实现原理、常见误区和解决方案，并提供了工业级KPI异常检测的完整实施流程。特别强调数据标准化、算法选择策略和参数调优等关键技术要点，帮助开发者在不同业务场景中选择合适的突变检测方案，避免常见的实施陷阱。
30、工程师统计学习中的时间序列分析与变点检测
pz890123456的博客
09-09 51
本文系统介绍了时间序列分析与变点检测在工程实践中的应用，涵盖信号分析与特征提取、时间序列预处理（包括去趋势、去季节化、缺失值处理和预白化）、离线与在线变点检测方法（重点介绍CUSUM方法及其在白噪声和时间序列场景下的应用），并拓展至多变点检测、不同模型下的变点识别及与其他统计学习方法（如神经网络、决策树）的结合。通过工业设备故障预测和金融市场趋势监测等实际案例，展示了该技术的实际价值。文章还提供了预处理流程图和应用场景方法选择表，帮助读者系统掌握时间序列数据的建模前处理与结构变化识别策略。
7、探索金融时间序列数据
java5的博客
08-04 87
本博客深入探讨了金融时间序列数据的关键分析方法，包括异常值检测、变点检测、趋势检测，以及使用赫斯特指数识别时间序列的模式。此外，还研究了资产收益的五个典型事实，如非高斯分布、波动率聚类、自相关性缺失、平方收益的持续性以及杠杆效应。这些分析为金融建模和交易策略提供了理论基础和实证支持。
Objective-C实现变点检测算法(附完整源码)
希望我的博客，能帮上你解决学习中工作中所遇到的问题
07-25 196
Objective-C实现变点检测算法(附完整源码)
CUSUM统计
哟哟哟哟哟哟
07-15 2757
CUSUM用信号的均值和方差信息来判断新输入的信号是否是异常值。 当新输入的监测值明显比正常情况下的均值高或者低的时候，也就是超过了上界或者下界。认为新输入的信号是异常的。 以下部分转载自：https://blog.csdn.net/cai2016/article/details/53289687 用3个tips解释这个过程 step1: 信号序列在未发生突变之前，CUSUM统计量g（k）是一个在0附近随机波动的变量。 step2:信号发生突变，当发生正向偏移时g(k+)就会不断增大，也就是一个.
CUSUM控制图的设计理论与方法
LittleFish0820
09-04 5690
CUSUM控制图的设计理论与方法一、理论基础1. 序贯概率比检验二、决策区间形式的CUSUMCUSUMCUSUM控制图三、带有参数估计的CUSUMCUSUMCUSUM控制图四、基于CUSUMCUSUMCUSUM的自启动控制图五、自适应CUSUMCUSUMCUSUM控制图1. 自适应CUSUMCUSUMCUSUM控制图2. 自启动自适应CUSUMCUSUMCUSUM控制图3. 带权重的自适应CUSUMCUSUMCUSUM控制图 一、理论基础 1. 序贯概率比检验 H1:X1,X2,⋯∼i.i.d.f0(x)↔
时间序列结构变化分析：Python实现时间序列变化点检测
deephub
09-08 5915
时间序列常常受到结构变化的影响，这些变化会显著改变序列的统计分布特性。结构变化可能发生在均值或方差上，并且可能是永久性的或暂时性的。准确识别变化的性质对于选择适当的处理方法至关重要。现代统计和机器学习提供了多种变化点检测方法，如CUSUM和PELT算法。这些方法在kats和ruptures等Python库中都有实现，为实践应用提供了便利。对于检测到的变化点，可以采用多种处理策略。差分法和引入虚拟变量是处理均值变化的常用方法，而对于更复杂的情况，可以考虑使用区制转换模型。
变点理论CUSUM在择时交易中的应用
cuiyan6458的博客
08-19 1698
之前看到一篇文章，变点理论CUSUM在量化交易中；列了一堆数据和公式，说结果不错。链接如下: https://max.book118.com/html/2017/0726/124391946.shtm 或者这个...
基于CUSUM算法的异常检测(Part 1)
weixin_44739213的博客
06-22 3079
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.
Python实现向量自回归（VAR）模型——完整步骤
热门推荐
mooncrystal123的博客
02-01 12万+
废话不多说，先开始分享： 1. 首先啥是VAR模型，我这里简略通俗的说一下，想看代码的童鞋直接跳到第3部分就好了： 以金融价格为例，传统的时间序列模型比如ARIMA,ARIMA-GARCH等，只分析价格自身的变化，模型的形式为： 其中称为自身的滞后项。 但是VAR模型除了分析自身滞后项的影响外，还分析其他相关因素的滞后项对未来值产生的影响，模型的形式为： 其中就是其他因子的滞后项......
向量自回归
abc1234564546的博客
08-16 1万+
向量自回归
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值