基于差异化能源大数据与敏感特征的轻量级共享数据加密方法

差异化大数据属性的路径密钥生成较为复杂,存在额外记录加密数据的行为,难以针对特定的敏感数据进行加密,导致整体开销较大。对此,基于差异化能源大数据与敏感特征,设计了一种轻量级共享数据加密方法。分析了能源大数据的差异化特征,建立同参数的无向图,通过顶点搜索法分类顶点权重值下的差异化特性,将其分离成为轻量级的数据形态,解析相应能源大数据的Raft共识机制。基于Raft共识机制,结合敏感特征测试代价矩阵,修正不同状态的能源大数据信息,针对性地定义共享能源大数据的加密密文格式,结合RSA(Rivest-Shamir-Adleman)算法,完成轻量级共享数据加密。实验结果表明,主动攻击数据、被动攻击数据、高级持续性威胁攻击数据、差分攻击数据、连接攻击数据的总体防御成功率较高,带宽开销与验证开销较小,满足了能源大数据安全保障需求。

基于区域的上下文信息矩阵推理目标检测模型

目标的语义信息或目标之间的关系有助于目标识别。然而,目前最先进的目标检测器依赖于单独识别目标实例,缺乏充分的上下文信息。为了充分利用上下文信息,本文提出了一种特定的上下文矩阵,将上下文矩阵结合到目标检测中来增强检测模型的上下文信息推理能力。具体来说,该上下文矩阵有3种形式,分别来自不同数据集的标注。通过目标之间的关系、属性和共现概率来增强上下文信息,并将每个区域的上下文矩阵增强后的新特征与原始特征相连接,提高分类和定位的性能。此外,基于上下文矩阵推理的模型是轻量级的和灵活的,足以增强不同的目标检测基线并有助于少样本检测任务。大量实验表明,所提出的基于上下文矩阵推理的检测器可以在不同的基准上持续改进各种检测器。

面向可穿戴生理传感应用的氧化锌纳米棒阵列修饰蚕丝

蚕丝是天然蛋白质纤维,具有光滑、亲肤、机械强度高等优点,作为纺织纤维在我国已有数千年的使用历史。随着智能时代的到来,织物电子研究逐渐兴起,但是蚕丝纤维在智能可穿戴应用领域的研究还非常有限。该文提出了一种在单根蚕丝纤维表面原位修饰氧化锌(ZnO)纳米棒阵列的低成本方法,成功制备了基于单根蚕丝纤维的ZnO纳米棒阵列。研究表明,ZnO纳米棒致密且均匀地垂直排列于蚕丝表面,其直径为100~200 nm,长度约为2μm,其晶型为六方纤锌矿结构。结合ZnO纳米棒的压电性质,构建了基于ZnO纳米棒阵列修饰单根蚕丝的压电传感器。该传感器可有效地将机械能转换为电能,可对手指的敲击、按压、弯曲动作实时响应,将其固定于腹部或体表心脏部位可对人体呼吸、心跳等生理数据进行监测。此外,该传感器还可分辨木琴敲击过程中音调和音阶的变化。该文所构建的蚕丝基压电传感器在人体动作、生理参数实时监测方面展示了极大潜力,有望拓展蚕丝在可穿戴织物器件和智能传感领域的实际应用。

面向不确定性决策分析的数据获取模型与方法综述

不确定性决策是指在存在未知或难以准确预测结果情况下做出决策的过程。该文旨在研究在不确定性决策中,用4种数据获取方法来应对不确定性。这些方法包括:①使用小数据集;②利用开放数据集;③采用数据挖掘视角下的情感分析和遥感分析;④通过互联网问卷调查收集数据。该文首先回顾4种数据获取方法,并阐述各自的主要特点及发展历程。其次,阐述这4种数据获取方法在不确定性决策中的应用,并附有说明性示例。然后,讨论4种数据获取方法的局限性,并提出了未来研究的潜在趋势。最后,对全文进行总结。总体来说,该文为不确定性决策问题的研究提供了理论探讨和实践指导,以推动人工智能和决策科学领域的发展和创新,为决策者提供有效的数据支持,从而提高决策的科学性和准确性。

A^(2)former模型在时间序列预测中的应用研究

时间序列预测在金融、医疗、交通和气象等领域发挥着重要作用。在长时间序列预测中,迫切需要提高预测的精度,解决内存不足等问题。近年来,Transformer模型在自然语言处理领域得以成功应用的同时,在预测研究领域也引起了学者们的广泛关注,Transformer变体Informer模型的研究在时间序列预测中取得了较大进展。本研究以Informer框架为基础,与加性注意力机制相结合,提出了A^(2)former模型。利用A^(2)former模型在ETT,WTH,ECL和PM2.5数据集上进行了长时间序列预测的实验,实验结果表明所提模型在长时间序列预测中表现出比基线方法(如Informer模型和LSTMa模型)更好的性能。A^(2)former模型不仅将计算时间复杂度降低到线性,而且可以实现更有效的序列建模。本研究的工作为时间序列预测提供了有益参考。

一种基于联合预测的简历实体识别方法

目前个人简历实体类型繁多,大量平面实体和嵌套实体交错在简历中,对实体识别产生了不小的负面影响。为此,设计了一种联合预测的命名实体识别框架。首先,利用预训练模型Mengzi-BERT进行上下文的词嵌入表示。为了充分利用预训练模型提取的特征,先对网络深度进行压缩,放大卷积层感受野,并且融合了自注意力机制,然后设计了一个新的命名实体识别模型TPDCA(triple layers progressive dilated convolutional neural network-attention)。其次,为防止实体之间跨度过大、简历实体嵌套等问题,设计了全新的基于Biaffine双仿射注意力机制的局部关系实体识别模型BCN(biaffine-based local relationship capture network)。最后,通过分别调整TPDCA模型和BCN局部关系识别模型的预测权重进行联合预测,构成Mengzi-TPDCA-CRF-BCN联合预测框架,获得了综合表现最佳的实体识别结果。这样设计避免了模型丢失实体间长距离依赖关系,降低了平面实体和嵌套实体相互交错对预测的负面影响,解决了实体类型间的高耦合度影响识别任务的问题。该模型与现行主流方法相比各评价指标提升了3%,有效地解决了简历实体类型间耦合度高,实体间跨度大的实际问题。

基于深度学习的风格迁移方法综述

随着深度学习的迅猛发展,风格迁移技术在算法和应用上取得了重大突破,为内容与风格的创新交互提供了强大支持。该文综述了风格迁移的基本概念、分类及其在神经网络中的应用,特别是神经网络风格迁移的原理、变体与合成算法。文章还对基于文本的图像风格迁移与基于图像的方法进行了比较,分析了各自的优缺点,突显了智能化风格迁移技术的发展。此外,探讨了风格迁移技术与其他领域结合的情况,如与超分辨方法和对比学习方法等的结合,以及在大型工艺品设计中的应用实例,展示了其广泛的应用潜力。该文的目的是为研究者提供清晰的视角,推动风格迁移领域的技术进步。

面向APP应用的隐私合规的检测方法

面对严峻的个人信息保护监管态势,针对如何科学评估APP应用的隐私合规问题,提出了一种基于BERT-TextCNN分类模型的隐私合规检测方法。该方法充分考虑国内现有的法律法规,构建了一套完整的隐私合规测评指标体系,通过人工标注,建立了专业的隐私合规语料库,并通过该语料库训练BERT-TextCNN分类模型,以精准提取出APP应用隐私政策的合规要点。最终,采用该模型的预测结果进行隐私合规得分计算,以全面检测该APP应用可能存在的隐私合规风险点,保障其隐私政策的完整性。实验结果表明,该模型在高效、准确地提取隐私合规要点和检测APP应用的合规风险点方面表现卓越。这一创新性方法有望为企业和开发者防范监管通报的风险提供指导,同时为监管部门提供有益的参考,对于保障个人隐私权益具有积极的意义。

期刊简介

《人工智能科学与工程》(CN50-1228/TP)是教育部主管、西南大学主办的公开发行的学术期刊(季刊),系由《西南师范大学学报(自然科学版)》(2023年版《中文核心期刊要目总览》人编期刊)更名而成。由黄廷文教授担任主编,由段书凯、李传东、王建军、肖国强4位教授担任执行主编,编委会由来自国内外知名院校、科研院所和企业的专家、学者组成。

深度残差网络下的电缆隧道低压故障检测

针对数据梯度消失导致电缆隧道低压故障检测结果精度不高的问题,提出了一种基于深度残差网络的电缆隧道低压故障检测方法。该方法对电缆隧道低压回路电流进行分析,建立深度残差网络,通过初始化学习得到线路电流故障特征值,并在权重层中引入激活函数,结合传递梯度进行特征重构,有效避免了梯度消失问题,输出信号特征,通过过零率判别得出故障检测结果。实验结果表明:应用所提方法得出的故障检测结果表现出的高频系数衰减比值图像呈现均值变化且较为密集,检测结果精度较高,满足了电缆隧道低压回路的现实运维需求。

基于物联网技术的水电站智能安防系统设计

水电站智能安防系统数据传输速度较慢,导致系统反应时间较长。因此,设计基于物联网技术的水电站智能安防系统。使用5800 bit/s的单片机为系统硬件中间控制器,通过活动数据对象(ADO)接口采集与写入数据,完成安防系统硬件设计;设置数据库的对应关系,采集并处理水电站状态数据,将处理后的数据存储至数据库,基于物联网技术,使用网状结构的拓扑结构,传输存储的数据,设定智能安防子系统的联动关系,按照联动关系检测现场入侵,设计按需求执行的特定代码,当判定为入侵时系统发出报警,完成安防系统软件设计。实验结果表明,在水电站两个区域测试该系统,其反应时间较短,在2 s内快速反映出水电站各个点位出现的异常,应用效果较好。

一种基于北斗和双阶段的电力通信网络故障识别与定位技术研究

目前基于行波法的配电网故障定位精度较低,该文提出了一种基于北斗和双阶段故障定位方法。首先,利用初始行波到达时间分别为所有路段构建最小化优化模型,并基于粒子群优化算法(PSO)进行初步的故障定位。为了减少时间误差对定位结果的影响,利用残差聚类算法对故障段进行二次校正,计算故障距离的修正解,以提高故障定位精度。随后,将确定的故障信息通过北斗短报文通信发送给电力巡检人员,从而快速实现定位结果的巡查维护。实验阶段,通过多组实验验证,所提故障定位方法的绝对误差均小于80 m。与多端行波故障定位方法相比,所提方法的平均定位精度提高了71.63%。实验结果验证了所提方法的有效性,表明所提方法对时间误差的容忍度较强,具有广阔的应用前景。

基于差分进化算法和交叉算子的电力企业应急物资多目标分层调度方法

为实现电力系统应急故障的高效抢修,降低故障风险,提出基于差分进化算法和交叉算子的电力企业应急物资多目标分层调度方法。该方法结合电力企业全局调度需求,确定电力企业应急物资多目标上层调度目标函数和下层调度目标函数,同时设计对应的约束条件;采用差分进化算法求解双层调度目标函数,并且为保证解的多样性和算法收敛性,引入进化过程信息优化算法变异算子的变异概率,以此保证目标函数的求解效果。测试结果显示:反世代距离和散布性分别在0.034和0.28以下;结合应急物资供应点位置进行应急物资调配路径规划;应急物资调度的公平性、资源覆盖满意度均在0.92以上;调度后,电力系统的风险固结函数结果均在0.14以下。

一种混合LSTM-SAM的居民电力负荷预测模型

针对目前居民电力负荷预测存在可预测性较差的问题,提出了一种混合LSTM-SAM的居民电力负荷预测模型。首先,使用两阶段特征提取方法来处理每个用户的数据,提高了输入数据特征提取的质量;然后,使用基于池化的数据组合方法,将来自互连用户的数据与来自目标用户的数据合并,增加了数据多样性和数据量,减少了数据和模型之间复杂度的相对差异,缓解过拟合问题;最后,将LSTM和SAM相结合,提出了一个具有两个输入通道的混合LSTM-SAM模型,提高了复杂输入下负荷预测的准确性。实验阶段,与ARIMA,SVR,ANN和LSTM进行比较,所提模型的总体性最优。实验结果证明了所提出的负荷预测方法的有效性及实用性,该模型可为居民电力负荷预测的发展提供一定借鉴作用。

基于自适应滤波器的皮带机动态称重信号处理方法

针对目前皮带机动态称重系统的称重信号存在噪声或干扰的问题,提出了一种改进自适应噪声消除(IANC)的称重信号处理方法。建立了皮带机动态称重系统动态响应过程的数学模型。设计了结合卡尔曼和最小均方的算法(KF-LMS),提升了ANC噪声消除的性能。实验阶段,通过模拟和搭建实验平台对所提方法进行测试。结果表明,与LMS,NLMS,SLMS等算法相比,所提的KF-LMS算法在皮带机动态称重信号处理中具有良好性能,具备较高的可靠性和称重精度。实验结果验证了所提方法的有效性和实用性,该模型具有广阔的应用前景。

基于单亲遗传算法的城市风景园林空间元素布局优化方法

为了提高城市风景园林空间元素布局优化的合理性,提出一种基于单亲遗传算法的城市风景园林空间元素布局优化方法。该方法首先对城市风景园林空间元素布局图像进行归一化处理,将图像分解成不同方向上的子带,得到城市风景园林空间元素布局的加权无向图;其次,构建空间元素布局图像边缘的纹理特征向量集合,提取城市风景园林空间元素布局特征,并基于此构建元素布局优化的因素体系,根据评价指标的信息量权重和价值量权重,构建空间元素布局优化模型;最后,利用单亲遗传算法求解布局优化模型,实现城市风景园林空间元素的布局优化。实验结果表明,经过该方法优化后,城市风景园林的环境质量显著提高,布局优化的合理性指数提升至0.95以上。

220~750kV变电站二次系统故障诊断方法

针对目前智能变电站二次系统故障诊断存在训练效率低、检测结果不准确的问题,提出了一种基于梯度提升决策树(gradient boosting decision tree,GBDT)多分类器的智能变电站二次系统故障诊断方法。通过分析保护系统装置的报警信息、自检信息、采样值信息和故障维护记录数据,建立了智能变电站二次系统故障分类和故障特征信息,提高响应速度和收敛速度。将历史故障数据输入到GBDT多分类器中,通过训练实现故障的有效分类。实验阶段,GBDT多分类器训练对于保护系统故障诊断的准确度为99.05%。与RNN和RF相比,GBDT多分类器具有较高的准确率和高效的训练效果,且在故障特征信息误报的情况下具有较高的准确度。

基于改进LSGAN模型的配电网测量缺失数据重构研究

针对当前电力测量领域在缺失数据重构方面存在的效率低下和性能不佳的问题,本文提出了一种基于改进的最小二乘生成对抗网络(LSGAN)的缺失数据重构模型。该模型是在深入分析现有生成对抗网络缺点的基础上设计的,旨在通过改进算法使网络更加充分地学习数据之间的内在联系。为了提高训练的稳定性、加速计算的收敛速度以及提升生成数据的质量,本文将传统生成对抗网络(GAN)模型中的目标函数从交叉熵损失函数替换为最小二乘损失函数,并采用了一种新的距离度量方式。在实验阶段,与GAN,CGAN和原始LSGAN模型相比,所提出的改进LSGAN模型在综合指标性能上表现最优。试验结果验证了该模型的实用性和出色性能,该模型可为电力测量缺失数据重构的研究和应用提供一定借鉴作用。

基于K-means聚类算法的行政单位预算内部控制研究

为研究行政单位预算内部控制并提供相应的优化建议,基于K-means聚类算法对数据进行聚类分析。利用德尔菲法设计评价因子,采用SPSS(Statistical Product and Service Solutions)软件在K-means聚类算法的基础上建立行政单位预算内部控制评价模型,分析行政单位内部人员对内部环境满意度、审批人员工作能力、审批效率以及审批质量的看法,找出行政单位预算内部控制存在的问题。结果表明,行政单位预算审批效率与审批质量亟待提高,在预算审批过程中需要注意大额支出审批。实验调查了行政单位预算内部控制目前仍存在的问题,并且提出改进建议。

基于混合模型的电力客户异常用电行为检测方法

针对目前用电异常行为数据样本不均、特征复杂导致检测精度低等问题,提出了一种基于混合模型的电力客户异常用电行为检测模型。利用最小-最大归一化映射对原始数据进行预处理,从而统一数据维度。基于KFCM-PSO对归一化后的历史数据进行聚类,从而对典型电力特征进行选择,改善冗余电力特征带来的干扰问题;基于1D-WGAN生成异常用电数据,增强样本多样性;基于相似性测度确定可疑用户,并基于SVM-CNN-LSTM对可疑用户进行精确分类。实验结果表明,该方法检测精度为94.29%。与SVM,CNN,LSTM等方法相比,其检测精度分别提升9.81%,3.77%和2.27%。综合分析,该方法可高精度监测电力系统异常用电事件,预测结果可为电力系统安全管理提供一定的指导,具有较好的应用前景。