融合强化学习的DBN跑道侵入风险预测

为解决机场跑道侵入事件风险量化难度大、时效性差、精准性低等问题,提升跑道侵入风险预警能力,构建融合强化学习的动态贝叶斯网络(DBN)风险预测模型。首先,结合因果推断理论与灰色关联分析法分析跑道侵入历史事件,识别跑道侵入事件风险致因;其次,运用贝叶斯网络(BN)理论挖掘各风险因素间的关联性,并利用皮尔逊线性相关系数量化各因素间的关联关系,构建表征风险传播的致因关系网络;然后,利用三角模糊方法与隐马尔可夫模型(HMMs)优化DBN参数学习机制;最后,利用历史数据验证基于融合强化学习的DBN预测结果准确性。结果表明:基于融合强化学习的DBN预测结果与历史数据统计数值的拟合较好,准确率为84%,与单独DBN预测结果相比准确性提升10%;相比于采用度值评价法,通过互信息识别关键节点可有效提升预测准确率和区分度。

建筑结构钢板热轧轧机DBN-PSO振动预报及应用

利用实时监测数据(Real-Time Monitoring Data,RMD)参数分析轧机振动状态,综合运用深度置信网络(Deep Belief Networks,DBN)与粒子群(Particle Swarm Optimization,PSO)算法构建轧机振动仿真模型,实现RMD参数的深度挖掘,并达到轧机振动的预报效果。通过融合处理能够获得非常接近实际振动过程的预测数据,具备优异预测能力。结合现场测试的初始数据预测误差在3.5%范围内,跟轧机振动情况相符。当轧制速率变慢后,振动加速度出现了降低结果;入口张力对轧机的振动加速度具有反向作用;轧机振动加速度相对出口张力表现为正相关特点;以不同宽度的轧件进行测试发现轧机振动加速度保持基本恒定的状态。该研究对提高热轧轧机运行稳定性,对保证建筑结构钢板成形精度具有很好的指导意义,可以拓宽到其它的成形设备优化领域。

基于PSO-DBN的矿用电缆局部放电特征识别研究

为解决矿用电缆局部放电特征识别的问题,提出利用粒子群算法优化的深度置信网络(PSO-DBN)实现矿用电缆局部放电特征识别。搭建了隔爆兼本安型局部放电监测系统采集放电信号,构造了局部放电相位分布模式(PRPD)图谱并提取特征参数,采用PSO算法自适应地选择DBN的超参数,从而确定最优的网络结构。用PSO-DBN模型对气隙放电、划伤放电、沿面放电3种矿用电缆缺陷局部放电信号进行特征识别,识别准确率分别为93.3%、96.7%、95.0%。研究表明,该方法可以有效识别局部放电类型,为矿用电缆故障检测提供了新的方案。

基于机器学习与DBN网络的网络入侵检测方法研究

随着计算机网络的发展,网络入侵的情况也越来越严重。传统网络入侵检测方法存在检测效率低、误判率高的情况,为了解决这些问题,提出了一种基于支持向量机的深度置信网络(SVM-DBN)的入侵检测方法。通过对支持向量机(SVM)进行优化,将支持向量机与深度信念网络(DBN)融合,利用SVM、DBN与SVM-DBN在网络入侵数据集中进行对比。结果表明,SVM-DBN算法的误差率最低,比DBN和SVM的误差率平均值分别低了8.95%,12.70%,且SVM-DBN算法在训练次数为140次时最大绝对百分比误差为4.8%,均优于对比方法。这说明SVM-DBN网络能够有效地提高网络入侵检测的精度和效率。

基于DBN深度学习残差修正的AUKF超短期光伏功率预测模型

针对线性模型和测量噪声时变因素降低光伏功率预测精度的局限,提出一种分层的光伏发电功率预测模型。通过自适应算法改进无迹卡尔曼滤波实时噪声估计,降低光伏功率预测系统状态空间模型中辐照度、光伏功率测量噪声时变对预测精度的影响,实现光伏发电功率的初步预测。二层预测中,基于DBN深度学习网络修正初步预测残差,降低非线性气象因素对预测精度的影响。利用现场实测数据,通过仿真验证了改进模型具有较好的预测精度、良好的泛化能力和工程应用价值。

基于DBN模型的互联网敏感信息泄露检测研究

互联网敏感信息存在的噪声影响敏感信息泄露检出率和检测任务完成时间,因此研究基于DBN模型的互联网敏感信息泄露检测方法。利用分布式网络爬虫技术爬取互联网网页敏感信息,采用近邻策略对爬取到的信息进行分组处理,并对分组处理完成的信息进行去噪。将编码和序列化处理过后的互联网敏感信息处理结果输入训练好的DBN模型中,得到互联网敏感信息泄露检测结果。实验结果表明,基于DBN模型的互联网敏感信息泄露检测方法的检出率高达99.8%,检测任务完成时间短,实际应用效果好。

科创板上市公司的信用风险体系构建、评价与组态分析——基于DBN-SEM-fsQCA方法

注册制逐步推广与高技术型产业特性使得科创板上市公司的信用风险评价日趋复杂。研究通过DBN-SEM-fsQCA的方法组合,实现对科创板上市公司信用风险体系的构建、评价与组态分析。研究结果表明:基于DBN选取的关键财务指标能够准确反映科创板上市公司的信用风险情况;在SEM视角下,盈利能力与信用风险联系密切,偿债能力、成长能力、营运能力与信用风险显著相关;基于组态视角,科创板上市公司的信用风险模式主要分为成长导向型、成长缺失与营运主导型、盈利与成长互补型、盈利导向型四种类型。为此,科创板上市公司可以通过扩大产业规模来获取市场份额优势,或者增加技术研发投入来取得超额利润,以及联合城市区位条件来实现信用风险的多层次把控。

结合遗传算法的RF-DBN入侵检测方法

针对目前不平衡数据集少数类攻击样本识别率较低的问题,提出一种BorderlineSMOTE、随机森林和遗传算法(genetic algorithm,GA)-深度信念网络(deep belief network,DBN)相结合的入侵检测方法。首先采用BorderlineSMOTE对少数类样本进行过采样,减少数据集的不平衡度;然后使用随机森林算法实现正异常数据分类,筛选出异常数据;最后采用经GA优化的DBN网络对异常数据进行进一步分类。使用网络安全数据集CICIDS2017进行验证,该方法的准确率达到了99.85%,而且少数类样本的识别精度也有明显提高。

基于改进DBN算法的电力故障预测模型与辅助分析系统

针对如何提高停电事件分析能力,提出了改进型神经网络,构建改进DBN算法模型,通过该方法实现如何实现停电事件分析,然后对提取到的停电事件信息进行训练,停电事件信息训练改进DBN算法模型,建立停电事件分析预测模型,实现对停电事件分析的精准预测。研究还设计了停电事件辅助分析系统,通过采用节点误差数据组的方式区分停电事件和异常数据,通过误差补偿装置提高了DBN算法采用数据的精度。实验结果表明,在进行对停电事件分析预测的精确度测试时,停电事件分析预测的准确度可达97%,在可靠性测试时,停电事件分析管理可靠性可达96%。

基于DBN深度学习算法的一站式诉求响应预测方法

为了提高诉求响应的速度,提出了基于机器学习的一站式诉求响应技术。在物理架构中采用事故数据记录器(ADR)服务器和数字化X线摄影术(DR)运行管理,实现一站式诉求响应;利用建模工具来构建例图进行描述诉求响应的运行细节,通过逻辑架构的感知层、网络层和应用层,实现了对一站式诉求响应的逻辑分析;利用机器学习预测方式和深度置信网络(DBN),实现一站式诉求响应的预测。实验表明,在进行对响应的速度进行测试时,所提出的系统响应所需时间最少为1.1 s,在进行对响应预测的准确性测试时,响应预测的准确性最高为97%。

基于PSO-DBN结构的不平衡大数据分类研究

针对传统算法在分类处理不平衡大数据集时存在的精度差和效率低等问题,提出了一种基于PSO-DBN的分类算法。先采用融合渐进式的过采样模式改善大数据集的不均衡状况,并优化样本的类别与数量组合;设计了一种堆栈式的RBM结构,以当前RBM的隐含层输出项作为下一个RBM的可见层输入项,提升DBN整体数据训练能力;基于PSO仿生算法改善初始状态下DBN权值的分布状态,并优选出最佳的学习因子、惯性权重等核心参数,实现算法在全局范围内的寻优,同时提高网络模型整体的数据训练能力和收敛速度。实验结果显示,提出算法在不同的不平衡比例下分类精度均具有较为明显的优势,同时分类效率加速比值被控制在1.05以下。

基于DBN算法和多源数据的滁州市降水量空间分布特征研究

深度学习建模技术在降水量空间预测性插值中的应用较少。综合滁州市30个气象站点降水量数据以及下垫面、地形、海陆位置等多维环境变量,运用DBN(Deep Belief Network,DBN)算法,建立回归预测模型,实现滁州市降水量空间预测性插值。结果表明:①融合多源环境因子的DBN模型在研究区具有可靠性,其R 2值达0.69,MAE和RMSE分别为31.32、39.80mm;②通过DBN模型获取研究区降水量精细分布特征,滁州市降水量呈现自西向东地带性分布特征,而预测的空间误差具有随机性;③基于DBN联合多源变量的建模技术,对改善稀疏站点降水量数据利用效果、生成可靠的气候产品等方面具有一定潜力。

基于DBN的液压泵劣化程度评估方法研究

针对轴向柱塞泵中心弹簧失效故障难以有效评估的问题,提出一种基于梅尔频率倒谱系数(MFCC)和深度信念神经网络(DBN)的液压泵劣化程度评估方法。对现场采集的正常数据和3种不同程度中心弹簧失效故障的液压泵振动信号进行信号预处理,包括预加重、分帧和加窗等;对预处理后的信号进行快速傅里叶变换(FFT),得到其频率谱和功率谱,然后让其通过Mel滤波器组,得到信号的对数能量;最后对对数能量进行离散余弦变换,得到信号的倒谱系数和一阶差分系数,并以此构成特征向量。基于DBN方法搭建深度学习模型,对特征向量进行学习,将测试样本导入深度学习模型,对中心弹簧失效程度进行评估,并将倒谱系数和一阶差分系数的识别结果进行对比。结果表明:当选择倒谱系数为特征向量时,具有较高的识别精度,能够有效识别轴向柱塞泵中心弹簧的性能劣化程度。

模糊DBN的室内燃气泄漏动态风险评估方法研究

为有效分析并评估室内燃气泄漏风险,运用蝴蝶结模型对室内燃气事故危险源进行识别;并利用模糊集理论改进动态贝叶斯模型,弥补因数据缺失带来的误差,实现风险评估从静态到动态的转变,从而构建一种基于蝴蝶结(Bow-Tie,BT)模型模糊动态贝叶斯网络(Dynamic Bayesian Network,DBN)的室内燃气事故动态风险评估方法,并结合实际案例验证模型有效性和可行性。结果表明:依据该模型得到的关键风险因子能够为居民燃气安全风险防控提供参考;同时,该方法能够分析原因事件失效后各事故后果发生概率在各时间片的变化,模拟结果与实际相吻合。

一种基于DBN和TOPSIS法的多目标威胁评估算法

针对目前已有多目标威胁评估方法主观性强、稳定性弱、评估过程不连续的问题,综合考虑目标运动特性、目标行为意图,提出了一种基于动态贝叶斯网络(Dynamic Bayesian Network,DBN)和逼近理想解法(Technique for Order Preference by Similarity to an Ideal Solution,TOPSIS)的多目标威胁评估方法DBN-TOPSIS。通过分析目标特征指标间的节点关系,建立多目标威胁评估DBN。采用模糊理论,通过梯形隶属度函数对战场传感器、雷达等获取的连续型特征指标数据进行离散化处理,统一特征指标形态。利用联合树(Junction Tree,J-tree)算法进行动态威胁程度推理。构造DBN推理结果与TOPSIS评估矩阵之间的映射关系,采用TOPSIS法将威胁评估概率结果转换为威胁程度综合评估得分,进行多目标威胁程度准确排序。实验结果表明,DBN-TOPSIS多目标威胁评估方法具有较好的合理性和准确性。

考虑样本类内不平衡的CHPOA-DBN变压器故障诊断方法

为解决变压器故障样本类内不平衡与人为确定深度信念网络(deep belief network,DBN)的网络参数导致故障诊断精度低的问题,提出一种基于样本均衡和改进DBN的变压器故障诊断方法。首先,针对合成少数类过采样算法(synthesis minority oversampling technique,SMOTE)生成样本加剧类内不平衡的问题,提出基于改进K均值(improved K-means,IK-means)的IK-means SMOTE算法,据此得到类间、类内均衡的故障样本;其次,利用Tent混沌映射改进的鹈鹕优化算法(chaotic hybrid pelican optimization algorithm,CHPOA)对DBN的隐含层节点数、反向微调学习率寻优,构建CHPOA-DBN变压器故障诊断模型;最后,基于实验数据,分别将经典过采样算法、经典故障诊断模型与所提方法进行对比分析,结果表明:所提方法故障诊断准确率达到96.25%,可以为变压器故障样本不均衡条件下的故障智能诊断提供重要参考。

基于PSO-DBN的配电网可靠性分析研究

为解决缺失数据等条件下配电网的可靠性评估问题,针对配电网可靠性评估时存在评估效果差、计算量大、执行效率低等情况,基于粒子群优化-深度信念网络(PSO-DBN)对配电网可靠性进行分析。首先,设计了基于生成对抗网络(GAN)的电力数据增强模型,从而改善电力数据缺失和不平衡等问题。其次,建立了结合深度信念网络(DBN)和粒子群优化(PSO)模型的优化学习网络,从而得到更准确的配电网可靠性分析结果。以IEEE39电力节点系统为基础,对所提模型进行仿真与分析。仿真结果表明,所提模型性能最优。该研究能够为配电网可靠性评估、管理及稳定运行提供借鉴。

基于DBN-TOPSIS法的空中目标融合威胁评估

针对已有空中目标威胁评估方法主观性强、稳定性弱、评估过程不连续的问题,综合考虑目标运动特性与目标属性,提出了一种基于动态贝叶斯(dynamic bayesian network,DBN)和逼近理想解法(TOPSIS)的融合威胁评估方法DBN-TOPSIS。通过分析来袭目标特征指标间的依赖关系,建立空中目标威胁评估指标体系。采用模糊理论处理连续型特征指标,统一指标形态,利用DBN进行动态威胁度等级概率推理。构造模糊DBN推理结果与TOPSIS评估矩阵之间的映射关系,采用TOPSIS法将威胁评估概率一维向量转换为确定数值,进行空中多目标威胁度准确排序。实验结果表明,融合威胁评估方法具有较好的合理性和稳定性。

基于DBN耦合模型的太阳辐照度模拟

在低碳经济的发展趋势下,太阳辐射的精确模拟对于光伏发电行业至关重要。影响太阳辐射的因素十分复杂,其与许多要素之间都存在复杂的非线性关系,这使得太阳辐射的模拟变得相对复杂。目前已有研究表明,机器学习模型能够很好地模拟太阳辐射,可挖掘出太阳辐射和各种影响因素之间的数学关系。文中基于支持向量回归(SVR)、随机森林(RF)、贝叶斯岭回归(BR)、梯度提升树(GBDT)、BP神经网络(BP)等五种机器学习模型,采用2020年1月—2021年4月位于河南的4个光伏发电站的真实卫星数据及地面观测数据进行机器学习建模以及地面太阳辐射模拟。由于传统单一模型的模拟精度较低,为提升模拟精度,通过引入DBN深度信念网络对五种模型模拟的结果进行二次建模,最终得到4个站点的高精度太阳辐射模拟值。研究结果表明,DBN耦合模型能够有效提取不同机器学习模型模拟结果的特征,其模拟效果和鲁棒性显著优于单一机器学习模型。

燃气管网外腐蚀事故DBN模型

为明确燃气管网服役中后期外腐蚀事故致灾机制规律及维护措施的有效性,有针对性地预防燃气管网外腐蚀泄漏事故,利用复杂网络(CN)理论与动态贝叶斯网络(DBN)相结合的方法,提取外腐蚀事故要素及事故链,整理并构建外腐蚀事故凝聚网络;通过度值分析筛选事故关键要素,在此基础上,将参数学习及Leaky Noisy-or gate修正模型联合,构建燃气管网外腐蚀事故DBN;根据不同失效场景,得到各动态要素及维护措施对管网失效的影响特征。结果表明:不同事故要素对管网失效的影响呈现差异性和阶段性,其中,老化、事故积累、化学腐蚀在管道服役中后期对管网腐蚀穿孔和管道破裂有显著影响,压力循环则主导服役中期的管道破裂事故。通过CN拓扑分析,可实现从整体角度出发对事故要素重要度的辨识;通过DBN的构建分析,能获得事故要素对事故后果的动态影响。