基于全卷积去噪自编码器与卷积块注意力模块的非侵入式居民负荷分解模型

为了进一步提高低频居民负荷分解模型的分解精度与泛化能力,提出一种基于全卷积去噪自编码器与卷积块注意力模块的非侵入式居民负荷分解模型,该模型能够深度解析单一电器的功率曲线。基于全卷积去噪自编码器分别构建主回归子任务网络和辅助分类子任务网络;在子任务网络中,通过引入卷积块注意力模块自适应分配特征注意力权重,以减小不重要因素在模型训练过程中的影响;将辅助分类子任务网络的输出作为主回归子任务网络输出的门控单元,实现最终的负荷分解。基于公开数据集的算例结果表明,所提负荷分解模型比现有负荷分解模型具有更优的分解精度和泛化能力。

基于深度卷积网络和卷积去噪自编码器的水声信号识别方法

针对复杂水声信号的分类识别问题,提出了一种新的网络模型结构,将卷积神经网络和卷积去噪自编码器结合到一起应用于水声信号Lofar谱的分类识别中。实验结果表明,该模型能够利用更少的参数学习更丰富的鲁棒性特征,目标识别的总体准确率达到81.2%,与传统卷积神经网络识别方法相比具有更高的识别准确率。

基于卷积去噪自编码器的芯片表面弱缺陷检测方法

芯片表面缺陷会影响芯片的外观和性能,因此表面缺陷检测是芯片生产过程中的重要环节。具有缺陷与背景对比度低、缺陷较小等特点的弱缺陷给传统检测方法带来了挑战。因为近年来深度学习在机器视觉领域展现出了强大的能力,所以文中采用基于深度学习的方法来研究芯片表面弱缺陷的检测问题。该方法将芯片表面缺陷看作噪音,首先应用卷积去噪自编码器(Convolutional Denoising Auto-encoders,CDAE)重构无缺陷图像,然后用重构的无缺陷图像减去输入图像,获得包含缺陷信息的残差图。因为残差图中已经消除了背景的影响,所以最后可以基于残差图较容易地进行缺陷检测。由于基于CDAE重构芯片背景的无缺陷图像时存在随机噪音,导致弱缺陷可能会湮没在重构噪音中,为此,文中提出了重叠分块策略抑制重构噪音,以便更好地检测弱缺陷。因为CDAE是无监督学习网络,所以训练时无需进行大量的人工数据标注,这进一步增强了该方法的可应用性。通过对真实芯片表面数据进行测试,验证了所提方法在芯片表面检测上的有效性。

基于CDAE-LMSAF的水下目标辐射信号增强

针对远距离目标(如潜艇、鱼雷等)被动定位时存在海洋环境噪声、舰艇自身噪声等影响,从而导致定位精度降低的问题,本文提出了一种基于卷积去噪自编码器和自适应最小均方误差滤波(CDAE-LMSAF)的增强方法,通过提取水下目标辐射信号和含噪信号的时频谱图特征,作为卷积去噪自编码的输入进行训练和建模,再利用自适应滤波器对神经网络增强后的音频进行优化,实现对水下目标辐射信号的增强。仿真实验结果表明,在信噪比为-5 dB时,本文方法的信噪比为17.51 dB,相比于多窗谱谱减法的1.23 dB,卷积去噪自编码器的7.21 dB,自适应最小均方误差滤波的4.12 dB,本文方法具有更高的信噪比增益。

特征增强的改进LightGBM流量异常检测方法

针对机器学习在流量异常检测中存在选择特征过于依赖专家经验、原始特征表达能力不足、数据受噪声和离群点影响导致模型鲁棒性差以及处理非平衡海量高维数据时少数异常类检测率低等问题,提出一种特征增强的改进LightGBM(light gradient boosting machine)流量异常检测方法。首先,采用隔离森林(isolation forest,iForest)实现异常值处理,并利用异常值处理后的数据训练引入全局平均池化(global average pooling,GAP)的一维卷积去噪自编码器(convolutional denoising autoencoder,CDAE),间接地消除数据中的噪声,得到原始特征的低维增强表达。然后,采用自适应合成采样(adaptive synthetic,ADASYN)对异常值处理后的数据实现数据增强并运用训练完成的CDAE进行特征提取,将得到的低维特征作为LightGBM的输入,训练并进行贝叶斯参数寻优。最后,通过得到的CDAE+LightGBM组合模型实现对异常流量的精准分类。在NSL-KDD数据集上所提方法的五分类准确率和F1分数分别达到了87.80%和87.75%,能够有效提升检测精度,增强未知攻击的检测能力。在CICIDS2017场景数据集上的测试进一步验证了所提方法可行性,且优于与同类型的深度学习算法。