基于堆叠稀疏去噪自编码器的混合入侵检测方法

针对高维数据场景下传统入侵检测方法特征提取困难、检测准确率低等问题,提出一种集成多种深度学习模型的混合入侵检测方法.该方法由特征降维算法和混合检测模型2部分组成.首先,利用堆叠稀疏去噪自编码器对原始数据进行特征降维,从而剔除可能存在的噪声干扰和冗余信息.然后,采用一维卷积神经网络和双向门控循环单元学习数据中的空间维度特征和时序维度特征,将融合后的空时特征通过注意力分配不同的权重系数,从而使有用的信息得到更好表达,再经由全连接层训练后进行分类.为检验方案的可行性,在UNSW-NB15数据集上进行验证.结果表明,该模型与其他同类型入侵检测算法相比,拥有更优秀的检测性能,其准确率达到99.57%,误报率仅为0.68%.

基于堆叠稀疏自编码器的多缸喷油器堵塞定位算法

燃油喷射系统的工作质量直接影响柴油机工作过程及性能,针对多缸机不同喷油器发生堵塞故障且故障程度不一时,传统故障诊断方法难以精准定位故障喷油器的问题,提出一种基于堆叠稀疏自编码器(Stacked Sparse Autoencoder,SSAE)的故障定位算法。通过SSAE提取不同喷油器发生堵塞故障时轨压信号的深层特征,以softmax网络实现故障部件定位。以一维轨压信号为输入,故障喷油器定位为输出,并研究算法超参数对算法精度的影响。研究结果表明,此算法能精准定位发生堵塞故障的喷油器,且精度不受堵塞程度的影响,故障诊断正确率可达96.7%。

基于堆叠式降噪自动编码器和深度神经网络的风电调频逐步惯性智能控制

风电调频的逐步惯性控制(SIC)策略在负荷波动后提供一个阶跃式功率增发,能够有效阻止系统频率下降,保障电网频率安全.但在其功率恢复阶段,容易出现二次频率跌落现象,需优化SIC以获得更好的调频效果.传统方法存在计算维度高和耗时较长的弊端,难以满足不同场景下快速提供最优控制效果的需求.为实现负荷扰动事件下风电调频的最优逐步惯性快速控制,引入深度学习算法,提出一种基于堆叠式降噪自动编码器(SDAE)和深度神经网络(DNN)的风电调频逐步惯性智能控制方法.首先,使用麻雀搜索算法获得最优参数,使用SDAE高效提取数据特征;随后,基于DNN对数据特征进行学习,并引入加速自适应矩估计优化网络参数,提升网络全局最优参数;最后,应用SDAE-DNN联合方法实现扰动事件后风电调频的逐步惯性在线控制.在IEEE 30节点测试系统中分别对单台风力机和风电场进行仿真分析,与传统方法、浅层反向传播神经网络及原始DNN所得结果对比发现,所提网络结构具有更优的预测精度和泛化能力,该方法能够实现良好的逐步惯性调频效果.

基于堆叠稀疏自编码器和Softmax分类器的路面裂缝识别方法研究

为了提高路面裂缝识别的正确率和实时性,文章提出了一种基于堆叠稀疏自编码器和Softmax分类器的路面裂缝识别方法。利用图像处理算法从每张路面图像中提取低维特征,输入到稀疏自编码器进行特征优化并提取高维特征后,使用Softmax分类器来进行识别。利用本文方法进行交叉试验,准确率、精度、灵敏度、特异性和F1-score分别达到99.5%、99%、100%、100%和99.5%。因此,本文提出的方法能够有效地自动检测路面裂缝。

基于堆叠自动编码器的网络行为识别

网络行为识别一直是网络安全中的研究热点,随着网络中数据量的海量增大以及数据的非线性等问题的影响,对于网络行为识别的特征提取和识别技术提出更高的要求。文章提出了一种基于堆叠自动编码器的网络行为识别方法,该方法通过构建堆叠自动编码器和SOFTMAX分类器的深度学习框架,结合无监督的预训练和有监督的全局微调,优化堆叠自动编码器的特征提取性能,实现了网络行为特征的深度提取,从而对高校流量数据中上网行为进行分析识别。

基于堆叠稀疏自动编码器的手写数字分类

将稀疏自动编码器(Sparse Autoencoder,SAE)模型应用于数字识别中,并通过多个稀疏自动编码器的堆叠构建了深度网络,采用非监督贪婪逐层训练算法(Greedy Layer-Wise Unsupervised Learning Algorithm)初始化网络权重,使用反向传播算法优化网络参数。利用堆叠稀疏自动编码器学习数字图像的特征,使用softmax分类器进行数字分类。经实验证明,与其它浅层学习模型对比,深度网络不仅进一步学习了数据的高层特征,同时还降低了特征维数,提高了分类器的分类精度,最终改善了手写数字的分类效果。

基于堆叠稀疏降噪自动编码器的地区风电场群高精度超短期风电功率预测

为解决风电功率预测过程中面临的风电数据量大且复杂化以及如何提高预测精度的问题,基于堆叠稀疏降噪自动编码器提出地区风电场群高精度超短期风电功率预测方法。该方法采用自编码器对输入风电功率数据进行降维提取特征,为进一步增强自动编码器的抗干扰性,对其引入稀疏性约束和降噪技术。该方法能够有效降低数据的解析难度和提高特征提取的可靠性。通过实际算例验证,该预测方法可有效提高多风电场功率预测的精度。

基于改进堆叠稀疏降噪自编码器的轴承故障诊断

为提高堆叠稀疏降噪自编码器的性能,解决其计算复杂度高、收敛速度慢等问题,提出了一种基于堆叠边缘化稀疏降噪自编码器的滚动轴承故障诊断方法。首先,对稀疏降噪自编码器的损失函数进行边缘化处理,并结合逐层贪婪训练策略构建出SMSDAE网络;然后,将SMSDAE网络与Softmax分类器结合,得到SMSDAE-Softmax特征提取模型;最后,将提取到的特征输入到SVM多分类器中完成对滚动轴承的智能故障诊断。QPZZ-Ⅱ旋转机械故障模拟试验平台所得故障信号的处理结果表明,该方法的平均故障诊断率达到了99.9%,相对于其他方法具备更快的收敛速度,更好的诊断效果,以及更强的鲁棒性。另外,采用美国西储大学轴承数据中心10种轴承故障信号进行分析,结果证明了该方法在面对不同类型轴承以及多种故障信号时具备良好的诊断性能,有一定的普适性。

基于堆叠自编码器神经网络的复合电磁检测铁磁性双层套管腐蚀缺陷分类识别方法

铁磁性双层套管长期服役于恶劣的工作环境,极易出现腐蚀缺陷,定期为服役中的双层套管进行在线检测十分必要,而对管壁腐蚀缺陷位置的分类识别是管道定量检测与维修的前提和基础,实时准确的套管腐蚀缺陷分类识别能力是决定管道在线检测效率的重要因素。针对这一情况,将脉冲远场涡流和脉冲涡流技术相结合,提出了基于堆叠自编码器神经网络的分类方法。通过仿真和实验选取合适特征量作为输入层,实现了内管外壁腐蚀、外管内壁腐蚀和外管外壁腐蚀的分类,实验整体预判精度可达97.5%,结果表明该方法可对双层套管腐蚀缺陷缺陷实施高效、高精度分类识别。

基于堆叠稀疏自动编码器的SAR图像变化检测

针对合成孔径雷达（SAR）图像存在较强相干斑的特性,该文基于深度学习理论,将堆叠稀疏自编码器（SSAE）运用到SAR图像的变化检测中,用以提取图像的深层特征。首先,用均值比法求取差异图像,然后将差异图像作为输入数据训练稀疏自动编码器（SAE）并通过训练好的SAE提取图像特征,再将图像特征作为输入数据训练新的SAE同时通过训练好的SAE提取图像更深层次的特征,最后连接模糊C均值分类器对提取到的图像特征进行聚类得到变化检测图像。实验结果分析表明基于SSAE的分类模型,总体精度能达到98. 84%,优于实验中的其他方法,证明了深度学习方法在SAR图像的变化检测中具有良好的分类性能。

基于稀疏堆叠自编码器和Circle Loss的电机故障诊断

电机故障诊断不仅能提高电机安全性,同时,也能降低维护成本,对提高企业的整体经济效益具有重大意义。本文提出了克服转速波动的电机故障诊断方法。通过复包络谱使故障频率分量更突出,SSAE避免了手工提取特征的过程,Circle Loss可以有效地提高诊断精度。实验结果表明,对于用可变转速工况,该方案在故障分类精度方面优于常规故障诊断算法。

基于堆叠稀疏降噪自编码器的暂态稳定评估模型

深度学习模型凭借其良好的性能被引入到电力系统的暂态稳定性评估中,但进行在线应用时,须关注模型的抗噪能力和泛化能力。文中提出一种基于堆叠稀疏降噪自编码器(SSDAE)的暂态稳定性评估模型,首先对原始输入数据加入噪声得到受损数据样本,然后对受损数据样本进行高阶特征提取,最后将提取的高阶特征重构成未受损的数据,这一训练过程大大提高了模型的抗噪能力。同时,在对输入特征进行重构的过程中,对隐藏层神经元权重和激活程度进行抑制,实现模型的稀疏化,以此提高模型的泛化能力。仿真结果表明,相对于其他机器学习算法,SSDAE模型具有良好的抗噪能力和泛化能力。

融合稀疏因子的情感分析堆叠降噪自编码器模型

基于深度学习的特征抽取是目前数据降维问题的研究热点,堆叠自编码器作为一种较为常用的模型,无法对混有噪声及较稀疏的数据进行良好的特征表达。面向微博情感分析,通过在堆叠降噪自编码器的各隐藏层中加入稀疏因子,来解决样本数据所含噪声和稀疏性对特征抽取的影响。使用COAE评测数据集进行的情感分析实验表明所提模型分类的准确率和召回率都有所提高。

基于堆叠降噪稀疏自动编码器的软件缺陷预测

特征提取是软件缺陷预测中的关键步骤,特征提取的质量决定了缺陷预测模型的性能,但传统的特征提取方法难以提取出软件缺陷数据的深层本质特征。深度学习理论中的自动编码器能够从原始数据中自动学习特征,并获得其特征表示,同时为了增强自动编码器的鲁棒性,本文提出一种基于堆叠降噪稀疏自动编码器的特征提取方法,通过设置不同的隐藏层数、稀疏性约束和加噪方式,可以直接高效地从软件缺陷数据中提取出分类预测所需的各层次特征表示。利用Eclipse缺陷数据集的实验结果表明,该方法较传统特征提取方法具有更好的性能。

基于堆叠稀疏去噪自动编码网络与多隐层反向传播神经网络的铣刀磨损预测模型

刀具磨损状态是机械加工过程中需考虑的重要因素之一。针对铣刀磨损的在线预测问题,建立了一种基于深度学习的铣刀磨损预测模型。首先,将采集到的铣刀切削时的振动信号进行小波去噪后,利用快速傅里叶变换和小波包分解等技术提取时域、频域及时频域上的特征参数,并根据相关性分析从中筛选出合格的特征参数合并为特征向量,以此作为堆叠稀疏去噪自动编码网络(SSDAE)的含噪样本。其次,利用特征后处理的方式对已经筛选出的特征参数进行单调不递减及平滑处理,并将其作为SSDAE的无噪样本来训练该网络。然后,将经过SSDAE降维后的特征向量作为多隐层反向传播神经网络(BPNN)的输入,以这些特征对应的实际铣刀的磨损量作为标签对该网络进行拟合训练。最后,对训练好的模型进行实验验证,通过测试数据集和人为加入噪声的测试数据集的对比,结果显示所提模型不仅具有较高的预测精度,还具有较高的鲁棒性。

堆叠稀疏自编码深度神经网络算法及其在滚动轴承故障诊断中的应用

针对目前机械设备故障数据量大、多样性且主要采用监督式学习提取故障特征的现状,提出一种堆叠稀疏自编码深度神经网络,实现无监督学习提取振动信号内在特征,并用于滚动轴承故障诊断。将频谱包络线作为低层输入逐层训练网络,获取故障特征表达,输入Softmax分类器实现故障分类;通过优化算法对整个深度神经网络进行微调,提高分类精度。滚动轴承故障诊断实验结果表明:所提出的深度神经网络能更准确地实现故障诊断,且在保证准确率的同时将频谱包络线作为低层输入,能够提高计算效率。

基于改进堆叠去噪自动编码器的电能质量扰动分类方法

针对当前电能质量扰动分类时因数据量大和特征量提取不足而造成分类精度低的问题,文章将压缩感知和深度学习结合,提出一种基于改进堆叠降噪自动编码器(Improved Stacked Denoising Autoencoders,ISDAE)的电能质量扰动分类方法。首先,将原始数据经过压缩感知后得到的稀疏向量作为数据集;然后构建堆叠去噪自动编码器模型,引入Inverted Dropout技术提升网络的泛化能力,避免过拟合现象的产生,并在微调阶段引入自适应矩估计(Adaptive moment estimation,Adam)优化方法,以降低陷入局部最优的概率。最后对10种常见的电能质量扰动信号进行仿真分析,可以发现所提方法降低了需要分析的数据量,解决了传统分类算法对特征选取不充分从而造成分类效率低的问题,并在一定程度上提升模型的鲁棒性。

基于堆叠自动编码器的miRNA-疾病关联预测方法

作为一类小的非编码RNA,miRNA的异常调控与人类疾病的发生和发展密切相关,研究miRNA与疾病的关联对于了解人类疾病致病机制具有重要意义。机器学习方法被广泛应用于miRNA-疾病关联预测,然而现有方法仅仅考虑了miRNA与疾病相似性网络信息,忽略了相似性网络的拓扑结构。因此,文中提出基于堆叠自动编码器的miRNA-疾病关联预测模型SAEMDA,该模型采用重启随机游走获取miRNA与疾病相似性网络的拓扑结构特征,用堆叠自动编码器提取miRNA与疾病的抽象低维特征,将得到的低维特征输入深度神经网络进行miRNA-疾病关联预测。SAEMDA模型在5折交叉验证中取得了较好的结果,并在结肠癌和肺癌两个案例中进行了验证。在结肠癌的案例中,此模型预测的前50个miRNA-疾病关联中的45个miRNA在数据库中得到了验证;在肺癌的案例中,排名前50的miRNA均在数据库中得到了验证。

堆叠自编码器在锚杆锚固缺陷类型识别中的应用

为了解决传统特征提取方法依赖人工经验,无法挖掘数据深层次的特征而降低锚杆锚固缺陷识别准确率的问题,本文提出一种基于自动选层堆叠自编码器特征提取的锚杆锚固缺陷识别算法。该算法首先利用Adam优化算法对重构误差进行优化,自动确定堆叠编码器网络深度及参数,从而有效提高提取特征对缺陷的敏感度;然后利用Softmax多分类器对提取的特征信号进行锚杆锚固缺陷识别;最后通过数值模拟和物理模拟两种方法对所提算法进行了验证。结果表明:基于自动选层堆叠编码器的特征提取方法,能有效提取锚杆锚固缺陷特征,使得数值模拟和物理模拟缺陷平均识别率均达到97%以上。

基于堆叠降噪自编码器的配电数据清洗方法

准确高效的异常数据识别与缺失数据恢复是电力网络稳定运行的基础。提出了一种配网网络状态监测异常数据清洗方法。首先,利用堆叠降噪自编码器(SDAE)学习正常数据和异常数据特征,去除噪声后获取损失函数曲线。然后,采用Bootstrap方法估计置信区间,设置异常数据识别门限,通过多分类支持向量机完成异常类型识别。最后,针对缺失数据,设计了Pearson相关系数进行插补恢复。实验结果表明,该方法能够有效识别配电网络异常数据类型,且缺失数据恢复性能优于现有方法。