联合多重卷积与注意力机制的网络入侵检测

利用深度学习方法建立一种网络入侵检测模型CAL.该模型通过多重卷积提取数据流的深层特征,利用注意力机制提取代表数据流结构特点的关键特征,以提高对不同数据流特点的表达能力,并通过池化计算压缩数据,提高模型泛化能力,使用基于CuDNN加速的长短时记忆网络,在学习数据流上下文特征和时序信息的同时,加速模型收敛.在数据集UNSW-NB15上进行实验,结果表明,CAL模型的识别准确率为90.37%,多类型入侵流的识别准确率为78.94%,性能表现优于其他已有方法.

关于正整数幂的多重卷积公式

若k个正整数的和为n,那么这k个正整数积的r次幂的多重和就是正整数的r次幂的k重卷积.使用生成函数方法首先得到了一次幂和二次幂的k重卷积的求和公式,然后借助于导数算子和第二类Stirling数给出了一般的r次幂的k重卷积的求和公式.

涉及Fibonacci数和Lucas数的多重卷积公式

根据Fibonacci数{Fn}和Lucas数{Ln}的递归关系,研究了关于Fibonacci数和Lucas数的生成函数∑∞n=1Fn2xn和∑∞n=1Ln2xn.利用第一类Stirling数和第二类Stirling数,获得了涉及Fibonacci数和Lucas数的多重卷积公式,推广了WChu的相关结论.

基于多重卷积神经网络跨数据集图像分类

为解决不同数据集共同类图像特征学习能力弱的问题,采用深度学习算法模型,提出一种基于多重卷积神经网络的跨数据集图像分类方法。以中值滤波预处理后的图像作为网络输入,在两个池化层之间采用两组连续卷积层,卷积特征提取和池化后,采用L2范数正则化的Softmax损失函数作为模型分类器,完成多重卷积神经网络分类的训练和测试。实验结果表明,相比于传统JDA方法、TCA方法和KPCA方法,该方法在经典数据集Caltech256、Amazon、Webcam和Dslr上具有更好的特征提取能力和更高的平均准确率。

多重卷积算法下的精度优化分配研究

提出了一种按多重卷积算法进行精度分配时,利用最小经济夹角,并以公差等级作为寻优单位的精度优化分配方法,大大减少了寻优次数.不仅使精度分配结果更为精确.而且运算迅速、简便,使其更为实用。

多重卷积流形上的梯度近Ricci孤立子

利用多重卷积流形上的协变导数算子、梯度算子、Ricci曲率的性质以及二阶椭圆算子的强最大值原理,讨论多重卷积流形上的梯度近Ricci孤立子,给出多重卷积流形是梯度近Ricci孤立子的充要条件,以及多重卷积流形上的梯度近Ricci孤立子的一个刚性结果.

基于多重注意力卷积神经网络双向门控循环单元的机械故障诊断方法研究

为解决传统机械故障诊断方法需要人工提取特征的不足,提出一种基于多重注意力卷积神经网络双向门控循环单元(multiple attention-convolutional neural networks-bidirectional gated recurrent unit,MA-CNN-BiGRU)的端到端的故障诊断方法。首先将原始时域数据输入卷积神经网络(convolutional meural networks,CNN)进行初步特征提取并降维,然后将结果重组输入双向门控循环单元(bidirectional gated recurrent unit,BiGRU),可以有效地解决BiGRU对于过长序列数据处理困难的问题。采用美国凯斯西储大学开源轴承数据集进行训练,确定了最佳卷积层数和最佳样本长度约减比例分别为2和1/8。同时,通过在CNN和BiGRU中分别加入卷积注意力模块(convolutional block attention module,CBAM)和序列注意力模块(sequence attention module,SAM),进一步加强了模型对于关键信息的提取能力。最后实测柴油机故障振动信号试验表明:MA-CNN-BiGRU模型可以实现端到端的故障诊断,与变分模态分解(variational mode decomposition,VMD)核模糊C均值聚类算法(VMD-kernel fuzzy C-means clustering,VMD-KFCM)、VMD-反向传播神经网络(back propagation neural network,BPNN)和一维CNN等方法进行对比,MA-CNN-BiGRU模型的故障诊断性能更优。

基于MWKCNN与迁移学习融合的风机轴承故障诊断方法

针对实际风电场的风机运行工况多变、数据完备性缺失导致的风机轴承故障诊断精度降低的问题,提出一种基于多重宽核卷积神经网络(multiple wide kernel convolutional neural networks,MWKCNN)与迁移学习融合的风机轴承故障诊断方法。首先,在源域训练MWKCNN风机轴承故障诊断模型;其次,根据3个目标域与源域的相似度,利用基于模型微调的迁移学习方法对源域的MWKCNN模型结构进行调整,并且用实际的轴承数据集进行验证;最后,通过仿真实验进行验证。结果表明:MWKCNN模型对源域的风机轴承故障诊断的精度达到了99.48%;在3种数据完备性缺失的目标域,对风机轴承故障诊断的精度均达到了94%以上;相比于其他模型的迁移效果,MWKCNN模型对轴承振动信号故障特征的挖掘能力更强。

数字化输出的电子式电流互感器在线校验系统研制

由于具有绝缘性能好、动态范围广、频带宽、无磁饱和等优点,电子式电流互感器已经开始取代传统式电流互感器而应用于电力系统和其它工业领域。然而供能电源和信号处理电路的引用给电子式电流互感器的可靠性带来了新的问题,因此电子式电流互感器的校验监测变得尤为重要。为此,提出了一种电子式电流互感器数字输出在线校验系统,它采用加多重矩形卷积窗的插值高精度算法,可以针对现场运行的数字化输出的电子式电流互感器进行在线校验,能更精确地反映一次侧电流电压值,大大提高了电力系统的可靠性。试验结果表明,该系统完全可以满足0.2s级电子式电流互感器的现场校验要求。

基于深度视频分析的面瘫分级方法

针对面瘫患者诊断视频中面部运动特征的复杂性,设计能够学习更本质面部特征的深层非线性网络结构,结合可见光和深度视频数据更全面地分析面部运动细节特征。该方法主要使用具有多重卷积结构的网络模型和LSTM网络,分析患者与正常人面部运动之间的差异,完成真假面瘫识别;提取面部运动过程中的时序形变特征和纹理变化特征,并进行特征融合,实现面瘫分级评估问题;深入分析患者面部运动在可见光视频和深度视频中所体现出的细微变化特征,使用融合多源视频信息的卷积神经网络模型对面瘫等级进行细粒度评估。

An improved predictive deconvolution based on maximization of non-Gaussianity

The predictive deconvolution algorithm （PD）, which is based on second-order statistics, assumes that the primaries and the multiples are implicitly orthogonal. However, the seismic data usually do not satisfy this assumption in practice. Since the seismic data （primaries and multiples） have a non-Gaussian distribution, in this paper we present an improved predictive deconvolution algorithm （IPD） by maximizing the non-Gaussianity of the recovered primaries. Applications of the IPD method on synthetic and real seismic datasets show that the proposed method obtains promising results.

基于TMU-Net网络的苹果果心分割方法

针对苹果内在品质检测过程中传统测量果心大小方法效率低、准确性差等问题,该研究提出一种基于TMU-Net网络自动分割果心的方法,将Transformer编码器融入U-Net网络结构中,构建改进U型卷积网络TMU-Net模型。模型由特征提取模块、特征处理模块、解码器、特征拼接模块组成,以VGG-16前13层作为主干特征提取网络,在跳跃连接中叠加多重残差空洞卷积(Multiple Residual Dilated Convolution,MRDC)模块,增大感受野的同时增强了模型对底层特征提取能力。采用数据增强技术对果心数据集扩充后,利用迁移学习方法冻结特定的网络层,对TMU-Net模型进行训练。试验结果表明:引入迁移学习并使用最佳训练方式使模型分割精确率提高了22.48个百分点;TMU-Net网络模型在果心分割任务中实现了96.72%的精确率,与U-Net、PSPNet、DeeplabV3+网络对比,精确率分别提升了14.28、9.98、7.15个百分点。该方法能够精准、有效地实现果心分割,可为实现苹果内在品质智能检测提供参考。