一种基于深度收缩自编码网络的变压器故障诊断方法

变压器油中溶解气体方法(Dissolved Gas-in-oil Analysis,DGA)由于其结果直观、操作简单和在线观测等优势,被广泛应用于变压器领域。然而传统的DGA难以充分利用不带故障类别标签的样本信息,导致故障诊断准确率不高。针对此问题,本文提出了一种基于深度收缩自编码(Deep Contractive Auto-Encoder,DCAE)网络的变压器故障诊断方法。首先,将深度收缩自编码网络和分类器组成DCAE分类器,构建基于深度收缩自编码网络的变压器故障诊断模型。其次,考虑工程中存在的数据采样错误情况,选取部分测试样本将其随机置零,研究该模型的容错性。结果表明,所提出的变压器故障诊断模型准确率均高于传统的粒子群优化支持向量机和BP神经网络模型,该模型适用于变压器故障诊断。

基于自编码收缩神经网络的奶粉掺杂快速拉曼成像检测

建立一种快速的奶粉掺杂拉曼成像识别方法,开发了自编码收缩神经网络重构算法,从低信噪比的短时拉曼成像信号中准确提取本征信号,并有机结合多元回归技术对奶粉中掺杂物进行定量分析,极大提升了拉曼成像扫描速度。在多种掺杂奶粉样本的定量检测中,该方法所建立的定量模型R2均达到了0.95以上,其检测速度较传统拉曼成像技术提升了30倍,可在2 min之内完成50 mm×50 mm区域内的奶粉掺杂检测。结果表明,该方法可有效满足奶粉掺杂快速检测的实际需求,并为其他非均匀食品体系掺杂快速检测提供了一种新方法。

基于无监督学习的软件定义网络异常流量检测技术

软件定义网络中存在多种不同类型的异常流量,高维数的异常流量需要大量的数据进行训练和检测,异常流量难以被准确提取,导致软件定义网络异常流量难以精准检测。为此,该研究基于无监督学习的软件定义网络异常流量检测技术,提升软件定义网络的运行安全性。利用无监督学习方法中的自编码器方法,通过压缩网络和检测网络2部分检测软件定义网络异常流量。压缩网络部分采用收缩自编码技术,通过调节重构误差的损失函数,对软件定义网络流量特征实施降维处理;将降维处理后的软件定义网络流量特征,输入条件生成对抗网络-长短时记忆网络模型中,该模型利用生成器生成软件定义网络流量样本,作为判别器训练的依据,利用完成训练的判别器,输出软件定义网络异常流量检测结果。实验结果表明,该方法在迭代次数接近150次时,重构误差稳定至0.01左右,该方法能够有效检测软件定义网络受到不同类型的攻击造成的流量异常情况,及时发出告警,异常流量检测精度为98.98%。

基于深度自编码网络的Android恶意软件检测方法

针对传统Android恶意软件检测方法检测率低的问题,文中提出一种基于深度收缩降噪自编码网络(Deep Contractive Denoising Autoencoder Network,DCDAN)的Android恶意软件检测方法。首先,逆向分析APK文件获取文件中的权限、敏感API等7类信息,并将其作为特征属性;然后,将特征属性作为深度收缩降噪自编码网络的输入,使用贪婪算法自底向上逐层训练每个收缩降噪自编码网络(Contractive Denoising Autoencoder Network),将训练完成的深度收缩降噪自编码网络用于原始特征的信息抽取,以获取最优的低维表示;最后,使用反向传播算法对获取的低维表示进行训练和分类,实现对Android恶意软件的检测。对深度自编码网络的输入数据添加噪声,使得重构的数据具有更强的鲁棒性,同时加入雅克比矩阵作为惩罚项,增强了深度自编码网络的抗扰动能力。实验结果验证了该方法的可行性和高效性。与传统的检测方法相比,该检测方法有效地提高了对恶意软件检测的准确率并降低了误报率。

基于CAE-DNN的多工序质量预测方法

针对多工序产品过程质量数据多特征、多噪声特性,提出一种基于收缩自编码器—深度神经网络的多工序产品质量预测方法。为了减少质量预测模型对噪声数据的敏感性,首先基于收缩自编码器的特征提取模型,完成预训练;然后将预训练网络的权重和偏置参数传递至多尺度卷积神经网络,作为预测模型的初始化参数,并增加批量归一化层、Dropout和L2正则化,优化神经网络结构,减少过拟合。以天池智能制造质量预测数据为例进行实验验证,结果表明该混合模型算法相较于AE-DNN、DNN、PCA-BP和PCA-SVR,MSE值分别降低了27.68%、30.94%、54.02%、48.16%。

基于深度收缩稀疏自编码网络的飞行员疲劳状态识别

飞行员的疲劳状态识别具有重要的研究意义和应用价值.针对飞行员疲劳状态识别的复杂性和准确性,提出一种新的基于脑电信号的飞行员疲劳状态识别深度学习模型.在对飞行员的脑电信号进行滤波分解的基础上,提取delta波(0.5～4 Hz)、theta波(5～8 Hz)、alpha波(7～14 Hz)和beta波(14～30 Hz),将其重组信号作为深度收缩稀疏自编码网络-Softmax模型的输入向量,用以对飞行员疲劳状态的识别,所得到的实验结果与深度自编码网络-Softmax模型和传统方法PCA-Softmax模型识别结果进行比较,结果表明所建立的深度学习模型具有很好的分类效果,分类准确率可达91.67%,且学习所得的特征稳定性好,验证了所提模型具有稳定性和重复验证性.