改进贝叶斯网络在变压器故障诊断中的应用

针对变压器故障诊断精度低的问题,文中提出一种基于改进黏菌优化算法(Improved Slime Mould Algorithm,ISMA)优化贝叶斯网络(Bayesian Network,BN)的变压器故障诊断方法。通过爬山算法对定向最大支撑树搜索得到贝叶斯网络初始结构即初始种群,在改进黏菌优化算法中引入反向学习策略,增加种群多样性。添加正弦-余弦算法(Sine Cosine Algorithm,SCA),更新解的位置以避免种群陷入局部最优。根据改良的无编码比值法选取变压器故障状态的特征,利用改进黏菌优化算法优化贝叶斯网络结构,提高基于贝叶斯网络的变压器故障诊断的准确率,并利用不同种类的测试函数验证了改进黏菌优化算法具有收敛速度快、收敛精度高的优良性能。仿真结果表明,ISMA-BN诊断模型的训练集和测试集准确率分别为98.2%和97.14%,具有一定的研究价值。

基于改进Res-UNet网络的织物瑕疵图像识别方法

复杂花色织物的纹理和色彩常常是非规则的,导致织物表面瑕疵识别难度较高。针对上述问题,研究一种基于改进Res-UNet网络的织物表面瑕疵图像识别方法。采集织物图像并对其实施灰度化、去噪以及直方图均衡化处理,利用蝙蝠算法求取最佳提取网络层数,通过增加特征提取网络层数改进Res-UNet网络,利用改进后的Res-UNet网络识别织物表面瑕疵,并且采用迁移学习算法进一步优化识别模型的参数,实现织物表面瑕疵准确识别。结果表明:本文方法应用下,无论是素色样本,还是花色样本,其识别系数均达到0.9以上,相比基于标签嵌入方法的织物瑕疵识别方法和双路高分辨率转换网络的布匹瑕疵检测方法,本文方法对复杂花色样本的轮廓系数识别更高,适用性更好,识别能力更强。

基于改进时间卷积网络与藤Copula的短期风速预测

考虑风电场相邻风机风速间以及风速与气象因素间复杂的非线性关系,提出了一种基于改进时间卷积网络与藤Copula相结合的风速预测方法。首先,利用深度残差收缩网络中存在的注意力机制及软阈值化的思想改进时间卷积网络中的残差模块,并进行初步风速预测;然后,考虑到众多气象因素对风速的影响,使用核主成分分析对气象数据进行降维,在保证数据特征的同时,降低数据的复杂度;最后,利用藤Copula在描述非线性相关结构方面的优势构建修正模型,使用降维的气象数据修正初步风速预测值,得到最终的风速预测结果。实验证明,所提方法提高了短期风速预测的精度。

基于改进循环神经网络的半导体质量预测

在复杂的半导体生产过程中,为了减少成本、缩短周期,须优化质量检测过程。本文对半导体的生产特点进行分析,结合数据预测的深度学习理念,构建基于长短期记忆网络(Long Short-Term Memory,LSTM)的质量预测模型。与基础预测模型相比,该模型考虑在复杂加工过程中使用的不同工具,引入工具识别模块。改进后的模型提高了质量预测的准确性和预测能力。对薄膜晶体管液晶显示器(TFT-LCD)的生产数据进行验证,本文方法预测结果更接近真实值,均方根误差(Root Mean Square Error,RMSE)和平均绝对误差(Mean Absolute Error,MAE)2类指标均大幅度降低。

基于改进神经网络的弱光图像自动分割算法

弱光条件下图像的对比度低、细节模糊、噪声干扰大.为了使分割后的弱光图像边缘更加整齐,分割目标更加完整,提出一种基于改进神经网络的弱光图像自动分割算法.采用SLIC方法展开弱光图像超像素,根据弱光图像中所存在的像素相似性,对所生成的全部超像素块展开超像素块融合处理;并结合改进的神经网络,分割出弱光图像的目标图像与背景图像,实现弱光图像自动分割.实验结果表明,所提方法的弱光图像超像素融合效果好、分割精度高.

基于改进SKNet-SVM的网络安全态势评估

为提高网络安全态势评估的准确率,增强稳定性与鲁棒性,提出一种基于改进选择性卷积核卷积神经网络和支持向量机的网络安全态势评估模型。首先,使用改进选择性卷积核代替传统卷积核进行特征提取,提高卷积神经网络感受野变化的自适应性,增强特征之间关联性。然后,将提取的特征输入到支持向量机中进行分类,并使用网格优化算法对支持向量机中的参数进行全局寻优。最后,根据网络攻击影响指标计算网络安全态势值。实验表明,基于改进选择性卷积核卷积神经网络和支持向量机的态势评估模型与传统的卷积神经网络搭建的态势评估模型相比,准确率更高,并且具有更强的稳定性和鲁棒性。

基于改进残差网络的运动目标模糊图像复原方法

传统的残差网络在复原运动目标模糊图像时,在模糊程度较严重的情况下,存在特征提取不充分、噪声干扰等问题,导致恢复出的图像无法完全达到原始图像的清晰度和细节。对此,提出基于改进残差网络的运动目标模糊图像复原方法。对采集到的运动目标模糊图像,采用多损失函数融合方法改进传统残差块结构,构建编码器-解码器网络训练结构,训练损失函数,提升网络的特征学习能力。通过完成训练的网络,输出运动目标模糊图像复原结果。实验结果表明,该方法复原运动目标模糊图像的峰值信噪比高于30 dB,结构相似性高于0.9。

改进时间卷积网络下局域网异常状态预测方法

局域网异常会阻碍网络运行速度,严重时会导致网络瘫痪。为了精准预测局域网是否存在异常,提出一种基于改进时间卷积网络的局域网异常预测方法。组建变分模态分解(Variational Mode Decomposition,VMD)高频噪声分量判定标准,剔除高频分量,将剩余VMD分量叠加重构,去除局域网数据中的噪声。建立局域网异常预测模型,将去噪后的局域网数据特征数值规约到和灰度图像像素值对应的范围内,形成局域网灰度图,并将其输入到改进时间卷积网络结构中训练和模型调优,完成局域网异常预测。经实验测试证明,所提方法可以获取高精度和高效率的局域网异常预测结果,在局域网异常预测领域具有广阔的发展前景。

基于改进DS证据理论和贝叶斯网络的海运供应链风险评估

作为一个复杂的网络组织,海运供应链为全球产业链提供运输服务,在全球化大背景下,海运供应链面临众多风险与挑战,影响供应链的安全平稳运行。因此,研究其风险至关重要。针对海运供应链风险评估体系中影响因素的不确定性和专家知识推断中存在的主观性,文章提出了基于改进DS证据理论和贝叶斯网络的海运供应链风险评估模型。结果表明,海运供应链处于较高风险等级状态,其中“信息系统风险”和“外部环境风险”概率较高,需要重点关注。该模型可以从系统的角度评估海运供应链风险,切实增强风险评估工作的科学性、准确性;评估结果可为供应链上的参与者进行风险管理提供有效参考。

基于改进鲸鱼算法优化神经网络的GPS高程拟合方法

采取混沌映射和自适应惯性权重结合的策略对标准鲸鱼算法进行改进,从而提高算法的全局寻优能力和收敛速度,并针对BP神经网络的劣势,利用改进鲸鱼算法对BP神经网络进行优化处理。在此基础上建立改进鲸鱼算法优化BP神经网络的GPS高程异常拟合预测模型,并通过两组不同地形特征工程中的GPS数据对模型进行验证。结果表明,利用改进鲸鱼算法优化的BP模型进行GPS高程拟合时可取得更高的精度和稳定性。

基于改进深度学习的主动式通信网络入侵行为自适应识别算法

针对外界参数变化较大时会严重影响识别准确率的问题,设计一种基于改进深度学习的主动式通信网络入侵行为自适应识别算法。归一化主动式通信数据,将卷积神经网络和BGRU进行结合,构建一个端到端检测攻击的改进型的循环神经网络,优化激活函数与逻辑回归分类器,稳定且自适应地识别主动式通信网络入侵行为。实验结果表明,所提算法在卷积核大小和学习率改变的情况下仍能保持较高的识别准确性,主动式通信网络入侵行为的识别结果具有自适应性。

改进AHM-RS赋权的网络节点多属性可拓聚类模型

针对网络节点模型聚类时未充分考虑网络节点的多属性以及结果片面性的问题,设计改进属性层次模型-粗糙集(Attribute hierarchy model-rough set,AHM-RS)赋权的网络节点多属性可拓聚类模型。通过改进AHMRS赋权法与可拓聚类算法,建立网络节点多属性可拓聚类模型;利用改进AHM法计算主观权重;利用RS赋权法计算客观权重;通过相对信息熵,组合主客观权重,得到综合权重;依据节点属性值和综合权重,获取节点综合重要性度量值;通过节点可拓距与综合重要性度量值,计算节点关于聚类等级的关联度,按照关联度确定该节点所属的聚类等级。实验证明:该模型可有效计算网络节点多属性综合权重,以及网络节点的关联度,完成网络节点多属性可拓聚类;在不同节点删除比例时,该模型可拓聚类的Rand指数均较高,即网络节点多属性可拓聚类精度较高。

基于改进DES算法的网络链路安全通信方法

现有的安全通信方法受限于60000 kB数据量,存在摘要对等数目不稳定的问题。为此,文章提出基于改进DES算法的网络链路安全通信方法。该方法通过网络链路安全协议建立连接,验证双方身份;利用最短路径优先协议,结合数据库信息,确保可信连接适应网络环境;基于密文位数,使用DES算法延长密钥,使之与明文位数匹配;设置访问权限,运用双线性映射配对特定属性,并通过加密算法处理,实现安全通信。实验证明,传输数据量稳定在90000 kB,提升了效率,解决了摘要对等数目不稳定的问题,提高了通信性能。

基于改进K-means数据聚类算法的网络入侵检测

随着入侵手段的不断更新和升级,传统入侵检测方法准确率下降、检测时间延长,无法满足网络防御要求。为此,提出一种经过改进K均值(K-means)数据聚类算法,以应对不断升级的网络入侵行为。先以防火墙日志为基础转换数值,然后基于粒子群算法求取最优初始聚类中心,实现K-means数据聚类算法的改进;最后以计算得出的特征值为输入项,实现对网络入侵行为的精准检测。结果表明:K-means算法改进后较改进前的戴维森堡丁指数更小,均低于0.6,达到了改进目的。改进K-means算法各样本的准确率均高于90%,相对更高,检测时间均低于10 s,相对更少,说明该方法能够以高效率完成更准确的网络入侵检测。

基于改进域对抗网络的新能源基地风光时序功率曲线生成方法

准确刻画风光时序功率曲线对于加快推动新能源大规模并网、指导联合发电系统规划运行具有重要意义。针对我国沙漠、戈壁、荒漠等地区新建大型风电光伏发电基地无历史功率数据可利用的现状,该文提出基于改进域对抗网络(improved domain adversarial neural networks,IDANN)的新能源基地风光时序功率曲线生成方法。以历史气象和功率数据充足的新能源场站作为源域,仅有气象数据的新建基地作为目标域。将源域上学习的输入气象信息到输出风光功率的非线性映射知识迁移到目标域,并添加最大均值差异(maximum mean discrepancy,MMD)作为度量域间特征分布相似性的损失函数以降低目标域泛化误差。最后采用实际风光场站算例验证所提方法的有效性,并进一步表明该方法的实用价值和意义。

基于改进VGG16网络的半监督石刻表层裂缝识别

针对如何快速准确地检测石刻表层裂缝问题,笔者建立一种改进的VGG16网络模型,将原本的3层全连接层改为2层全连接层,增加dropout正则化,并结合使用半监督学习算法,将深度学习应用于石刻表层裂缝的智能识别研究。为了检验改进后模型的性能与准确性,选用Unet、ResNet以及原模型进行比较,使用精确率、召回率和训练时间等对模型进行综合评估。改进后的VGG16网络模型精度达到93.6%,且训练时间较原模型减少了18%,具有轻量化运算的优点,模型可以满足基本的表层裂缝识别需求,且具有较好的鲁棒性。

足式机器人腿部关节改进单神经网络PID控制算法研究

为了满足液压足式机器人在复杂环境中实现精确、快速的腿部关节控制需求,把单神经网络PID能够实时调节参数的优点运用到足式机器人液压机械腿关节的控制中,在单神经网络PID的基础上增加机械腿关节的位置和速度控制算法,形成改进单神经网络PID,实现了对神经元比例参数自调整、PID参数的自整定,能够较好地适应内、外参数的变化,增强了腿部关节的快速性、精确性。在Simulink中进行建模仿真以及在设计的以STM32为中央处理芯片的控制平台上进行实验测试,结果表明:改进单神经网络PID在足式液压机器人的腿部关节控制中具有响应速度快、超调量小、控制精度高、鲁棒性强等优点。

网络增强核融合方法的改进及其在乳头状肾细胞癌多组学数据整合分子分型中的应用

目的针对网络增强的相似网络融合(network enhancement fusion,ne-SNF)方法先融合不同组学网络,再对融合后的网络降噪,忽略了不同组学相似网络噪声对融合网络影响的问题,本文提出了改进的网络增强融合(improved network enhancement fusion,improved ne-SNF)方法,并探讨其在乳头状肾细胞癌(papillary renal cell carcinoma,PRCC)分子分型中的应用,识别PRCC高危患者,筛选重要通路及免疫浸润细胞。方法通过模拟研究评估improved ne-SNF分型性能,并将其用于PRCC多组学数据的整合分型,利用Cox回归模型分析不同分型患者的预后风险;筛选不同分型的差异表达mRNA(DEmRNAs)、miRNA(DEmiRNAs)及差异甲基化基因(DMGs),并对其重合基因进行KEGG通路分析;最后对不同分型患者进行免疫细胞浸润分析。结果模拟研究结果表明improved ne-SNF在不同信号比例和噪声强度下的分型准确性均优于SNF和ne-SNF。improved ne-SNF方法将PRCC患者分为高危组和低危组,高危组患者的死亡风险是低危组的7.727倍;筛选出3511个DEmRNAs,96个DEmiRNAs及3426个DMGs,其联合分析的649个重合基因得到42条有统计学差异的KEGG通路。此外,筛选出3种在不同分型中存在统计学差异的免疫浸润细胞。结论improved ne-SNF分型性能优于SNF和ne-SNF,且能够有效识别PRCC预后高风险患者,并筛选出PRCC重要通路及相关免疫浸润细胞,为PRCC的治疗及预后提供新的思路和参考依据。

基于贝叶斯改进神经网络的电力无人机鲁棒姿态控制方法

针对电力无人机在工作状态下受到外部因素干扰导致无法精准控制运动姿态的问题,提出基于贝叶斯改进神经网络的电力无人机鲁棒姿态控制方法;综合考虑电力无人机的组成结构、运动以及动力原理,构建电力无人机数学模型,利用传感器设备检测电力无人机的实时位姿,采用飞行路线规划的方式确定姿态控制目标;在考虑风场威胁条件和故障状态的情况下,利用贝叶斯改进神经网络计算无人机的姿态控制量,以鲁棒姿态控制器作为硬件支持,实现鲁棒姿态控制;通过性能测试得出结论:优化设计方法的姿态角控制误差始终低于0.2°,且在3种不同风场工况下,控制误差的波动程度不高于0.5°,与传统方法相比,优化设计方法在姿态控制精度和鲁棒性方面具有明显优势。

基于改进神经网络的视频序列运动目标识别方法

为改善运动目标检测效果,降低目标漏检率,提出一种基于改进神经网络的视频序列运动目标识别方法。构建改进YOLOv3的运动目标识别模型,以不同帧视频图像为模型输入,经过卷积层的初步特征提取后,输入到由5个残差模块组成的深层网络中。通过以上采样方式构建特征金字塔,实现对运动目标四尺度特征的捕捉。在特征金字塔的每一层,应用K-means算法对运动目标真实框进行聚类,确保候选框尺寸和比例与真实运动目标的统计特性相匹配;再利用获得的候选框和分类器对特征图上每个位置进行目标检测,运用非极大值抑制技术剔除重叠框,将斥力损失函数引入到网络训练总损失之中,使预测框无限贴近运动目标真实框,实现对运动目标的精准识别。实验结果表明,所提方法具有显著的运动目标识别能力,当聚类数目为12时,运动目标识别的AUC、F1指标可达到0.92、0.90,且计算量较少。