基于数据驱动的涡轮发动机剩余寿命预测

涡轮发动机系统工况复杂,经常在极端环境下工作,容易发生故障造成不可挽回的损失。通过建立物理模型的方法来进行寿命预测不仅建模困难、适用性不好,而且十分依赖先验知识。为建立适用于高维度特征的发动机剩余寿命预测模型,以及更加合理的对发动机的剩余寿命进行预测,使用改进后的梯度提升决策树(GBDT)和进行归一化处理后的涡轮发动机性能数据进行实验。在通用数据集上开展测试比较,结果表明改进GBDT模型适用于不同工况下涡轮发动机的剩余使用寿命预测,预测效果优于现有支持向量回归(SVR)、卷积神经网络(CNN)、长短期记忆网络等方法(LSTM),尤其是在运行时间上有较大幅度的提升,对于涡轮发动机的健康管理与运维决策能够提供保证。

基于LightGBM的网络入侵检测系统

入侵检测系统(intrusion detection system,IDS)是一种能够发现疑似入侵行为并采取相应措施的网络安全设备.现有IDS通常采用传统的常用机器学习算法和简单的深度学习算法,但始终难以避免训练速度慢、准确率不够高的缺点.针对这种情况,提出了一种基于LightGBM算法的网络入侵检测系统,对疑似入侵行为样本进行准确分类,该方法可以对数据进行采样从而极大地减小了数据计算量.使用入侵检测系统的标准数据集KDD99数据集,准确率达到94. 7%,训练时间缩短至422s.实验结果表明:基于LightGBM算法的网络入侵检测系统相较于常用算法在取得更高准确率的同时训练模型的速度也提高10倍左右.

基于深度学习的网络入侵检测系统

入侵检测系统,是一种可以监控网络运输,在发现异常现象时,能够发出警报或者主动响应的一种设备。但传统的机器学习算法以及一些简单的深度学习算法,于是就会出现准确率不够高或者训练速度过慢的问题,因此如何提高入侵检测系统性能成为一个亟待解决的关键问题。随着计算机计算能力的提升,入侵检测技术已经发展到智能分析阶段。在这种情况下,本文提出了一种,采用长短期记忆神经网络记忆模型的LSTM算法进行优化,组合LightGBM算法对入侵行为样本进行采样,减少了内存消耗和数据计算量的LightGBM-LSTM的组合模型,大大提高了效率。与传统算法相比,LightGBM-LSTM入侵检测系统的检测精度更高,训练时间更短。