基于机器学习的通信网络入侵检测系统

文章提出一种基于机器学习的创新型方法,以提高通信网络入侵检测系统的检测效果。首先,深入研究了通信网络入侵检测的基本架构,以全面理解入侵行为的多样性和复杂性。其次,将正则化约束引入循环神经网络(Recurrent Neural Networks,RNN)模型,旨在提高检测准确性和模型的泛化能力。最后,利用UNSW-NB15数据集进行实验,证明所提方法的有效性。实验采用混淆矩阵进行结果分析,并通过精确度、召回率、F1分数等指标综合评估模型性能。结果表明,文章所提方法在通信网络入侵检测任务中表现出色,具有较高的准确性和泛化能力。

基于门控循环单元的障碍物检测方法

针对现有障碍物检测方法存在检测精度和速度不足的问题,提出一种基于门控循环单元(Gated Recurrent Unit,GRU)的障碍物检测方法。通过构建单向GRU网络提取障碍物的几何特征,结合障碍物的时序特征实现障碍物检测。在GRU的基础上,提出三种优化模型注意力GRU模型、正则化GRU模型以及双向GRU模型用于提高障碍物检测精度或检测速度。为了验证所提方法的有效性,在真实采集的数据集上进行实验,结果表明,相较于卷积神经网络,GRU网络能够以较高的精度和速度实现障碍物的检测,其中,正则化GRU模型收敛速度更快,检测速度更高,综合性能最好。

面向中文新闻文本分类的融合网络模型

针对神经网络文本分类模型随着层数的加深,在训练过程中发生梯度爆炸或消失以及学习到的词在文本中的语义信息不够全面的问题,该文提出了一种面向中文新闻文本分类的融合网络模型。该模型首先采用密集连接的双向门控循环神经网络学习文本的深层语义表示,然后将前一层学到的文本表示通过最大池化层降低特征词向量维度,同时保留其主要特征,并采用自注意力机制获取文本中更关键的特征信息,最后将所学习到的文本表示拼接后通过分类器对文本进行分类。实验结果表明:所提出的融合模型在中文新闻长文本分类数据集NLPCC2014上进行实验,其精度、召回率、F1-score指标均优于最新模型AC-BiLSTM。

基于混沌CSO优化时序注意力GRU模型的超短期风电功率预测

高精度的风电功率预测对风电的并网运营至关重要。为提取风电功率输入序列隐含的时间信息,建立以门控循环单元为基础的预测模型;并在模型输入侧引入时序注意力机制,通过与输入进行加权的方式提高模型对关键历史时间节点的敏感性。为加速模型收敛,在训练的早期利用动态混沌纵横交叉算法优化预测模型的权值和阈值;同时,通过构造多指标共同作用并联合待优化参数的正则项作为目标适应度函数,以避免优化过程中模型泛化性问题的出现。以某风电场采集间隔为1h和10min的实测数据进行实验,结果表明所提组合预测方法性能优于其他对比模型,并对其有效性进行了验证。

基于MRSDAE-SOM结合HGRU的滚动轴承RUL预测

基于传统方法预测轴承剩余使用寿命(Residual Useful Life,RUL),步骤繁多,成本昂贵,且模型不具泛化性。现有的基于深度学习(Deep Learning,DL)的预测方法,由于数据量过大,经常导致模型出现过拟合现象,从而使模型精度不高。为了克服以上缺点,提出一种基于MRSDAE-SOM结合HGRU的滚动轴承RUL预测方法。首先,使用无监督式网络流形正则化堆栈去噪自编码器(Manifold Regularization Stack Denoising Auto Encoder,MRSDAE)结合自组织映射(Self-Or-ganizing Mapping,SOM)构建轴承健康因子(Health Indicator,HI)。然后,通过分层门控循环单元(Hierarchical Gated Re-current Unit,HGRU)网络建立预测模型,HGRU网络通过加入多尺度层和密集层,使其具有捕获时序特征且集成不同时间尺度注意力信息的能力。最后,通过实验验证表明,相比于其他基于数据驱动的方法,所提方法构建健康因子使用无监督方式,高效快捷且便于应用;预测模型泛化能力好,并有效防止了过拟合现象,实现了更高的预测精度。

电声传感技术辅助的无人机环境监测方法研究

文章研究了无人机环境监测系统中的声电传感器信号分析方法,通过UrbanSound数据集进行实证验证。首先,介绍无人机环境监测系统的基本原理。其次,采用循环神经网络(Recurrent Neural Network,RNN)模型对声电传感器信号进行分类,同时引入丢弃法等正则化手段以优化模型性能。最后的实验表明,相较于传统RNN,正则化RNN在准确率、精确度和召回率等性能指标上均取得了显著提升。

基于机器学习的水电机组劣化趋势预测模型

水电机组的劣化影响着水电站乃至电力系统的安全稳定运行。为了准确解析水电机组运行状态,获取机组的劣化趋势并对其进行准确预测,本文提出了一种基于极限梯度提升算法、变分模态分解算法、双向门控循环单元神经网络和注意力机制的水电机组劣化趋势预测混合模型。该方法首先用极限梯度提升算法建立考虑工作水头、有功功率和导叶开度影响的水电机组健康状态模型;其次,根据健康状态模型,推导出数年后的水电机组劣化趋势;再次,通过变分模态分解算法对水电机组劣化趋势进行分解,得到多个相对平稳的固有模态函数分量,并对每个模态分量建立双向门控循环单元神经网络和注意力机制的组合模型进行预测;最后,将预测模型的结果进行叠加,得到最终的趋势预测结果。实例分析结果表明,所提方法能准确地表达水电机组的劣化趋势,并且能有效地提高机组劣化趋势的预测精度。

基于AMCNN-BiGRU的滚动轴承故障诊断方法研究

为克服传统滚动轴承故障诊断方法需要人工提取特征的缺点,提出一种基于注意力模块的卷积神经网络-双向门控循环单元的滚动轴承故障诊断方法。该方法利用下采样后的原始振动信号作为输入,通过具有两种不同核大小的并行卷积块从采样后的数据中提取特征,并使用注意力模块对提取的特征进行加权融合处理,最后将具有不同权重的特征输入到双向门控循环单元进行故障分类,从而实现端到端的诊断。为了理解所提出模型的诊断过程,对所学习的特征进行可视化,分析发现模型可以有效映射不同类型的故障。经试验表明,该模型使用下采样后的原始数据有效缩短了网络的训练时间,同时还可以保持100%的诊断准确率。

基于GRU-GCN-RDrop模型的交通速度预测

准确并实时地预测交通速度是实现智能交通管控和建设智慧交通系统必不可少的一环,然而现有的预测方法无法准确地挖掘其潜在的时空相关性。为了进一步挖掘数据的时空特性以及提高预测精度,设计了基于门控循环神经网络(GRU),图卷积网络(GCN)和正则化Dropout(R-Drop)结合的GRU-GCN-RDrop组合模型。GCN用于学习复杂的拓扑结构来捕获空间依赖性,GRU用于学习交通数据的动态变化来捕获时间依赖性。GCN和GRU相结合后使用R-Drop方法提高模型泛化能力。以SZ-taxi数据集为例进行预测分析,GRU-GCN-RDrop模型预测了未来在15分钟、30分钟、45分钟和60分钟的交通速度,并得出对应的均方根误差、平均绝对误差、精度、判定系数和解释方差。对比GCN、GRU单个模型,GRU-GCN-RDrop模型有效解决了误差的迅速累积问题。对比大多数现有基准模型,GRU-GCN-RDrop模型对于交通速度序列的特征提取及解释能力较为优秀。对比T-GCN模型和ST-AGTCN模型,GRU-GCN-RDrop模型泛化能力更强。由此说明了GRU-GCN-RDrop模型预测的交通速度时间序列具有较高的精度和稳定性。

基于农村发展模式分析的中长期负荷预测方法

针对农村用电方式和用电需求变化问题,本文在考虑国家政策、农村经济等影响农村发展模式及负荷变化因素的基础上,提出了一种基于农村发展模式分析的中长期负荷预测方法。首先,对电力系统大数据进行了分析,提出了K-means-Robust聚类算法与加权自适应K近邻算法,搭建了农村发展模式预测模型。然后,针对不同农村发展模式,使用基于灰色关联度分析的正则化门控循环神经网络模型预测农村中长期负荷变化曲线。最后,以某农村为例,验证了所提方法的可行性。

大尺度多视立体深度估计网络S-MVSNet

针对现有估计网络空间复杂度高、难以处理高分辨率影像的问题,提出了一种大尺度多视立体深度估计网络(scalable multi-view stereo network,S-MVSNet)。以R-MVSNet为基础,提出一种轻量级的多尺度特征提取网络MiniUNet来降低空间复杂度;结合多尺度循环神经网络(multi-scale recurrent neural network,MS-RNN)来提升正则化网络的感受野;设计半全局正则化(semi-global regularization,SGR)方法将3D正则化问题转化为两个方向上的2D序列正则化问题,以提升深度估计的精度。在DTU、ETH3D及Tanks and Temples数据集上进行测试,测试结果表明,S-MVSNet能在8 GB显存下处理2K影像,支持的最大输入分辨率是RMVSNet的2.25倍,平均精度较R-MVSNet提升11%。

基于自然语言处理的程序代码缺陷检测

本研究深入探讨了一种基于循环神经网络(recurrent neural network,RNN)的程序代码缺陷检测方法,并将其应用于公共漏洞和暴露(common vulnerabilities and exposures,CVE)数据集。首先,设计一个完整的程序代码缺陷检测框架。其次,通过引入L2正则化对基于RNN的模型进行优化,以提高模型的泛化能力和抗过拟合能力。最后,采用CVE数据集对所提出的方法进行测试,并与传统RNN方法进行对比。结果表明,该方法在准确率、精确率、召回率和F1值等评价指标上均优于传统RNN方法,具有更好的性能和效果。

基于全局交互的图像语义理解方法

针对图像语义生成过程中图像信息易模糊的问题,提出基于双向门控循环单元(GRU)和图像信息全局交互相结合的图像语义生成模型,通过图像和文本数据进行正则化处理和文本向量映射方法,实现模型驱动的图像语义生成.实验结果表明,所提出模型能较好地解决数据稀疏和偏态问题,采用GUR单元可以进一步降低模型参数规模,加快算法收敛速度,有效抑制模型过拟合,提高图像内容的丰富度、准确性和逻辑性.