基于多特征的深度神经网络混合推荐模型研究

近年来,深度学习广泛应用于推荐系统领域,并受到了极大的欢迎。然而,将混合推荐与深度学习技术相结合的研究还处于起步阶段。将深度学习技术应用于混合推荐,设计了一个基于多特征的深度神经网络混合推荐模型(MFDH),通过将深度学习技术和多层感知机技术相结合,从多角度自动学习用户和项目之间的交互,更全面地反映出用户的偏好。在两个不同的公开数据集上进行了实验,结果证明,该模型相比基线模型有较高的推荐质量。

基于自注意力编码器和深度神经网络的短期净负荷预测

随着新能源渗透比例的提高,新型电力系统的源荷平衡与稳定运行依赖于更精确可信的预测。净负荷是实际负荷减去新能源出力的负荷需求,其准确的预测结果能够有效提高电力系统运行经济性与安全性。该文采用直接预测策略,提出基于自注意力编码器和深度神经网络的净负荷预测模型,该模型包括提取原始不确定量特征信息的自注意力编码器模块和提取净负荷时序特征的长短期记忆神经网络模块,两个模块提取的特征信息输入残差神经网络后输出最终的预测结果。同时,由于净负荷集成了负荷、风光等多个不确定量,波动性较强,该文结合条件分位数回归有效实现非参数区间预测,来量化预测不确定性,评估净负荷波动范围。算例分析表明,所提模型相比常见的预测模型取得了更高的净负荷预测精度,给出的预测区间质量也优于基线模型,能够有效支持电网实时运行。

基于堆叠式降噪自动编码器和深度神经网络的风电调频逐步惯性智能控制

风电调频的逐步惯性控制(SIC)策略在负荷波动后提供一个阶跃式功率增发,能够有效阻止系统频率下降,保障电网频率安全.但在其功率恢复阶段,容易出现二次频率跌落现象,需优化SIC以获得更好的调频效果.传统方法存在计算维度高和耗时较长的弊端,难以满足不同场景下快速提供最优控制效果的需求.为实现负荷扰动事件下风电调频的最优逐步惯性快速控制,引入深度学习算法,提出一种基于堆叠式降噪自动编码器(SDAE)和深度神经网络(DNN)的风电调频逐步惯性智能控制方法.首先,使用麻雀搜索算法获得最优参数,使用SDAE高效提取数据特征;随后,基于DNN对数据特征进行学习,并引入加速自适应矩估计优化网络参数,提升网络全局最优参数;最后,应用SDAE-DNN联合方法实现扰动事件后风电调频的逐步惯性在线控制.在IEEE 30节点测试系统中分别对单台风力机和风电场进行仿真分析,与传统方法、浅层反向传播神经网络及原始DNN所得结果对比发现,所提网络结构具有更优的预测精度和泛化能力,该方法能够实现良好的逐步惯性调频效果.

基于神经网络深度学习的电缆故障异常分析与特征分类算法

文章是以解决电缆故障异常分析为目的,以卷积神经网络模型和特征分类算法为基础进行的研究。分析了电缆故障的类型和原因,并收集了来自多个电力系统的电缆运行数据说明处理步骤。分析深度学习模型和特征分类算法的构建和训练,解释技术细节和参数调优,以达到最好的分类性能。同时,设计并利用特征分类算法从时域到频域,采用支持向量机(SVM)和随机森林对数据进行分类。实验结果表明所提出的方法在电缆故障异常分析中表现良好,有高度的自动化优越性能和强泛化能力,为电缆故障异常分析提供了一种高效和精确的方法。

基于图神经网络的零件机加工特征识别方法

针对现有基于深度学习的方法存在的难以识别相交特征、无法精确确定加工特征面的问题,提出基于图神经网络的加工特征识别方法.通过压缩激励模块提取节点与邻接边的特征,构建节点级与邻接边级的双层注意力网络,分割每个节点对应的加工特征.该方法充分利用了零件模型的面特征与边特征,结合零件模型的拓扑结构,基于注意力机制对特征信息进行深度学习,可以有效地解决非面合并相交特征的识别问题.在多加工特征零件数据集上,将该方法与其他3种特征识别方法进行实验对比,在准确率、平均类准确率和交并比3项指标上均取得最优结果,识别准确率高于95%.

基于深度图像和BP神经网络的红枣体积预测方法研究

为了实现红枣体积的快速无损测量,提高红枣体积分级精度,提出了一种基于深度图像和BP(Back propagation,反向传播)神经网络的红枣体积测量方法。通过采集红枣深度图像,利用分割算法进行平面分割和红枣聚类,对聚类后的红枣点云分别进行柱面拟合,建立红枣3D模型。采用包围盒算法、凸包法等多种方法提取红枣3D模型上的长径、短径、轮廓周长、投影面积、球度共5种特征,建立7组不同特征组合的BP神经网络模型,分别预测红枣体积。结果表明,包含红枣5种特征的模型预测结果最好,其体积预测值与实测值的决定系数(R^(2))为0.86187,均方根误差(RMSE)为1.66 mL,与实测值的平均相对误差为6.65%。表明采用深度图像和BP神经网络估测红枣体积具有较高预测精度。

一维卷积神经网络的自编码癫痫发作异常检测模型

目的将一维卷积神经网络(1DCNN)作为自编码模型的特征提取网络,利用1DCNN对头皮脑电信号(EEG)局部特征的感知能力来提高自编码模型(AE)在低维特征空间的表达能力,提出一种简单高效的癫痫异常检测模型。方法癫痫发作后会出现标志性的EEG波形变化,通过1DCNN的局部特征提取能力,捕捉正常信号的局部信息;利用正常数据训练自编码器,学习正常EEG数据在低维特征空间的表达,作为异常数据的癫痫EEG数据会脱离正常数据的低维特征空间,从而自编码模型无法有效地实现癫痫异常信号的重构;首先将输入和输出的差值作为异常分数值,然后通过ROC曲线的最优平衡点确定阈值,超过阈值的EEG信号被诊断为癫痫发作数据。利用公开数据集CHB-MIT脑电数据集和TUH脑电数据集,评估本文所提出的1DCNN-AE癫痫检测模型。结果从AUC值和癫痫事件检测两个任务来看,1DCNN-AE模型在患者平均水平下的AUC值分别达到了CHB-MIT的0.890和TUH的0.686,癫痫检测率达到了0.974和0.893,其结果优于最新癫痫异常检测模型LSTM-VAE和模型GRU-VAE。对于模型参数量而言,与LSTM-VAE的47.4M和GRU-VAE的36.9M等模型参数量相比,1DCNN模型的参数量Params达到了58.5M,处于同一个量级;但1DCNN-AE模型计算量FLOPs为0.377G,远远小于LSTM-VAE的21.6G和GRU-VAE的16.2G。结论1DCNN的自编码模型能有效地实现癫痫发作异常检测。

联合线谱增强与深度神经网络的水声目标识别

为强化水声目标特征,提高使用深度神经网络识别水声目标的准确率,提出了一种联合线谱增强与深度神经网络的水声目标识别方法。该方法采用窄带信息增强,将自适应线谱增强滤波器与VGGish神经网络级联,水声信号经过线谱增强后输入网络提取深度特征,之后使用分类器分类。使用实测水声数据集进行测试,对网络提取的水声数据的深度特征集进行主成分分析并降维,使高维深度特征可视化,结果表明线谱增强后得到的深度特征集的紧致性明显提高。该方法在测试数据集上能够实现94.83%的识别准确率,与未进行线谱增强的情况相比提升了5.48%,同时在低信噪比情况下稳定性更好。

基于网络结构设计的图神经网络特征选择方法

近年来,研究人员针对图神经网络(GNN)提出了许多改进的模型架构设计,推动了各种预测任务的性能提升。但大多数GNN变体在开始都认为节点的特征同等重要,而实际情况并非如此。针对这个问题,提出一种特征选择方法来改进现有模型,并为数据集选择出重要特征子集。所提方法由特征选择层和标签-特征单独映射两个组件构成。在特征选择层中使用Softmax归一化器和特征“软选择器”进行特征选择,在标签-特征单独映射思想下设计模型结构,为不同的标签选择对应的相关特征子集,并将多个相关特征子集作集合并运算得到最终数据集的重要特征子集。选取图注意力网络(GAT)和GATv2模型为基准模型,将算法应用到基准模型中得到新模型。实验结果表明,所提模型在6个数据集上执行节点分类任务时,准确率相较于基准模型提升了0.83%~8.79%;新模型也为6个数据集选择了对应的重要特征子集,这些重要特征子集的特征数量占各自数据集总特征数的3.94%~12.86%,将重要特征子集作为基准模型的新输入后仍然获得了95%以上的准确率(使用了所有特征),即在保证准确率的基础上减小了模型的规模。可见,所提方法能够提高节点分类准确率,并有效地为数据集选择对应的重要特征子集。

基于深度神经网络的河流遥感图像分割方法研究

为解决河流遥感图像分割效果较差且交并比较低的问题,提出了基于深度神经网络的河流遥感图像分割方法。通过对高空间分辨率的河流遥感图像数据集的分析,预处理河流遥感图像,解决数据集中存在的弱标签问题;采用卷积编码-解码网络构建深度神经网络的特征提取模型,并运用KNN算法实现河流遥感图像的高精度分割;最后以重庆市嘉陵江2022年河流遥感图像为例进行验证。实验结果表明:所提方法能够保留分割后的图像细节特征,且图像分割交并比较高,为0.94。所提方法能够对河流遥感图像进行高精度分割,可为水资源管理和环境保护等方面提供技术支持。

基于用户偏好评分值修正的深度神经网络推荐模型

针对工业产业链上下游产品选购中用户对产品评分习惯差异较大的问题,结合用户评分习惯提出修正算法,构建一种基于用户偏好评分值修正的深度神经网络推荐模型(UPDNN)。该方法首先通过历史数据对各用户评分偏好进行学习,设计特有的满意度投影函数将用户评分投影至满意度空间进行修正,然后在满意度空间中通过深度神经网络进行推荐模型训练和待测产品满意度预测,最终给出用户的Top-k推荐产品表,实现产品推荐。实验结果表明,UPDNN较经典推荐算法在Movielens数据集上的推荐结果更贴合用户喜好,验证了所提方法的有效性。

基于深度自编码器的输电线路多特征数据融合

面对多特征数据融合消耗能量大、数据提取不完整的问题,提出了基于深度自编码器的输电线路多特征数据融合方法。构建深度自编码器,提取输电线路多特征数据。采用逐层训练法训练提取的数据,解决梯度消失问题。采用向前传播方式计算置信度,判断传感节点簇的稳定性。利用巴氏系数计算不同特征之间相似度,通过加权特征融合,获取不同数据间的相似度权值,实现多特征数据加权融合。结合LEACH协议进行分簇,避免信道拥挤,避免数据提取不完全而影响融合结果。由实验结果可知,该方法单元消耗能量最大值为145 kJ,小于数据融合消耗总能量,能够达到节省融合能量损耗目的;提取单元格数为100个,与实际单元格一致,能够达到精准提取数据的目的。

基于深度神经网络的胚胎类器官发育过程研究

目的利用深度神经网络进行生物细胞和组织图像的分析和病理性特征识别是当前生物医学、影像学研究热点,然而在胚胎和基于干细胞的胚胎类器官研究中,由于生物样本数量稀少且受伦理限制,目前尚难以实现将深度神经网络有效运用,深入揭示胚胎发育的动态过程和生物力学机制。方法在本研究中,利用人胚胎干细胞在体外构建三维胚胎类器官模型,模拟囊胚中内细胞群的生长分化和羊膜囊形成过程。在最长64小时培养过程中选取了10个不同时间点,采集了胚胎类器官的染色图像,利用transformer-CNN等算法进行图像分割和预处理,构建了包含超过3000张图像和标注的数据集。结果与结论建立了基于神经网络的深度流行学习(manifold learning)算法,分析胚胎类器官图像中的表型特征(phenotype)和隐性特征(latent feature)。结果显示5维的latent feature中已包含有效的信息,并能够实现逼真的类器官图像重构;同时,这些形态和荧光特征主要在20~30、40~50小时期间发生显著变化,表明这两个时间段是类器官生长和分化的重要阶段。进一步,利用混合高斯模型描述类器官特征在培养过程中的演化动力学,揭示了驱动类器官生长发育的潜在定向力和随机性。这些工作为解析复杂多细胞体系动态生长发育过程提供了新思路和新方法。

基于特征选择和进化神经网络的网络异常入侵检测方法

由于网络信息数量庞大,内部存在大量冗余特征信息,异常检测时容易受其影响,导致检测效率降低,无法保障网络运行安全。为此提出基于特征选择和进化神经网络的网络异常入侵检测方法。应用主成分分析法选择合适的网络运行数据特征,基于进化神经网络构建异常入侵检测模型,阐述网络异常入侵检测过程,并制定特征数据提取模式与异常入侵判定规则,从而获取最终网络异常入侵检测结果。实验数据显示,提出方法获得异常入侵检测特征数量与最佳特征数量相同,网络异常入侵检测相对准确率最大值为98%,以此证明所提方法检测异常入侵精准性高。

基于图神经网络与深度学习的PDF文档检测模型

针对传统PDF文档检测误报率过高的问题,提出一种基于图神经网络与深度学习的检测模型DGNN。通过收集文档运行时各线程产生的系统调用数据生成相应的系统调用图,运用所提基于H指数的图采样策略缩减数据规模;采样后的子图作为模型DGNN的输入,借助图卷积网络提取关联关系的同时,利用深度学习提取系统调用对的属性特征并完成特征融合,通过系统调用图的性质判别完成检测。实验结果表明,与其它方法相比,该模型特征提取与训练时间短,有效提高了PDF文档的检测效果。

基于深度卷积神经网络的城市噪声识别研究

为提高噪声的分类准确率,研究基于深度卷积神经网络(Deep Convolutional Neural Network,DCNN)的城市噪声识别方法。首先,分析基于深度神经网络的噪声识别框架;其次,通过短时傅里叶变换(Short Time Fourier Transform,STFT)提取噪声信号的时频域特征,采用DCNN识别噪声类型;最后,采用UrbanSound8K数据集进行实验分析。实验结果表明,该方法在不同噪声类别上均具有较高的分类准确率。

基于深度神经网络的多视角演艺环境人体跟踪方法

为了解决舞台灯光自动跟踪技术容错率低,抗干扰性较差等问题,研发了一种基于深度神经网络的舞台环境多视角人体跟踪的方法。通过采用多个摄像头并配合YOLO算法对目标进行检测和定位,然后应用KNN和RANSAC算法提取人体特征点,计算出目标的实时位置并转化为坐标,并把结果发送给控制台。在室外以及有遮挡物的环境下,采用跨数据集训练与运动姿态预测两种方法使舞台灯能实时追踪规定的演员,不会延时。通过舞台灯、摄像头、演员组成实验系统并开展测试,结果表明:在有遮挡物情况下,演员移动速度为1 m/s时,舞台灯跟踪平均误差均在15 cm以内。实验结果证明该系统跟踪定位正确、快速,可以满足跟踪要求,应用前景良好。

基于特征提取和神经网络的电力变压器声纹诊断方法建立与应用

电力变压器振动声学信号中包含着丰富的运行信息,变压器经历特殊工况或故障后,声纹信号会发生变化。声纹作为一种新的感知手段,通过对变压器声纹信号开展在线监测,感知和分析运行状态,可以及时预警设备缺陷和隐患。本文针对数十种型号大型电力变压器进行现场声纹监测,建立基于特征融合和深度学习人工神经网络的声纹诊断方法,给出变压器非正常运行判据,并进行了实例验证。随着变压器声纹样本库的扩大和人工智能算法的成熟,基于声纹的电力变压器状态评价方法具备一定的实际应用价值。

叠加去噪自动编码器结合深度神经网络的心电图信号分类方法

针对现有心电图信号分类方法精度较低,模型训练收敛速度较慢的缺点,提出一种基于叠加去噪自动编码器和深度神经网络方法的新型分类方法。该方法采用无监督学习方式,利用带有稀疏约束的叠加去噪自动编码器,实现心电图原始数据的特征学习。基于深度神经网络对信号进行分类,同时利用监督式自主学习微调方法对神经网络权重进行适时调整,从而保证信号分类的精度和质量。利用三个机构的经典数据库对该方法进行实验研究,并与目前两种最新的方法进行对比。实验结果证明,该方法在专家标记样本较少的情况下,仍能明显提高心电图数据分类的准确率,同时加快训练时的收敛速度。

NWP辅助复合神经网络预测误差修正的风储系统日前上报策略

新能源电站出力存在强波动性导致巨额偏差考核支出,因此基于数值天气预报(NWP)和复合深度学习算法,提出一种计及误差预测修正的风储系统日前上报策略。首先通过改进的组合数据预处理算法对数据进行清洗以降低后续预测难度,建立基于分段式收敛粒子群算法(PCPSO)参数寻优的长短期记忆网络(LSTM)对分量分别进行预测,重构预测结果获取原预测曲线。其次考虑预测误差及NWP信息导入多输入反向传播神经网络(MIBP)获取误差预测曲线,使用非参数核密度函数修订该预测误差曲线后,以储能跟踪误差最小和储能全局调控能力最高为目的模拟储能运行获取最佳储能动作曲线,且叠加原预测曲线和最佳储能动作曲线获取最终日前上报曲线。最后通过仿真分析验证了上报策略的正确性与可行性。