基于深度循环神经网络的入侵检测方法

在入侵检测中提出一种具有多层堆叠的深度门控循环单元检测模型,并且通过简化深度门控循环单元,在减少计算参数的同时保持学习能力。针对NSL-KDD数据集中少数攻击类型数量较少的问题,提出使用Borderline-SMOTE过采样算法来提高少数攻击类型的检测准确率,进而提升入侵检测的能力。通过数据集平衡前后的多项评价标准对比可知,所提方法能够有效提升检测效率,与其他算法相比表现出较高的检测能力。

融合深度BiGRU与全局图卷积的方面级情感分析模型

现有基于深度学习的方面级情感分析模型需要考虑如何提取深层次的语义信息,其次通过依存树提取句法结构时可能存在信息丢失与数据稀疏问题.针对以上问题,本文提出了基于深度双向门控循环单元与全局双向图卷积网络的神经网络模型(DBG-GBGCN).该模型通过深度双向门控循环单元捕获深层次的语义特征,得到上下文的隐层表示.然后将依存树的邻接矩阵转变为带有全局句法信息的全局矩阵,将此矩阵与上下文的隐层表示一起输入至双向图卷积网络进行特征融合,最后经过掩码层和注意力层得到一个包含深层语义特征与句法结构信息结合的分类特征.实验结果证明,该模型在5个公开数据集上的准确率与F1值均比对比模型有着一定的提升.

基于时序特征灰度图与多任务学习的综合能源负荷短期预测

准确预测综合能源系统(Integrated energy system,IES)中的电、冷、热多元负荷是提高各类能源综合效率、获得更大经济效益的关键。因此,提出一种基于时序特征灰度图与多任务学习的综合能源负荷短期预测方法。首先将初始特征集通过最大互信息系数(Maximum information coefficient,MIC)改进的快速相关滤波算法(Fast correlation-based filter,FCBF)对IES时序特征数据集进行相关性分析和冗余性分析;然后将特征选择结果利用因数重构法与MIC-gamma图像增强的方法重构为时序特征灰度图,能够直观有效地反映实际数据的特征相关性;其次采用基于多任务学习框架的(Convolutional block attention module-convolutional neural network-deep bidirectional gated recurrent unit,CBAM-CNN-DBiGRU)网络进行训练,嵌入的卷积注意力机制模块(Convolutional block attention module,CBAM)与(Deep bidirectional gated recurrent unit,DBiGRU)结构能有效加强共享层的关键信息提取和时序信息处理能力;最后以美国亚利桑那州立大学的IES数据为例对提出的方法进行测试。选取典型工作日和典型休息日并对比多种深度网络模型,测试结果表明,该模型在典型工作日的加权平均绝对百分比误差与加权均方根误差分别最大降低了0.8813%与229.2593 kW,在典型休息日则分别最大降低了0.9942%与360.8007 kW,能够有效提升IES多元负荷预测精度。

基于RF-DGRU-SA的涡扇发动机剩余寿命预测

针对涡扇发动机在退化过程中机制复杂、状态检测数据维数过高等问题,提出一种随机森林(RF)和基于自注意力机制(SA)深度门控循环单元(DGRU)相融合的涡扇发动机剩余使用寿命(RUL)预测方法。利用RF算法确定重要度阈值实现特征筛选。将筛选出的特征输入DGRU-SA模块,通过多层GRU神经网络挖掘出相关特征与目标值之间的隐藏信息,利用SA神经网络为隐藏信息添加不同大小的权重。最后,利用全连接层输出预测结果,采用CMAPSS数据集进行实验验证。结果证明:与传统的多层感知机、卷积神经网络、长短时记忆等方法相比,所提出的融合模型误差更小,具有良好的预测精度和稳定性。

基于DGRU网络的烘丝机筒壁温度动态预测

针对烘丝机干燥过程中筒壁温度难以准确进行在线检测的问题,提出基于深度门控循环单元(Deep Gated Recurrent Unit,DGRU)网络的筒壁温度动态预测方法。该方法先对现场工业数据进行小波去噪、归一化等预处理;然后采用互信息理论选择与筒壁温度相关性最强的特征作为模型初始输入变量;最后通过堆叠门控循环单元网络提取工业数据中深层非线性动态特征,输入全连接层中用于估计筒壁温度。基于某烟厂烘丝机工业数据的实验结果表明:DGRU算法预测误差箱体图中的误差中值及均值非常接近零刻度线,且造成的异常点较少。该方法的预测精度较高,能够实现筒壁温度精确动态预测。

基于空间变换密集卷积网络的图片敏感文字识别

互联网上含有大量多字体混合、形变、拉伸、左右结构字形、倾斜畸变等复杂场景下的敏感文字图片,在处理相关图片过程中存在特征提取难、识别率低的问题.本文提出基于空间变换网络与密集神经网络的方法对图片敏感文字进行特征提取与变换矫正,使用了深层双向GRU网络与CTC时域连接网络对序列特征信息进行标记预测,序列化处理文本的方式可较好地提升距离较宽文字与模糊文字信息的处理能力.实验结果表明,本模型在Caffe-OCR中文合成数据集和CTW数据集中分别实现了87.0%和90.3%识别准确率,平均识别时间达到了26.3 ms/图.