综合采样数字地籍测量的探讨

在介绍和分析数字地籍测量的基础上，主要探讨了综合采样的方法和优势，认为综合采样是一种适合我国国情。

利用FPGA实现的可编程综合采样器

给出了一种利用大规模可编程逻辑FPGA来实现特殊应用中所需的可编程综合采样器的实现方式

地图数据的综合采样方法

本文从用户对地图数字化采样工艺和数据结构的需求出发,设计了“图斑——链”综合采样方法,并编写了与之相应的程序。实验结果表明,该方法操作过程简单.可直接为地籍信息系统提供标准拓扑数据结构文件,具有一定的推广应用价值。

综合采样数字地籍图的成图方法

本文对城镇地籍图的成图方法进行了总结和研究，利用光电测距仪等仪器设备进行综合采样，利用采集的地籍要素数据与野外所实测的界址点、大地点的坐标一起输入微机进行处理，最后由数控绘图自动绘制出地籍图。

某型号电子流量计型综合采样器校准方法

综合采样器应用溶液吸收法来采集环境大气、室内空气中的各种有害气体，用滤膜称重法捕集大气中的总悬浮物（TSP）和可吸入空气微粒（PM10）或（PM25）。故该采样器一机两用，可以用做大气采样和粉尘采样。

基于变分贝叶斯推断最优高斯混合模型的自适应不均衡数据综合采样法

实际的分类数据往往是分布不均衡的.传统的分类器大都会倾向多数类而忽略少数类,导致分类性能恶化.针对该问题提出一种基于变分贝叶斯推断最优高斯混合模型(varition Bayesian-optimized optimal Gaussian mixture model,VBoGMM)的自适应不均衡数据综合采样法.VBoGMM可自动衰减到真实的高斯成分数,实现任意数据的最优分布估计;进而基于所获得的分布特性对少数类样本进行自适应综合过采样,并采用Tomek-link对准则对采样数据进行清洗以获得相对均衡的数据集用于后续的分类模型学习.在多个公共不均衡数据集上进行大量的验证和对比实验,结果表明:所提方法能在实现样本均衡化的同时,维持多数类与少数类样本空间分布特性,因而能有效提升传统分类模型在不均衡数据集上的分类性能.

基于聚类簇结构特性的自适应综合采样法在入侵检测中的应用

基于机器学习的网络入侵检测方法将恶意网络行为(入侵)检测转化为模式识别(分类)问题,因其适应性强、灵敏度高等优点,受到国内外广泛关注.然而,现有的模式分类器往往假设数据集的分布是均衡的,而真实的网络环境中,入侵行为要远少于正常访问,这给网络入侵行为检测带来巨大挑战.因此,提出一种基于聚类簇结构特性的综合采样法(CSbADASYN),通过挖掘少数类样本的内部结构对其进行自适应过采样,以获得样本分布结构特性保持的均衡数据样本,解决因数据不均衡带来的分类偏向.CSbADASYN先采用谱聚类方法对数据集中的少数类样本进行聚类分析,再根据所获得的聚类簇结构自适应插值,将获得样本分布结构保持的均衡样本用于分类器模型学习.在经典的NSL-KDD和KDD99数据集上进行大量的验证性和对比性实验,结果表明,CSbADASYN能使传统分类器模型在不均衡数据集上的分类性能得到明显提升.与传统的未经样本均衡处理和其他的带均衡处理的入侵检测方法相比,该方法能获得更低的误报率和漏报率.

基于变分贝叶斯高斯混合模型的自适应不均衡数据综合采样

针对高斯混合模型能有效表征任意空间分布信息的优势,提出一种基于变分贝叶斯高斯混合模型的不均衡数据集的自适应采样处理,以获得相对均衡的数据集用于分类模型学习。首先使用最优化的变分贝叶斯高斯混合模型获得少数类样本的内部空间分布结构,然后基于样本的分布特性自适应生成少数类样本,最后利用Tomek-link对采样后的数据集进行清洗。提出的方法能在实现样本均衡化的同时,维持多数类与少数类样本空间分布特征信息。通过对多个不均衡数据集进行验证性和对比性实验,表明所提方法能有效提升传统分类器对于不均衡数据的分类精度。

基于聚类过采样和自动编码器的网络入侵检测方法

近年来,随着互联网技术的不断发展,入侵检测在维护网络空间安全方面发挥着越来越重要的作用。但是,由于网络入侵行为的数据稀疏性,已有的检测方法对于海量流量数据的检测效果较差,模型准确率、F-measure等指标数值较低,并且高维数据处理的成本过高。为了解决这些问题,本文提出了一种基于稀疏异常样本数据场景下的新型深度神经网络入侵检测方法,该方法能够有效地识别不平衡数据集中的异常行为。本文首先使用k均值综合少数过采样方法来处理不平衡的流量数据,解决网络流量数据类别分布不平衡问题,平衡网络流量数据分布。再采用自动编码器来处理海量高维数据并训练检测模型,来提升海量高维流量中异常行为的检测精度,并在两个真实典型的入侵检测数据集上进行了大量的实验。实验结果表明,本文所提出的方法在两个真实典型数据集上的检测准确率分别为99.06%和99.16%,F-measure分别为99.15%和98.22%。相比于常用的欠采样和过采样方法,k均值综合少数过采样技术能够有效地解决网络流量数据类别分布不平衡的问题,提升模型对低频攻击行为的检测效果。同时,与已有的网络入侵检测方法相比,本文所提出的方法在准确率、F-measure和检测性能上均有明显提升,证明了本文所提出的方法对于海量网络流量数据的检测具有较高的检测精度和良好的应用前景。

面向不均衡数据的融合谱聚类的自适应过采样法

分类是模式识别领域中的研究热点,大多数经典的分类器往往默认数据集是分布均衡的,而现实中的数据集往往存在类别不均衡问题,即属于正常/多数类别的数据的数量与属于异常/少数类数据的数量之间的差异很大。若不对数据进行处理往往会导致分类器忽略少数类、偏向多数类,使得分类结果恶化。针对数据的不均衡分布问题,本文提出一种融合谱聚类的综合采样算法。首先采用谱聚类方法对不均衡数据集的少数类样本的分布信息进行分析,再基于分布信息对少数类样本进行过采样,获得相对均衡的样本,用于分类模型训练。在多个不均衡数据集上进行了大量实验,结果表明,所提方法能有效解决数据的不均衡问题,使得分类器对于少数类样本的分类精度得到提升。

基于ADASYN数据平衡化的PSO-BPNN变压器套管故障诊断

变压器套管作为设备重要的绝缘部件,其绝缘性能直接影响着设备的安全运行。为诊断变压器套管绝缘状态,改善变压器套管油中溶解气体的小样本不平衡数据对变压器套管故障诊断结果的影响,使用粒子群优化结合反向传播神经网络(particle swarm optimization combined with back propagation neural network,PSO-BPNN)和自适应综合过采样(adaptive synthetic sampling,ADASYN)算法对变压器套管进行故障诊断。首先收集变压器套管的历史故障数据,建立具有明确故障类别的变压器套管油中溶解气体样本集,并通过ADASYN算法对原始数据中的少数类样本进行合成,得到平衡后的故障数据,然后将平衡后的油中溶解气体作为模型输入,故障状态作为标签输出,通过PSO-BPNN模型对变压器套管进行诊断,最后在原始样本集下使用反向传播神经网络(back propagation neural network,BPNN)、遗传结合反向传播神经网络(genetic combined with back propagation neural network,G-BPNN)算法、布谷鸟搜索结合反向传播神经网络(cuckoo search combined with back propagation neural network,CS-BPNN)算法以及PSO-BPNN模型对套管进行诊断。结果表明,针对变压器油纸套管绝缘状态进行故障诊断的多个模型中,基于ADASYN平衡数据后的PSO-BPNN模型和其他模型相比准确度最高,能有效减小小样本不平衡数据对诊断结果的影响,为判断变压器油纸套管绝缘性能提供了有效方法。

基于数据过采样和深层特征提取的变压器故障诊断

针对变压器故障样本类别不平衡和模型诊断精度低的问题,首先使用自适应综合过采样对训练样本中少数类别进行扩充以平衡样本,然后通过深度信念网络对平衡后样本进行深层特征提取,最后将特征向量输入到XGBoost(extreme gradient boosting)进行故障诊断。算例分析表明,所提出的诊断模型准确率最高达91.94%;在样本类别不平衡条件下,所提故障诊断方法与BP神经网络、支持向量机、随机森林、XGBoost相比更优。

针对不平衡数据分类的改进GBDT算法

许多传统的分类算法在处理不平衡数据时,训练出的分类器对多数类别样本预测准确率较高,而对少数类别样本的预测准确率较低。针对这一问题,提出一种改进的梯度提升决策树(GBDT)算法用于处理不平衡数据的二分类问题。数据层面,用自适应综合过采样(Adaptive Synthetic Sampling)技术增加少数类的样本数量。算法层面,将焦点损失函数(Focal Loss)引入到GBDT二分类算法中,增加模型对少数类样本的关注度。并且通过平衡化GBDT内部迭代时的每一次随机子采样,使基分类器的性能更稳定。在10组KEEL不平衡数据集上进行对比实验,实验结果验证了改进的可行性。并且用提出的改进算法与SMOTEBoost、RUSBoost、CUSBoost这三种流行的不平衡数据分类算法进行比较,实验结果表明所提改进算法在其中7组数据集上F1-measure值取得最高,其中6组数据集上G-mean值取得最高,验证了所提改进算法在处理不平衡数据的二分类问题时具有较好的效果。

基于ADASYN和GRU的电力系统暂态稳定评估方法

随着电力系统的广域互联,结构愈发复杂,电力系统暂态稳定性的准确评估受到了更多的关注。提出了基于自适应综合过采样和门控循环单元的电力系统暂态稳定评估方法。首先,利用自适应综合过采样算法处理电力系统样本类别不平衡问题,合成少数类样本。然后,使用得到的平衡样本集对门控循环单元评估模型进行训练。最后,在线应用时,输入相量测量单元采集的实时数据,通过训练好的门控循环单元快速评估电力系统暂态稳定性。在电力系统仿真软件PSS/E提供的23节点系统上进行仿真测试,仿真结果验证了所提方法的有效性。

基于ADASYN和Swin Transformer的滚动轴承故障诊断研究

针对实际工况下,正常样本丰富、故障样本稀缺的类别不平衡情形,导致基于深度学习的故障诊断模型诊断能力较差这一问题,提出一种基于自适应综合采样方法(ADASYN)和Swin Transformer的故障诊断模型。使用自适应综合采样方法,改善数据分布,解决实际工况中故障样本与正常样本类别不平衡问题;使用Swin Transformer网络模型代替CNN网络,并使用深度迁移学习方法,使Swin Transformer网络模型掌握判别滚动轴承故障所需的浅层权重,深层权重通过反向传播方法训练获得;之后,将模型用于轴承故障测试,并对其进行调试;最后,将模型用于轴承故障实测,检验其实际工况下的诊断能力。实验结果表明:所提模型具有97%的诊断准确率,能够很好地适用于类别不平衡情形下的滚动轴承故障诊断。

恐怖袭击嫌疑组织预测模型研究

为预测恐怖袭击事件的嫌疑组织,选取全球恐怖主义数据库;基于恐怖袭击事件发生的时间特性,采用2014—2016年发生的恐怖袭击数据作为训练集,对2017年发生的恐怖袭击事件的发动组织进行分类预测。采用综合采样技术平衡训练集数据,运用双向循环神经网络学习数据集的时间特性,结合自注意力机制,构建基于自注意力机制的双向门控循环神经网络组合模型,对恐怖袭击事件的犯罪嫌疑组织进行分类预测,并将该模型与引入注意力机制的神经网络模型进行对比。研究表明,该模型在预测恐怖袭击事件的犯罪嫌疑组织上具有更高的分类精度,能够为警方快速侦破恐怖袭击案件提供有价值的信息。

我国房地产行业信用风险预测的实证研究——基于Stacking融合模型

为促进房地产行业平稳发展,本文以上市房地产企业数据为背景,融合ADASYN技术及Stacking算法构建性能表现优异、数据集适应度强的预测模型,旨在测度相关信用风险,为我国防范化解房地产重大金融风险尽绵薄之力。创新之处在于:一是从宏观角度引入与房地产业息息相关的经济增长风险(GDP同比-预期GDP同比)、利率风险(10年期国债收益率)、通胀风险(0.3*PPI+0.7*CPI)等指标;二是基于融合模型思想构建预测模型,从实践层面为解决传统信用风险预测模型单一问题提供新思路。实证结果表明:1、Stacking-BPNN均超越单一模型取得性能指标最优结果;2、结果依然存在较高风险值的原因在于房地产相关人口及购买力存在动力不足现象与企业自身“亚健康”现象,风险企业主要集中于财务风险型房企、战略错位型房企以及缺乏竞争力型房企。

城镇地籍测量精度的试验研究

本文采用两种不同的方法进行了城镇地籍测量的的试验研究。对地籍图的成图精度进行了检测和分析。对在目前条件下的城镇地籍测量方法提出了若干补充意见。

城镇地籍测量精度的试验研究

本文采用两种不同方法进行了城镇地籍测量的试验研究。对地籍图的成图精度进行了检测和分析。对在目前条件下的城镇地籍测量方法提出了若干补充意见。