一种卷积神经网络结合特征融合的网络入侵检测方法

为解决传统网络入侵检测方法中攻击特征过少、数据不平衡及模型收敛速度慢的问题,提出基于卷积神经网络结合特征融合的网络入侵检测方法。将流量数据转为灰度图像提取其纹理特征,再将纹理特征与流量特征进行特征融合以增加攻击特征量。使用Borderline-SMOTE方法对UNSW-NB15数据集进行数据平衡。运用逐层贪婪训练方法优化卷积神经网络模型提高模型的收敛速度。实验表明,该方法的性能优于其他检测方法,能将准确率最高提升到96.38%。

基于深度置信网络的低压台区理论线损计算方法

针对因线路分布复杂、终端数目庞大等带来的低压台区理论线损计算困难的问题,提出一种基于深度置信网络(DBN)的低压台区理论线损计算新方法。在训练过程中,先利用贪婪算法对DBN模型中的神经网络层进行逐层无监督的预训练,再对该模型进行有监督的全局微调。为了提高计算精度,采用自适应时刻估计(Adam)优化器。以某地区实测2140个台区数据为样本进行仿真计算,结果表明,相较于浅层神经网络,DBN线损计算模型具有更好的泛化能力以及准确性和快速性,且Adam优化器在线损计算中相较于均方根反向传播(RMSProp)和随机梯度下降(SGD)算法具有优越性。

基于堆叠稀疏自动编码器的手写数字分类

将稀疏自动编码器(Sparse Autoencoder,SAE)模型应用于数字识别中,并通过多个稀疏自动编码器的堆叠构建了深度网络,采用非监督贪婪逐层训练算法(Greedy Layer-Wise Unsupervised Learning Algorithm)初始化网络权重,使用反向传播算法优化网络参数。利用堆叠稀疏自动编码器学习数字图像的特征,使用softmax分类器进行数字分类。经实验证明,与其它浅层学习模型对比,深度网络不仅进一步学习了数据的高层特征,同时还降低了特征维数,提高了分类器的分类精度,最终改善了手写数字的分类效果。

基于深度自编码器的数字化输电线路地形特征提取方法研究

在输电线路的设计中,对输电线路的地形特征判别是实现输电线路成本估算以及安全设计的重要步骤。为解决对输电线路中的地形进行快速判别问题,文章研究了一种基于深度自编码器的数字化输电线路地形特征提取方法。基于数字化勘探技术建立复杂地理信息的数字化模型,再根据建立的数字模型使用深度自编码器进行特征提取。在深度自编码器的训练过程中,使用逐层训练法解决训练中的梯度消失和梯度爆炸问题,并在实际算例中,使用粒子群优化算法进行深度自编码器的超参数调节。实验结果表明,所研究的方法可以将不同特征的地形进行快速的分类,其结果可以辅助设计人员进行输电线路的成本估算和安全设计。

一种改进的深度学习人脸识别算法研究

针对人脸易受非均匀光照等因素而干扰其识别效果,提出了Gabor特征和深度信念网络(DBN)相结合的人脸识别算法。首先利用Gabor小波变换处理人脸图像得到Gabor特征;其次把得到的Gabor特征当作深度信念网络(DBN)的输入,并将网络进行逐层训练,进而在最高层构建其分类面;最后,对人脸图像样本进行识别基于训练好的深度信念网络。通过仿真,极大改善了人脸图像在非均匀光照干扰下的识别效果,识别率也有很大的提高,达到了很好的的鲁棒性。

基于GLW和SAE的公路交通流预测

针对使用自编码器进行交通流预测时出现的稳定性差,容易陷入局部最优解的问题,提出了一种新的交通流预测方法,利用贪婪逐层训练算法优化堆叠自编码器神经网络模型,有效地解决了由自编码器堆叠形成的深度网络容易陷入局部极值的问题,提高了交通流预测的精度。通过与LSTM与GRU等交通流预测模型的对比实验证明,经过贪婪逐层训练算法优化的堆叠自编码器模型与传统的神经网络相比,在预测精度上有一定的提升,从而证实了利用贪婪逐层训练算法优化的堆叠自编码器神经网络是一种有效的算法。

基于栈式降噪自编码神经网络的车牌字符识别

为解决复杂自然场景下车牌字符受噪声等影响识别困难的问题,提出一种基于栈式降噪自编码神经网络的车牌识别方法。基于降噪自编码模型重构思想自动提取相关特征,通过使用无监督逐层贪婪预训练和有监督微调的方法对深度自编码神经网络进行训练,对复杂环境下低质量的车牌字符图像具有较好的鲁棒性能。与浅层的机器学习算法、传统栈式自编码神经网络和卷积神经网络相比,栈式降噪自编码神经网络有较好的字符识别性能。基于实际道口电子警察采集的车牌图像测试集的实验结果验证了该方法的有效性。

应用DBN深度学习算法的电能计量反窃电技术研究

针对窃电问题严重阻碍建立公平、合理的用户秩序的问题,基于云计算的智能电网大数据处理平台SP-PPP(smart power system big data processing platform in cloud environment,SP-DPP),提出了融合自适应加权融合算法和深度置信网络DBN(Deep Belief Networks,DBN)学习算法的反窃电系统,采用DBN逐层贪婪训练算法对大数据进行处理,并利用双层RBM结构,构建出DBN深度学习算法,对获取的电能计量窃电信息进行归一化处理,将获取的宏观高纬度数据信息转换为容易识别和计算的低纬度数据。实验表明,本研究的算法识别率高,稳定性能好。

基于分数阶GM(1,1)与BP神经网络的电力负荷预测

传统的灰色GM(1,1)和BP神经网络模型存在对原始序列依赖高,收敛速度慢等缺点.将分数阶累加的思想引入GM(1,1)模型,再用逐层训练算法改进传统的BP神经网络.基于我国2010-2014年的电力数据,构建分数阶GM(1,1)与BP神经网络组合模型,预测2015年和2016年的总发电量.实证结果表明,该组合模型比GM(1,1)模型,分数阶GM(1,1)模型以及GM(1,1)与BP神经网络组合模型具有更好的数据拟合效果,更高的预测精度.

基于深度学习特征提取的网络入侵检测方法

针对在构建深度学习模型过程中,神经网络隐藏层的层数和每层神经元节点数主要通过人工专家的主观经验设置,深度学习模型智能化不够、适应性不强的问题,提出了一种应用于网络入侵检测的自适应、智能化的深度学习特征提取方法。该方法采用逐层贪婪训练的策略,通过改进稀疏自编码神经网络训练的方式,形成了一个自适应、智能化的特征提取神经网络。最后利用基于支持向量机的多类分类器,形成了一种基于深度学习特征提取的网络入侵检测系统。实验表明:与基于自编码网络的支持向量机入侵检测模型(AN-SVM)和基于核主成分分析与遗传算法相结合的支持向量机模型(KPCA-GA-SVM)入侵检测方法相比,准确率平均提高了5.01%,误报率平均降低了6.24%,检测时间平均降低了16%,说明了该方法优于其他类似方法。

工作动态

四川泛华航空仪表厂党委重视民兵工作,做到了办公室规范、整洁,各类资料存放有序、内容完整、数据准确、保密安全、各类制度上墙。