基于DBN模型的互联网敏感信息泄露检测研究

互联网敏感信息存在的噪声影响敏感信息泄露检出率和检测任务完成时间,因此研究基于DBN模型的互联网敏感信息泄露检测方法。利用分布式网络爬虫技术爬取互联网网页敏感信息,采用近邻策略对爬取到的信息进行分组处理,并对分组处理完成的信息进行去噪。将编码和序列化处理过后的互联网敏感信息处理结果输入训练好的DBN模型中,得到互联网敏感信息泄露检测结果。实验结果表明,基于DBN模型的互联网敏感信息泄露检测方法的检出率高达99.8%,检测任务完成时间短,实际应用效果好。

基于改进DBN算法的电力故障预测模型与辅助分析系统

针对如何提高停电事件分析能力,提出了改进型神经网络,构建改进DBN算法模型,通过该方法实现如何实现停电事件分析,然后对提取到的停电事件信息进行训练,停电事件信息训练改进DBN算法模型,建立停电事件分析预测模型,实现对停电事件分析的精准预测。研究还设计了停电事件辅助分析系统,通过采用节点误差数据组的方式区分停电事件和异常数据,通过误差补偿装置提高了DBN算法采用数据的精度。实验结果表明,在进行对停电事件分析预测的精确度测试时,停电事件分析预测的准确度可达97%,在可靠性测试时,停电事件分析管理可靠性可达96%。

基于DBN深度学习算法的一站式诉求响应预测方法

为了提高诉求响应的速度,提出了基于机器学习的一站式诉求响应技术。在物理架构中采用事故数据记录器(ADR)服务器和数字化X线摄影术(DR)运行管理,实现一站式诉求响应;利用建模工具来构建例图进行描述诉求响应的运行细节,通过逻辑架构的感知层、网络层和应用层,实现了对一站式诉求响应的逻辑分析;利用机器学习预测方式和深度置信网络(DBN),实现一站式诉求响应的预测。实验表明,在进行对响应的速度进行测试时,所提出的系统响应所需时间最少为1.1 s,在进行对响应预测的准确性测试时,响应预测的准确性最高为97%。

模糊DBN的室内燃气泄漏动态风险评估方法研究

为有效分析并评估室内燃气泄漏风险,运用蝴蝶结模型对室内燃气事故危险源进行识别;并利用模糊集理论改进动态贝叶斯模型,弥补因数据缺失带来的误差,实现风险评估从静态到动态的转变,从而构建一种基于蝴蝶结(Bow-Tie,BT)模型模糊动态贝叶斯网络(Dynamic Bayesian Network,DBN)的室内燃气事故动态风险评估方法,并结合实际案例验证模型有效性和可行性。结果表明:依据该模型得到的关键风险因子能够为居民燃气安全风险防控提供参考;同时,该方法能够分析原因事件失效后各事故后果发生概率在各时间片的变化,模拟结果与实际相吻合。

基于DBN耦合模型的太阳辐照度模拟

在低碳经济的发展趋势下,太阳辐射的精确模拟对于光伏发电行业至关重要。影响太阳辐射的因素十分复杂,其与许多要素之间都存在复杂的非线性关系,这使得太阳辐射的模拟变得相对复杂。目前已有研究表明,机器学习模型能够很好地模拟太阳辐射,可挖掘出太阳辐射和各种影响因素之间的数学关系。文中基于支持向量回归(SVR)、随机森林(RF)、贝叶斯岭回归(BR)、梯度提升树(GBDT)、BP神经网络(BP)等五种机器学习模型,采用2020年1月—2021年4月位于河南的4个光伏发电站的真实卫星数据及地面观测数据进行机器学习建模以及地面太阳辐射模拟。由于传统单一模型的模拟精度较低,为提升模拟精度,通过引入DBN深度信念网络对五种模型模拟的结果进行二次建模,最终得到4个站点的高精度太阳辐射模拟值。研究结果表明,DBN耦合模型能够有效提取不同机器学习模型模拟结果的特征,其模拟效果和鲁棒性显著优于单一机器学习模型。

基于DBN的飞行保障力量配置辅助决策方法

为弥补机场飞行保障活动中全员出动和比例配置决策方法的不足,构建了基于动态贝叶斯网络(dynamic Bayesian network,DBN)的机场飞行保障力量配置辅助决策模型。在量化保障力量强度的基础上引入隐马尔可夫模型和Hausdorff距离算法,对不同条件下的飞行保障活动进行辅助决策,并定义相关决策评估指标作为模型验证依据。分别对两种情况的机场飞行保障活动进行仿真试验,结果表明,通过决策模型可以生成指标优于传统比例配置的方案,并且可对保障力量缺口补充提供决策支持依据。

基于改进DBN算法模型的PPP模式项目投资风险分析

文章构建了新型的PPP模式项目投资风险分析方法,该方法在投资项目风险、技术风险、运营风险、政策风险等各种风险数据信息中,能够实现多种数据信息的存储、传递、分析和应用。并构建了深度信念网络(DBN)算法模型,该模型实现项目投资风险中政府和私有企业之间的关系计算,能够有效分析出政府和社会资本合作之间的需求,提供合作能力和效率。通过试验,所提方法计算精度高,误差低下,为PPP模式的项目投资风险分析提供理论依据。

基于改进狼群算法-深度置信网络(IGWO-DBN)模型的旋风分离器压降预测

针对目前旋风分离器压降计算模型在准确性和实用性上的不足,为更好地指导旋风分离器的结构设计和性能优化,采用深度学习方法对其压降进行了预测。选取了影响压降的7个几何参数,采用深度学习中的深度置信网络(deep belief network,DBN)对旋风分离器压降数据进行预测,并利用改进的狼群算法(improved grey wolf optimizer,IGWO)对DBN模型的初始化权重和偏置参数进行寻优,构建IGWO-DBN组合模型,同时与几种传统计算模型和机器学习模型的预测结果进行对比。结果表明,IGWO-DBN模型在计算精度上优于Shepherd-Lapple模型、Casal模型等传统计算模型,并优于反向传播神经网络(back propagation neural network,BPNN)、支持向量机(support vector machine,SVM)、极限学习机(extreme learning machine,ELM)等机器学习模型,计算效率大幅提升,且具有较好的泛化性和鲁棒性,可用于旋风分离器压降参数的预测。

一种基于DBN的高光谱遥感图像分类方法

高光谱遥感数据越来越普及并为人们广泛使用,基于高光谱数据的地面物体精确分类是高光谱遥感技术的核心应用之一。对高光谱数据进行提特征提取是进行地物分类的有效方法。深度学习是机器学习研究中的新领域,它多隐层的多层感知器结构使其能够学习到对数据有更本质的刻画的特征,在图像分类和可视化领域取得了更好的成绩。深度置信网(deep belief network,DBN)是深度学习网络中常见的模型。利用高光谱数据的高维特性,搭建基于DBN的高光谱图像分类模型,结合高光谱数据的空间结构对地物进行分类。实验表明,基于DBN的高光谱图像分类方法可以得到更好的分类效果。

机电设备中智能故障检测诊断技术的运用

以水利工程机电设备智能故障检测诊断技术为研究对象,通过DBN开展机电设备故障识别分类。介绍了DBN结构的运行原理及操作流程,基于水利工程机电设备特点,以KPCA—DBN模型为依托,以实验验证的方式开展水利工程机电设备细化故障诊断计算。基于KPCA—DBN模型数据进行机电设备运维管理,按照科学的运维管理流程强化管理质量。为进一步验证机电设备智能故障监测诊断的可靠性,以水利工程滚动轴承设备智能故障检测诊断为例,获取滚动轴承故障诊断实际应用数据,对故障结果数据进行分析,以提升水利工程机电设备故障的处理效果。

基于DBN威胁评估的MPC无人机三维动态路径规划

模型预测控制(model predictive control,MPC)路径规划算法适用于三维动态环境下的无人机(unmanned aerial vehicle,UAV)路径规划;动态贝叶斯网络(dynamic Bayesian network,DBN)能够有效推理战场态势,对无人机进行威胁评估。针对威胁尾随无人机时的路径规划问题,构建DBN威胁评估模型,将UAV在战场环境中的威胁态势用威胁等级概率表示,与MPC路径规划算法相结合,得到基于DBN威胁评估的MPC UAV路径规划算法。通过多组仿真分析表明,在三维动态环境下,特别是威胁尾随无人机时,基于DBN威胁评估的MPC无人机路径规划算法可以得到有效的无人机路径。

基于DBN模型的炼化装置故障诊断技术研究

为保证炼化装置生产的连续性和安全性,及时诊断和排除生产中出现的故障,提出一种基于动态贝叶斯网络(DBN)模型的故障诊断技术。采用危险性与可操作性分析(HAZOP)方法分析对炼化装置故障传播机理,详细分析系统内不同偏差发生的可能原因及可能后果,在此基础上建立复杂生产过程的故障传播动态贝叶斯模型。依据现场在线监测数据,对生产过程中出现的报警进行诊断,推理发生报警的最可能根原因。应用该方法诊断某催化裂化装置再生器温度低报警故障。结果表明,该方法诊断出的故障原因为其主风机系统故障,与事实相符。

基于DBN与T-S时变权重组合的光伏功率超短期预测模型

针对光伏出力过程复杂、受多种气象因素综合影响,提出一种基于深度信念网络(DBN)和T-S(Takagi-Sugeno)模糊模型的时变权重组合式预测模型对光伏发电功率进行超短期预测。针对单一模型预测精度的时变波动性,结合模型特性采用遗传算法赋予组合模型不同时刻的权重系数。经实测数据验证,所提时变权重组合式预测模型能够结合不同预测模型优势,有效提高光伏功率预测精度。

基于堆叠长短期记忆网络的互联网流量预测

对互联网流量的有效预测是网络运营商进行网络优化的重要组成部分,为了提高互联网流量的有效预测,本文提出了一种堆叠长短期记忆网络(LSTM)模型来预测未来的互联网流量。首先,介绍了堆叠LSTM的网络结构。然后构建了4种不同堆叠层数的LSTM网络结构,并利用欧洲11个城市的ISP互联网流量和英国学术网流量数据集进行实验对比,确定了当堆叠层数为2层时,预测的精确度最高。最后为了验证该模型的有效性,通过均方根误差和平均绝对误差这两个衡量标准,与DBN、GRU、HA模型进行比较。实验结果表明,基于堆叠的LSTM预测模型较其它模型的RMSE值和ER值均有所降低。

风电功率预测的新兴技术与发展趋势综述

介绍了风电功率预测技术的新兴技术与发展趋势,分析了分区建模、Koopman算子深度神经网络、DBN与多元线性回归结合等方法;探讨了未来研究的方向,强调了对算法的改进和多领域应用的重要性。

基于NAKF和DBN的液压管路故障智能诊断方法

针对航空液压管路故障识别困难的问题,提出了一种基于非线性自适应卡尔曼滤波器(NAKF)和深度信念网络(DBN)的液压管路智能故障诊断方法。首先,在传统卡尔曼滤波器(KF)的基础上,利用最小二乘法修正构造的Sigma点,消除高斯分布对Sigma点影响,提出了非线性自适应卡尔曼滤波器,并用其对仿真信号进行了降噪处理;然后,对液压管路实测振动信号中的随机噪声进行了去除,对深度信念网络模型参数进行了设计,并将液压管路数据集输入到深度信念网络模型中进行了训练;最后,基于同一样本数据,分别采用支持向量机(SVM)和反向传播神经网络(BPNN)等模型进行了训练处理,利用分类准确率等两个指标,对3种故障诊断模型进行了综合评估,对3种模型分类性能进行了对比分析。研究结果表明:采用NAKF-DBN智能故障模型得到的液压管路故障诊断准确率能达到99.72%,SVM模型和BPNN模型等浅层网络的平均故障诊断准确率不高于95%,而未经非线性自适应卡尔曼滤波器滤波的深度信念网络的诊断准确率仅有86.58%;该结果验证了NAKF-DBN模型对于液压管路故障识别的有效性,可以为航空液压管路的智能化诊断提供新思路。

基于DBN-ELM的入侵检测研究

为了有效解决海量复杂数据的入侵检测分类问题,基于深度信念网络(DBN)和极限学习机(ELM),提出一种新的入侵检测方法。使用DBN对大量复杂无标签的原始数据进行特征提取,得到高度抽象的重要特征,再用ELM完成最终的分类工作。结合DBN自动提取特征的能力和ELM快速学习且泛化性好的优势,提高入侵检测识别率和运行效率。实验结果表明,与原始的DBN、ELM以及DBN-SVM方法相比,该方法具有更优的精确度和运行效率。

基于状态异步DBN的语音驱动面部动画合成

提出一种基于状态异步动态贝叶斯网络模型(SA-DBN)的语音驱动面部动画合成方法。提取音视频语音数据库中音频的感知线性预测特征和面部图像的主动外观模型(AAM)特征来训练模型参数,对于给定的输入语音,基于极大似然估计原理学习得到对应的最优AAM特征序列,并由此合成面部图像序列和面部动画。对合成面部动画的主观评测结果表明,与听视觉状态同步的DBN模型相比,通过限制听觉语音状态和视觉语音状态间的最大异步程度,SA-DBN可以得到清晰自然并且嘴部运动与输入语音高度一致的面部动画。

小样本数据缺失状态下DBN舰艇编队防空目标威胁评估方法

针对海上编队防空目标威胁评估过程中样本数据量较少且易缺失、已有评估方法过多依赖专家经验以及难以进行时间序列上动态评估的问题,提出了基于约束参数学习的动态贝叶斯网络(dynamic Bayesian networks,DBN)威胁评估方法。采用AR(p)模型预测时间序列上的缺失数据,从而获得完备的小数据集样本;在此基础上,根据专家经验构建合理的参数约束模型;进一步利用贝叶斯估计进行参数学习;将学习得到的参数代入DBN中,推理求出威胁评估结果;引入效用理论对威胁评估结果进行排序。仿真实验表明该评估方法在小样本数据缺失状态下目标威胁评估的结果合理,准确性高。

基于改进异步DBN模型的听视觉融合情感识别

提出了一个改进的三特征流听视觉融合异步动态贝叶斯网络情感模型(VVA_Asy DBN),采用面部几何特征(GF)和面部主动外观模型特征(AAM)作为两个视觉输入流,语音Mel倒谱特征(MFCC)作为听觉输入流,且视觉流的状态和听觉流的状态可以存在有约束的异步。在e NTERFACE’05听视觉情感数据库上进行了情感识别实验,并与传统的多流同步隐马尔可夫模型(MSHMM),以及具有两个听觉特征流(语音MFCC和局域韵律特征LP)和一个视觉特征流的听视觉异步DBN模型(T_Asy DBN)进行了比较。实验结果表明,VVA_Asy DBN获得了最高识别率75.61%,比视觉单流HMM提高了12.50%,比采用AAM、GF和MFCC特征的MSHMM提高了2.32%,比T_Asy DBN的最高识别率也提高了1.65%。