基于HTM网络的多源海洋实时观测数据异常检测

在时下海洋观测系统中,往往通过分布于不同地理位置的智能传感器来获取实时观测数据。然而由于通信环境不稳定、观测仪器故障、数据采集或传输软件运行异常等原因,观测数据的完整性、可靠性和时效性往往得不到保障。本文基于层级实时记忆(Hierarchical Temporal Memory,HTM)网络设计多源数据异常检测算法,对不同测点海洋实时观测数据流进行质量监控。首先考虑海洋观测系统中存在的数据缺测、网络丢包现象,对观测数据进行预处理;接着基于HTM网络,生成观测数据的稀疏离散表征,动态更新神经元活跃和预测状态,并根据赫布法则奖励或惩罚突触连通值,模拟时序数据的空间和时间关系,从而学习和识别数据内部特征,实现单源海洋实时数据流的异常检测;最后在此基础上,利用不同测点间观测数据的距离相关性,对多源海洋实时数据流进行质量监控,降低异常数据漏报率。实验结果表明,本文提出的算法能有效检测出海洋实时观测数据异常点,且识别速度快于数据采集速度,能保证异常检测过程的准确性和实时性,符合实际应用需求。

基于深度学习的混合主题模型应用

在线社交网络的快速发展得益于主题模型的广泛应用.然而,目前几种典型的主题模型存在需要手动调参、语义连贯性不足、特征提取不充分和样本效率低等问题.对此,构建主题模型时利用深度学习技术来进行主题划分,以BiLSTMCNN模型框架为基础,并在主题特征提取进行主题划分阶段引入"作者-主题"模型进一步优化框架,从而提出了一种混合主题模型Hybrid-Topic Model(简称HTM).将LDA,CNN,BiLSTM-CNN和HTM这4种主题模型应用于2组不同场景的数据集,并对结果进行对比分析.分析表明,在主题分类效果和内容困惑度方面,HTM主题模型的效果明显优于现有模型.此外,该模型在样本使用效率和模型迁移学习能力方面也有出色的表现,为后期研究指明了方向.