基于局部信息熵的计算机网络高维数据离群点检测系统

通过离群点检测可以及时发现计算机网络中的异常,从而为风险预警和控制提供重要线索。为此,设计一种基于局部信息熵的计算机网络高维数据离群点检测系统。在高维数据采集模块中,利用Wireshark工具采集计算机网络原始高维数据包;并在高维数据存储模块中建立MySQL数据库、Zooleeper数据库与Redis数据库,用于存储采集的高维数据包。在高维数据离群点检测模块中,通过微聚类划分算法划分存储的高维数据包,得到数个微聚类;然后计算各微聚类的局部信息熵,确定各微聚类内是否存在离群点;再依据偏离度挖掘微聚类内的离群点;最后,利用高维数据可视化模块呈现离群点检测结果。实验证明:所设计系统不仅可以有效采集计算机网络高维数据并划分计算机网络高维数据,还能够有效检测高维数据离群点,且离群点检测效率较快。

基于scSE非局部双流ResNet网络的行为识别

针对双流网络对包含冗余信息的视频帧存在识别率低的问题,在双流网络的基础上引入scSE(Spatial and Channel Squeeze&Excitation Block)和非局部操作,构建SC_NLResNet行为识别框架。该框架将视频划分为等分不重叠的时序段并在每段上稀疏采样,提取RGB帧以及光流图作为scSE模块的输入;将经过scSE处理的特征输入非局部双流ResNet网络中,融合各分段得到最终的预测结果。在UCF101以及Hmdb51数据集上实验准确率分别达到96.9%和76.2%,结果表明,非局部操作与scSE模块结合可以增强特征时空上以及通道间的信息提高准确率,验证了SC_NLResNet网络的有效性。

双U型门控网络融合非局部先验的图像压缩感知重建方法

针对目前基于非迭代式网络的图像压缩感知重建方法存在着细节处理能力不足以及测量值利用不充分的问题,提出了一种双U型门控网络(dual U-shaped gated network, DUGN)用于图像压缩感知重建。该方法在原有的U型结构网络的基础上进行了改进,提升了U型结构网络在压缩感知任务中的学习能力。在测量值的利用上,结合交叉注意力机制,提出了一种测量值非局部融合模块(measurements non-local fusion, MNLF),用于将测量值中的非局部信息融合到深层网络中,指导网络进行重建,提升模型性能。此外,在基本模块的设计上,提出了窗口门控网络模块(window gated network, WGN),增强了网络的细节处理能力。实验结果表明,与已有的压缩感知重建方法相比,DUGN在Set11数据集上有着更高的PSNR和SSIM,且在图像重建的真实性上有着更好的表现。

基于局部差分隐私的通信网络敏感数据安全传输控制

当前通信网络敏感数据安全传输控制方法存在节点布设合理性不佳,传输控制效率较低,控制配准度较低等问题.为此,提出基于局部差分隐私的通信网络敏感数据安全传输控制方法.依据实际的传输控制需求,设定初始传输控制指标;采用多阶方式,提升整体的传输控制效率,利用局部差分隐私方法对多阶传输控制节点进行部署,并计算控制可信度,构建通信网络敏感数据传输控制模型,采用自适应通频对传输控制结果进行修正,实现传输控制处理.实验结果表明,设计方法的敏感数据传输控制配准度均可达70%,说明此种方法对数据传输质量较高,针对性更强,传输控制效果更佳,具有实际的应用价值.

局部随机点蚀钢构件的卷积神经网络损伤智能识别

海洋等结构服役环境引起的点蚀会对钢结构的安全产生影响,而点蚀形式具有较强的多尺度多参数随机性。为在实际工程中对点蚀进行有效检测与损伤识别,基于卷积神经网络,结合试验研究、数值模拟、理论分析,对钢构件的局部随机点蚀进行系统研究。选用多参数局部随机点蚀数值模型,在遵循点蚀坑深度的分布模型、点蚀坑的直径时变模型的前提下,对点蚀坑的位置分布进行边界限制和交叉限制,利用Python实现点蚀坑在尺寸、位置和数量等方面的随机性,使Abaqus能够批量生成锈蚀位置和锈蚀率各不相同的钢板有限元模型,进行运算分析,得到各有限元模型的振型样本。之后,以有限元模型作为试验原型,将数值试验得到的大量前6阶振型样本作为数据集,用于建立、训练一种适用于损伤位置识别的卷积神经网络模型,并使用有限元数据集对模型的精度进行验证。最后,采用足尺试验的振型结果进一步验证卷积神经网络模型的精度。研究表明,该模型充分考虑了点蚀在形状参数和位置坐标等方面的随机性,参数合理,接近现实中的实际点蚀情况,识别准确率较高,在数值试验中点蚀损伤识别到真实区域及其相邻区域的准确率高达95.9%,在足尺试验中的准确率达到81.2%,能满足钢构件智能损伤识别实际应用的精度需求。

一种新型复合指数型局部有源忆阻器耦合的Hopfield神经网络

由忆阻耦合的神经网络模型,因其能更真实地反映生物神经系统的复杂动力学特性而被广泛研究.目前用于耦合神经网络的忆阻器数学模型主要集中在一次函数、绝对值函数、双曲正切函数等,为进一步丰富忆阻耦合神经网络模型,且考虑到一些掺杂半导体中粒子的运动规律,设计了一种新的复合指数型局部有源忆阻器,并将其作为耦合突触用于Hopfield神经网络,利用基本的动力学分析方法,研究了系统在不同参数下的动力学行为,以及在不同初始值下多种分岔模式共存的现象.实验结果表明,忆阻突触内部参数对系统具有调控作用,且该系统拥有丰富的动力学行为,包括对称吸引子共存、非对称吸引子共存、大范围的混沌状态和簇发振荡等.最后,用STM32单片机对系统进行了硬件实现.

面向超分辨率重建的层次间局部特征增强网络

基于卷积神经网络的超分辨率重建模型以单项传播为主,层次越靠后感知信息的能力越微弱,导致层次间局部特征部分丢失,难以实质提升网络的特征表达能力。针对此问题,提出层次间局部特征增强网络。该方法由级联残差模块、层次间特征增强块和特征感知注意力机制组成。级联残差模块通过有效残差连接增加对残差分支信息的利用;层次间特征增强块提取不同深度特征的依赖关系,自适应调整中间层特征权值增强捕获关键信息的能力;特征感知注意力机制采用方向感知和位置判断的方式准确定位和识别感兴趣对象。多项标准数据集的实验结果表明,该方法能改善超分辨率的视觉重建效果,整体性能优于现有方法。

基于生成对抗网络的电缆局部放电异常自动监测设计

电力设备运行过程中,电缆绝缘损伤、内部缺陷、外部环境等因素容易造成电缆局部放电异常,进而引发电力事故和断电故障。为了及时、有效地监测电缆局部放电异常,在生成对抗网络环境下完成电缆局部放电异常自动监测。根据电缆内部结构分析电缆局部放电原因,利用生成对抗网络重构插补缺失数据,获取完整电缆运行数据。建立随机矩阵,获取电缆运行数据的概率密度函数,提取特征向量,构建特征指标矩阵对特征向量实施奇异值分解,辨识电缆局部放电状态,实现电缆局部放电异常的自动监测。实验结果表明:所提方法在提取电缆局部放电信号脉冲时波形振动幅度小且波形完整;电缆局部放电位置定位与实际位置一致;电缆局部放电位置的相对误差低于1%。

动态网络局部社区演化过程溯源方法

随着网络规模的增大,全局社区演化分析越来越困难。考虑在某些场景中人们只关心某一局部社区的形成过程,即局部社区演化过程溯源,提出一种动态网络局部社区演化过程溯源方法,包括社区形成时刻识别、候选前驱社区集合检测和社区演化关系分析这3个环节。通过构造真伪社区分类器识别前驱社区形成时刻,在前驱社区形成时刻的网络快照上进行社区检测,获得包含待溯源社区中任意顶点的候选前驱社区;利用演化事件模型找出真正的前驱社区并识别对应演化事件。在真实网络数据集上的实验结果表明,所提方法优于基于均匀时间片划分的溯源方法,得到的待溯源社区形成路径图能够与真实路径图精准匹配,即社区形成时刻、前驱社区和演化事件均识别准确。

整体与局部相互感知的图网络时序动作检测

针对目前动作检测与定位方法未综合利用整体与局部相互感知的时空关系信息、不利于提升动作检测与定位性能的问题,提出整体与局部相互感知的图网络时序动作检测方法.该方法综合利用各动作提案的特征相似性和时序重叠度构建整体关系图推理子网络,通过学习获得提案,该提案包含更丰富的整体时空特征表示;利用提案发生的时间偏序关系,构建局部关系图推理子网络,该子网络包含多个级别三体相似图和三体互补图的结构,通过学习获得不同时间尺度下提案的局部关系信息;最后构成整体与局部关系相互感知的丰富特征表达,用于动作检测与定位.采用平均精度均值作为评价指标在2个公开数据集(Thumos14和ActivityNet1.3)上进行了试验.结果表明,与PGCN、G-TAD、TAL-Net、CDC等先进方法相比,文中方法能有效提高动作检测的性能.

多任务元学习网络的气体绝缘组合电器局部放电同时诊断与定位

针对气体绝缘组合电器(GIS)局部放电诊断和定位作为两个独立的任务来完成而忽略了两个任务间的联系、且难以部署和泛化到现场小样本场景下的问题,提出了多任务元学习网络以同时实现现场小样本场景下的GIS局部放电诊断与定位。首先,为了充分挖掘两个任务间的关联关系并保留每一任务的差异特征,构建了多任务网络,在特定任务层引入注意力机制,为每个任务从浅到深选择重要特征,保证每一任务特征差异化提取的质量。其次,为了将所开发的多任务网络部署应用到现场小样本场景下,采用元训练的方法对模型进行训练。再次,在元测试阶段使用目标任务的少量数据进行微调,实现了小样本下GIS局部放电诊断和定位。最后,在现场样本上对模型性能进行了验证。实验结果表明,提出的多任务元学习网络在GIS局部放电诊断上的准确率达到94.53%,定位平均误差和均方根误差分别为10.78 cm和12.97 cm,与单任务网络和其他模型相比性能提升明显,为GIS局部放电诊断和定位提供了新颖的解决思路。

深度置信网络融合局部保持投影的入侵检测模型

网络入侵检测系统(NIDS)提供了比其他传统网络防御技术(如防火墙系统)更好的网络安全解决方案。提出一种深度置信网络(DBN)与局部保持投影技术相融合的入侵检测模型。深度置信网络用于原始数据的特征学习;采用局部保持投影(LPP)融合深层特征,进一步去除冗余和无关特征。最后使用Softmax分类器进行分类。研究该方法在NSL-KDD数据集和UNSW-NB15数据集上的准确率、检测率、误报率等分类指标,并与常规的机器学习分类方法及其他文献中最新的方法进行比较。实验结果表明DBN-LPP模型提高了入侵检测的综合性能,其性能优于传统的机器学习分类方法及其他方法,为入侵检测提供了一种新的研究方法。

基于局部模型网络的主汽温阶梯式动态矩阵控制

火电厂主汽温系统的大惯性、时变性和多扰动等特点导致采用传统串级PID控制难以取得令人满意的控制效果。为了克服传统控制方案的缺陷,提出了一种基于局部模型网络的多模型阶梯式动态矩阵控制算法。首先,通过引入阶梯式策略有效解决了原始动态矩阵控制算法固有的矩阵求逆问题;其次,通过引入扰动前馈补偿,提高了主汽温系统的抗扰动能力;最后,针对不同工况下动态特性大幅度变化的主汽温对象,设计了基于局部模型网络的多模型阶梯式动态矩阵控制器。仿真结果表明,相比于传统控制算法,所提算法明显提升了主汽温系统的全局设定值跟踪性能、抗扰动性能和鲁棒性能,可以满足火电机组主汽温的控制要求。

融合跨阶段局部网络与注意力的遥感图像锐化方法

针对遥感图像全色锐化中存在光谱分布不均、空间细节缺失的问题,提出一种融合跨阶段局部网络(CSPNet)与无参数注意力(SimAM)的遥感图像锐化方法。首先,在主干结构中引入CSPNet,利用普通卷积加跳连的方式替代特征提取中的残差块,以缓解梯度冗余,提升模型学习力。其次,添加SimAM块,直接从特征中推导出三维权重,而后反向优化提取到的特征,使得模型能提取到更深层次的特征信息。最后,设计一种可学习作差参数来控制相减权重,以便突出融合图像的边缘信息。实验结果表明,所提方法不仅能改善模型的梯度冗余,还能进一步提升融合图像的空谱分辨率。

基于残差注意力自适应去噪网络和Stacking集成学习的局部放电故障诊断

针对传统局部放电(Partial Discharge,PD)故障诊断方法在处理复杂含噪PD信号存在局限性并依赖于人工去噪和专家经验,难以学习到PD特征多样化表达等问题,分别提出残差注意力自适应去噪网络(Residual Attention Adaptive Denoising Network,RAADNet)和基于Stacking集成学习的PD故障诊断模型。RAADNet基于残差网络结构设计,通过集成CAM注意力机制和软阈值函数实现自适应去噪;Stacking集成模型的基学习器分别由基于卷积神经网络的RAADNet、基于多头自注意力机制的Transformer以及基于Boosting集成策略的XGBoost多个差异化模型共同构建构成。实验结果表明,提出的RAADNet优于其他先进方法,识别准确率达到93.99%,Stacking集成模型则通过学习多样化特征表达,进一步提高模型性能,达到96.79%识别准确率。

基于粒子群优化深度置信网络的气体绝缘金属封闭开关设备局部放电模式识别

气体绝缘金属封闭开关设备(gas insulated metal-enclosed switchgear,GIS)局部放电模式识别是其绝缘缺陷诊断和状态评估的重要部分,为实现放电类型的准确识别,提出了一种基于粒子群优化(particle swarm optimization,PSO)深度置信网络(deep belief network,DBN)的局部放电模式识别方法。该方法通过PSO算法对DBN网络的权值参数进行优化,提高网络对局部放电特征的学习能力。首先,选取现场多平台的4种GIS局部放电类型监测数据组成样本集,用于对所提方法进行分析;其次,用改进的PSO算法结合样本数据确定DBN网络的初始最优权值参数,建立初始DBN网络;然后,利用训练样本对初始DBN网络进行训练,得到局部放电识别模型。最后,基于渤海油田岸电海上动力平台GIS的局部放电数据,采用多种不同局部放电识别模型对数据样本进行算例分析,结果表明:所提的PSO-DBN模型可有效识别GIS设备局部放电类型,相较于传统的DBN网络、多层前馈神经网络(back propagation,BP)、支持向量机(support vector machine,SVM)和卷积神经网络(convolutional neural networks,CNN)具有更高的准确识别率。

基于卷积神经网络的电网电缆局部放电自动化诊断系统

针对当前电缆局部放电诊断过程中利用信号难以匹配特定放电故障等问题,设计基于卷积神经网络的电网电缆局部放电自动化诊断系统。采集电网电缆局部放电信号,将信号转换为二维图像,将放电信号二维图像作为卷积神经网络的训练样本,训练卷积神经网络;将采集测试样本,基于训练好的卷积神经网络实现电网电缆局部放电自动化诊断。实验结果显示,该系统在卷积核数量为100的条件下,基于GAF时间序列转换图像特征可获取较为满意的诊断结果,降低研究对象局部放电故障时间,提升研究对象运行稳定性。

基于改进残差网络的XLPE电缆局部放电声纹诊断方法

XLPE电缆是电力系统的重要设备,针对传统的残差网络模型在进行电缆故障诊断时计算量较大、准确率低的问题,提出一种基于改进残差卷积网络的电缆局部放电故障诊断方法。首先通过试验平台对3类典型局部放电故障的声纹时频谱图进行采集和预处理;然后,采用SiLU函数作为激活函数,并在残差块中引入高效信道注意力机制模块,得到改进残差网络模型;最后,利用训练好的模型识别局部放电故障的时频谱图。结果表明,改进残差网络对于XLPE电缆局部放电故障的识别率可达97%以上,与经典深度学习网络和传统机器学习算法相比,具有更优的识别效果。

基于双流-非局部时空残差卷积神经网络的人体行为识别

3维卷积神经网络(3D CNN)与双流卷积神经网络(two-stream CNN)是视频中人体行为识别研究的常用架构,且各有优势。该文旨在研究结合两种架构且复杂度低、识别精度高的人体行为识别模型。具体地,该文提出基于通道剪枝的双流-非局部时空残差卷积神经网络(TPNLST-ResCNN),该网络采用双流架构,分别在时间流子网络和空间流子网络采用时空残差卷积神经网络(ST-ResCNN),并采用均值融合算法融合两个子网络的识别结果。进一步地,为了降低网络的复杂度,该文提出了针对时空残差卷积神经网络的通道剪枝方案,在实现模型压缩的同时,可基本保持模型的识别精度;为了使得压缩后网络能更好地学习到输入视频中人体行为变化的长距离时空依赖关系,提高网络的识别精度,该文提出在剪枝后网络的首个残差型时空卷积块前引入一个非局部模块。实验结果表明,该文提出的人体行为识别模型在公共数据集UCF101和HMDB51上的识别准确率分别为98.33%和74.63%。与现有方法相比,该文模型具有参数量小、识别精度高的优点。

基于深度强化学习网络的GIS超声波局部放电检测信号识别算法设计

针对气体绝缘封闭开关(GIS)设备缺陷识别准确度偏低的现状,设计一种基于深度强化学习(DQN)的GIS超声波局部放电检测信号识别算法。该算法以GIS设备的超声波信号为输入数据,并采用局部均值分解(LMD)算法将信号分解为多个乘积分量,再将其作为DQN模型的输入进行学习及训练。同时,利用训练完毕的DQN模型实现对GIS设备局部放电故障的检测与识别。算例分析结果表明,相比于深度信念网络(DBN)和DQN算法,所提算法具有显著优势,平均识别准确度可达89.75%。在实际电网GIS设备的运行监测中还发现,电晕及悬浮放电的占比较大,应加强对二者的监测预防。