基于ResNet+GRU组合模型的负电荷预测方法研究

电力负荷预测在保证电力系统安全运行、平衡能源分配等方面至关重要,精准的负荷预测能有效减少用电事故的发生,提高用电效率。利用神经网络组合模型的优势,充分提取时间序列的特征,输入到GRU网络进行预测,使得模型的预测准确率更高、泛化能力更强。使用ResNet解决卷积网络层数堆叠带来的问题,将处理后的数据作为GRU的输入,以此构建泛化能力更强的混合模型ResNet+GRU。为了验证所提出的技术,本实验选取100个数据节点,并通过实验证明ResNet+GRU优于所有方法,使用ResNet+GRU获得MAE、MSE、RMSE和MAPE的值最小。

基于并联ResNet-GRU模型的股票价格预测

针对目前股价预测模型在随着网络层数增加而导致梯度发生极端变化的问题,提出一种并联残差神经网络(ResNet)和门控循环单元(GRU)网络模型对股票数据的收盘价进行预测。在沪深300股票价格数据上的实验结果表明,该模型的平均绝对误差(MAE)为6.714,均方根误差(RMSE)为60.961,预测误差均低于其他模型;且决定系数(R2)为99.472%,表明预测值和真实值较为接近。该模型对股票价格预测的效果较好。

基于Resnet网络和Attention-GRU门控机制的滚动轴承故障诊断

针对轴承故障诊断中大多现有方法特征提取复杂且诊断方法不是端到端等问题,结合深度学习理论,提出了一种基于Resnet网络(残差网络)和Attention机制(注意力机制)的轴承故障诊断方法。诊断思想是:首先,通过Resnet网络对输入的滚动轴承的一维振动时序信号进行特征提取;其次,将特征提取后的特征图经过Map-to-sequence操作将特征图转换为特征序列送入到Attention机制的GRU(门控循环单元)网络中进行预测;最后,通过分类器将预测后的结果分类输出即可得到诊断结果。实验表明,该模型对各故障类别的诊断率均在98%以上,模型诊断准确率普遍优于其他传统的诊断方法,相较于一些最近流行的基于深度学习轴承故障诊断方法效果也提升显著。

基于ResGCN-GRU的大气污染风险源识别

重污染天气是“十四五”时期大气污染治理的重点工作,在重污染天气时期对风险源进行精准识别,可以及时发出预警,做好环境污染治理,防止污染事件进一步加重.基于网格化监测技术获取的数据,本文提出一种结合残差网络(ResNet)、图卷积网络(GCN)和门控循环网络(GRU)的深度学习模型ResGCN-GRU,该模型主要应用于重污染天气时期识别风险源.重污染天气的风险源往往都是区域性的,具有明显的时空特征,因而本文先利用GCN网络提取监测点位之间的空间特征,同时利用ResNet解决多层GCN带来的过平滑以及梯度消失问题;再利用GRU提取风险源的时间特征,最后将全连接层融合的时空特征输入到Softmax激活函数得到二分类概率值,再根据概率值得到分类结果.为验证本文提出的模型性能,本文基于沈阳市72个监测点位的数据,通过精确度、召回率以及综合评价指标对GCN、LSTM、GRU和GCN-GRU进行对比,实验结果表明ResGCN-GRU模型分类效果的精确度分别要好16.9%、4.3%、3.1%、2.9%,证明了本文提出的模型在大气风险源识别方面更加有效,可以根据风险源数据的时空特征达到对风险源的精准识别.

基于残差网络和GRU的XSS攻击检测方法

传统的XSS攻击及其漏洞检测方法在面对多样化的攻击payload时其效果难以令人满意,需要大量人工参与,具有较大的主观性;而如CNN、RNN等深度学习方法只能单一地学习数据样本的空间特征或时序特征。提出一种基于残差网络和GRU的XSS攻击检测方法,在CNN基础上引入残差框架并与GRU相结合来学习数据的时空特征,且通过利用dropout来提高模型的泛化能力。面对日益复杂多变的XSS payload,参考字符级卷积建立一个字典对数据样本进行编码,从而保留了原始数据的特征并提高了整体的效率,再转化为二维空间矩阵,使得其满足CNN的输入要求。在Github数据集上的实验结果表明,该方法的准确率为99.92%,误报率为0.02%,相比于DNN方法的准确率提高11.09个百分点、误报率降低3.95个百分点,且其他评价指标均优于GRU、CNN等对比方法。

深层卷积神经网络的暗网流量检测比较与改进

为研究大型深层卷积神经网络在多类别暗网流量检测领域的适用性,基于Resnet、Densenet与Xception网络进行分类性能比较。将3种模型在Darknet2020暗网数据集上进行验证,使用9.3万条Non-Tor数据、1300条Tor数据、2.3万条Non-VPN数据及2.2万条VPN数据进行实验。结果表明,3种模型均能快速处理海量数据,且对Tor与Non-Tor流量的检测结果较好,F1值最高可达到0.91,但对VPN与Non-VPN的分类效果有待提高。选择在测试集上检测性能最好的Densenet网络,加入GRU网络提取时序特征进行改进后,总体分类精确率为83.4%,召回率为82.2%,检测性能得到进一步提高。