基于最优状态的多波段全极化SAR数据ML分类方法

该文描述了一种对多波段、全极化AIRSAR图像中的地物目标进行分类的最大似然(ML)分类算法。该算法的特点是利用极化SAR图像的最优状态进行分类。本文描述了最优状态的搜索算法和地貌分类算法,并利用美国AIRSAR获得的多波段(P,L和C)、全极化图像数据对本算法进行检验。与利用单波段、单极化图像数据得到的分类结果相比,本文提出的基于最优状态的分类算法可以显著地提高分类精度。

基于改进多隐层极限学习机的电网虚假数据注入攻击检测

虚假数据注入攻击(False data injection attacks,FDIA)严重威胁了电力信息物理系统(Cyber-physical system,CPS)的状态估计,而目前大多数检测方法侧重于攻击存在性检测,无法获取准确的受攻击位置.故本文提出了一种基于灰狼优化(Gray wolf optimization,GWO)多隐层极限学习机(Multi layer extreme learning machine,ML-ELM)的电力信息物理系统虚假数据注入攻击检测方法.所提方法将攻击检测看作是一个多标签二分类问题,不仅将用于特征提取与分类训练的极限学习机由单隐层变为多隐层,以解决极限学习机特征表达能力有限的问题,且融入了具有强全局搜索能力的灰狼优化算法以提高多隐层极限学习机分类精度和泛化性能.进而自动识别系统各个节点状态量的异常,获取受攻击的精确位置.通过在不同场景下对IEEE-14和57节点测试系统上进行大量实验,验证了所提方法的有效性,且分别与极限学习机、未融入灰狼优化的多隐层极限学习机以及支持向量机(Support vector machine,SVM)相比,所提方法具有更精确的定位检测性能.