基于电压-电流采样轨迹的混合直流输电线路纵联保护方法

为提高混合直流输电系统线路保护的抗干扰能力和适用范围,提出一种基于电压-电流采样轨迹的直流输电线路保护方案。首先,从理论上分析了直流线路故障时测量电压与测量电流之间的关系,揭示了区内/外故障时的电压-电流线性度差异。然后,以区外故障时电压-电流所服从的线性模型作为假设模型,将实测数据得到的采样轨迹与假设模型对应的直线进行比对,引入拟合优度指标作为特征量来量化并放大实测数据与假设模型的差异,并进一步给出直流输电线路保护方案。最后,在PSCAD/EMTDC中建模并仿真分析了多种因素对所提保护方案的影响,结果表明所提保护方案能够可靠、快速地识别直流输电线路故障,在高阻和强噪声的场景下仍可适用,且无需提取特征频带,无需双端数据严格同步,对于保护装置的采样率要求较低,易实现工程应用。

基于联合熵的非平衡数据边界混合重采样

为了克服在数据平衡处理过程中单一重采样方法易生成冗余样本及误删重要样本信息的局限,本文提出一种基于联合熵的非平衡数据边界混合重采样算法。该算法首先通过引入边界因子对边界集和非边界集进行有效的区分,进一步构建一个联合熵指标体系以判断出边界集中少数类样本的重要程度,并根据其重要程度对细分后的少数类样本点设置不同的过采样方法和采样数量,最后使用NearMiss-2算法对非边界集中多数类样本点进行筛选并删除,从而实现数据的相对平衡。通过对9组UCI数据集进行对比实验,实验结果表明:该算法在F1-Score、G-mean及AUC这3个指标上均有提升,验证了其有效性,有较好的非平衡数据分类性能表现。

基于三重混合采样和集成学习的潜在高价值旅客发现

考虑潜在高价值旅客特有的数据高度不平衡、旅客特征和价值类别弱相关等问题,提出一种基于三重混合采样和集成学习的潜在高价值旅客发现模型。采用RFM(Recency Frequency Monetary)方法标注旅客类别;使用三重混合采样对不平衡旅客数据集进行重采样;使用融合特征选择算法遴选旅客特征;使用梯度提升决策树作为分类器,构建旅客价值预测模型,识别潜在高价值旅客。在PNR数据集上的实验结果表明,与基准算法相比,该模型能取得更好的AUC值和F1值,可以较好地识别潜在高价值旅客。

基于边界强化混合采样的两阶段电力系统暂态稳定评估

受制于样本固有的不平衡性,基于数据挖掘的暂态稳定预测方法不易用于工程实践,为此,提出一种基于边界强化混合采样的两阶段暂态稳定评估模型。在第1阶段,利用预训练的级联卷积神经网络模型确定边界和非边界样本集,利用条件生成对抗网络合成边界集失稳样本,并对非边界集稳定样本进行欠采样,以实现边界强化;在第2阶段,利用混合采样后的重构样本集再训练卷积神经网络模型,以更好地挖掘失稳样本的隐含特征,并采用改进后的焦点损失函数加强模型对边界集样本的学习能力。新英格兰39节点系统与南方某省级电网的仿真结果表明,所建模型有效降低了对失稳样本的漏判率,提高了整体预测精度,在样本极不平衡的情况下仍有良好的评估性能。

基于混合采样和CAWOA-BP的变压器故障诊断

为提高变压器故障诊断准确率,提出了基于混合采样技术的数据处理方法和改进鲸鱼算法优化BP神经网络的故障诊断模型。首先通过Tomek links和SMOTE对原始数据进行去噪处理及少数类数据样本合成,然后采用Cubic map混沌映射及自适应权重调整策略改进鲸鱼算法(WOA),利用改进后的鲸鱼算法优化BP神经网络参数;最后,利用混合采样前后的数据对传统BP神经网络、WOA-BP、CAWOA-BP三种模型进行对比仿真试验。结果表明,使用混合采样后的数据训练模型会使模型故障诊断准确率提高,且CAWOA-BP模型的表现优于传统BP神经网络和WOA-BP模型。

基于混合采样深度Q网络的水面无人艇逃脱策略

[目的]针对敌方船舶采用合围战术,研究我方无人艇(USV)被敌方船舶包围情况下的逃跑策略规划问题。[方法]提出一种混合采样深度Q网络(HS-DQN)强化学习算法,逐步增加重要样本的回放频率,并保留一定的探索性,防止算法陷入局部最优。设计状态空间、动作空间和奖励函数,通过训练获得最优的USV逃跑策略,并从奖励值和逃脱成功率方面与DQN算法进行对比。[结果]仿真结果表明,使用HSDQN算法进行训练,逃脱成功率提高2%,算法的收敛速度提高了20%。[结论]HS-DQN算法可以减少USV无效探索的次数,并加快算法的收敛速度,仿真实验验证了USV逃跑策略的有效性。

基于混合采样的设备健康状态预测方法研究

针对因设备健康状态样本数据不均衡严重影响对健康状态预测效果的问题,提出基于混合采样实现数据均衡、改善预测效果的思路,设计了基于混合采样方法的样本数据平衡流程。通过采用Borderline-SMOTE算法补充少数类样本数量,利用改进K-means算法对多数类样本进行删除,将冗余数据剔除后,形成较为均衡的数据集提供给分类器。实验数据显示,无论是对数据进行欠采样还是过采样,均可提升评价指标AUC和G-mean;采用混合采样对数据进行平衡,评价指标改善更加明显。结果表明,本方法可以明显提升设备健康状态的预测效果,对装备管理部门实现精准维修具有重要的参考价值。

基于混合采样和强化学习的信用卡欺诈检测模型

针对信用卡欺诈检测中存在数据不平衡以及模型超参数不能自动调优,导致检测精度低的问题,综合考虑数据平衡处理和参数优化两个关键因素,构建了一种基于混合采样和强化学习的信用卡欺诈检测模型。所提模型采用Kmeans聚类算法对多数类数据以及少数类数据分别聚类,多数类数据保留具有代表性的数据,少数类数据采用生成对抗网络生成数据,从而达到数据集平衡。同时,提出了一种改进的Q-learning算法,通过优化算法中奖励值的计算和Q-table的更新方式,以加快算法的收敛速度,然后采用改进的Q-learning算法优化XGBoost模型中的参数,以提高模型的检测效果。实验结果表明:相比于传统的欺诈检测模型,该模型具有更优的检测效果,更适合应用于信用卡欺诈检测领域。

保护样本分布特征的混合采样方法

在大数据窃电检测领域,基于机器学习的异常用电检测方法往往面临数据不平衡问题,影响了模型的泛化性能。为此,提出了一种保护样本分布特征的混合采样算法。首先,根据样本的分布特征提出了密度欠采样和邻域过采样算法。然后,为进一步提高数据处理效果、提升模型性能,给出了失衡度指标来将两种算法结合,并提出了保护样本分布特征的混合采样方法。在两份数据集上进行实验,经过该算法处理的数据集,相较于现有的过采样算法,能够有效减少样本数量,提高模型的训练速度;相较于现有的欠采样算法,能够提高模型准确率和AUC值。

面向ICS不平衡数据的重叠区混合采样方法

工业控制系统异常检测面临着数据不平衡问题,其中,不平衡数据存在的类重叠现象加剧了分类器的检测难度。基于数据类别平衡或数据重叠检测的应对策略较常被采用,但这些策略方法存在着模型稳定性差或重叠识别率低等问题。对此,提出了一种面向重叠区域的混合采样方法:OverlapRHS。该方法利用支持向量数据描述分别在多数类和少数类样本上构建重叠检测模型,并通过将合成少数类与邻域清洗进行组合,对重叠数据区域内的样本施以混合采样。最后该方法与4种经典分类器结合,在4个公开的不平衡数据集上进行了测试,并与其他4种处理不平衡问题的采样方法进行了比较。实验结果表明,所提方法能够有效检测出不平衡数据集中的重叠数据,并通过高效且针对性强的数据混合采样改善了分类器的训练效果,提高了分类器对不平衡数据的异常检测性能,展现了较之于其他采样方法在不平衡数据处理上的显著优势。

基于TD3-PER的氢燃料电池混合动力汽车能量管理策略研究

为优化氢燃料电池混合动力汽车的燃料经济性及辅助动力电池性能,提出了一种基于优先经验采样的双延迟深度确定性策略梯度(TD3-PER)能量管理策略。采用双延迟深度确定性策略梯度(TD3)算法,在防止训练过优估计的同时实现了更精准的连续控制;同时结合优先经验采样(PER)算法,在获得更好优化性能的基础上加速了策略的训练。仿真结果表明:相较于深度确定性策略梯度(DDPG)算法,所提出的TD3-PER能量管理策略的百公里氢耗量降低了7.56%,平均功率波动降低了6.49%。

基于混合采样和改进随机森林的窃电检测

针对窃电检测中存在的数据不平衡和分类器效率低的问题,提出一种基于混合采样和随机森林的窃电检测方法。首先,用随机森林模型的误分率作为SMOTE算法的重采样率,提出E-SMOTE算法;其次,在E-SMOTE和Tome Links混合采样的过程中,引入模型ROC曲线下方的面积(area under curve,AUC)作为迭代停止的条件,实现用电数据集的平衡;最后,用基于马修斯相关系数(Matthews correlation coefficient,MCC)的置换法和卡方检验进行特征选择,并在传统的随机森林模型中引入Q统计值进行选择性集成,不仅优化属性特征的选择,还提升随机森林模型的多样性。实验结果表明:提出的混合采样算法较优于7种常用采样方法,改进的随机森林模型也在精确率、特异度和F1分数等多项指标中表现出更优的性能。

基于聚类混合采样与PSO-Stacking的车载CAN入侵检测方法

随着信息技术的快速发展以及智能网联汽车的日渐普及,由网络入侵引起的车联网安全事件正在逐年增加。针对车联网中车载控制器局域网络(CAN)存在的网络攻击问题,提出一种改进的车载CAN入侵检测方法。考虑到车载CAN中数据流量较大且各类别数据比例失衡,提出一种聚类混合采样方法来平衡数据,对于流量较大的数据,在聚类后进行欠采样以去除冗余,对于流量较小的数据,使用SMOTE方法合成数据。合并上述两部分数据并使用Tomek Links算法进行数据清洗。使用基于Gini系数的GBDT特征选择方法计算特征重要性,删除重要程度较低的特征以实现数据降维。在此基础上,使用粒子群优化算法对Stacking模型中的基学习器和元分类器进行调优,使用优化后的基学习器和元分类器构建Stacking模型并完成入侵检测。实验结果表明,该方法在主流车载CAN入侵数据集上的检测准确率为98.18%,优于常见的ANN、KNN、SVM、MTHIDS及MGA-DTC模型,且对DoS、Fuzzy等类别样本的检测精确度较高,漏报率较低,体现出较好的先进性和实用性。

基于高斯混合聚类采样的不平衡数据处理方法

在处理不平衡数据时,为有效剔除多数样本内的冗余信息和合成有价值的少数样本,提出一种基于高斯混合模型的采样算法(MSGMM)。将多数类和少数类样本分别聚类,最佳聚类个数通过迭代确定。在迭代时,先初步选择聚类个数并用高斯混合模型聚类。对于多数样本的每一个聚类C的剔除比例为其聚类中心到SVM生成超平面的距离权重和其数量权重的加权;对少数类样本按聚类中心到超平面的距离来划分采样比例;并用Random-SMOTE算法合成新样本,以此达到样本数量之间的平衡。实验表明该算法相较于传统算法,精度有1%~16%的提升,验证了该算法的有效性。

子集模拟的混合采样算法

子集模拟是当前可靠度计算领域常用的估计算法,相比于直接蒙特卡罗积分法,极大减少了函数调用的次数。子集模拟法一般使用单一采样器,然而不同采样器适用范围不同。如使用单一椭圆切片采样器,其遍历性较好但函数调用次数较多;而使用单一自适应条件采样时,其采样效率较高但样本容易陷入局部极值。单一采样器由于本身特性面对不同问题时失效概率的积分结果可能出现偏差,模拟效果不稳定。本文首次提出了一种混合采样子集模拟法,在子集模拟的前几层使用椭圆切片采样,此时失效区域收缩程度有限,函数调用次数在可接受的范围内,样本经过采样扩充后能充分探索参数空间,更有效地检测出所有失效区域。当失效区域收缩至一定限度后,使用自适应条件采样,此时种子样本继承了前几层样本较低的相关性,并在此基础上通过自适应条件采样更高效地增殖样本。本文通过四个模拟算例多种维度下的数值积分验证了该算法具有椭圆切片采样器较好的遍历性,同时采样效率位于椭圆切片采样与自适应条件采样之间,对于不同问题拥有良好的通用性。

集配一体化车辆路径规划的混合进化多目标优化

为了给各物流企业在车辆配送路径规划方面提供合理有效的决策支持,提出了一种多区域混合采样策略的全局搜索和基于个体间路线序列差异局部搜索相结合的混合进化多目标优化算法。对问题进行合理的数学模型构建,利用全局搜索策略使得种群个体从多个方向快速收敛至Pareto前沿面,并使用局部搜索策略来引导种群中表现差的个体朝着表现好的个体的方向进化,从而提高了个体的质量和算法的局部搜索能力。所提算法在集配一体化车辆路径问题的标准测试数据集上进行了一系列的实验,结果表明所提方法在收敛性上明显提升,同时搜索到的解具有良好的分布性能。

基于邻域检测与反馈的混合重采样进化挖掘方法

在不平衡数据分类问题中,样本的稀缺性和复杂分布特性是造成分类性能下降的主要原因.现有混合重采样方法结合过采样和欠采样方法来调整样本的局部分布,但独立于模型训练,被删减的样本价值及其对分类器的影响难以估计.针对该问题,提出了一种邻域检测与反馈的混合重采样进化挖掘方法(APMMOEA-EC),该方法以召回率和精准率为优化目标,根据模型性能反馈引导最优样本组合的优化过程.首先使用线性插值法合成少数类样本;然后提出邻域检测方法计算每个样本邻域中异类样本个数,并设置容忍值选取部分样本进行优化,从而对决策空间降维;在优化阶段,提出自适应搜索行为转换方法,对满足一定收敛程度的最优解及其变量特征进行频繁模式挖掘,对非零候选集进行局部优化,进一步提高解集质量.在具有复杂分布的7个不平衡数据集上,对容忍值进行参数选择实验;并与5种流行的多目标优化算法进行性能对比实验;在3个规则不同的分类器上,对比5种流行的不平衡数据处理方法的分类精度,上述实验结果均表明了APMMOEA-EC方法的优越性.

复杂基质环境中长时间维度被动采样装置的研发与评估——以污水管网中精神活性物质的监测为例

精神活性物质(Psychoactive Substance,PAS)的非法滥用是人类发展面临的难题,快速高效地评估毒情是解决这一难题的基础,及时获取时间加权浓度、低成本的被动采样技术日益受到关注。本研究基于混合型阳离子交换树脂吸附剂开发了一种新型被动采样装置,并应用于污水管网中PAS的快速监测。探讨了采样条件对甲基苯丙胺、3,4-亚甲二氧基甲基苯丙胺、氯胺酮、去甲氯胺酮、吗啡和可替宁采样率(Sampling Rates,RS)的影响。结果表明,温度和pH对RS的影响较大,流速和溶解性有机物的影响不明显。温度改变时,6种PAS的RS的平均变化为0.195 L·d^(−1);pH改变时,6种PAS的RS的平均变化为0.171 L·d^(−1);流速改变时,6种PAS的RS的平均变化为0.057 L·d^(−1);溶解性有机物浓度改变时,6种PAS的RS的平均变化为0.094 L·d^(−1)。实验室模拟阳性环境下,采用胶体金法快速检测采样装置洗脱液中的PAS,3次实验结果均呈阳性,验证了该方法的可靠性。

基于混合模型的开放式创新社区用户生成内容质量预测

为解决开放式创新社区内容冗余导致高质量用户生成内容无法充分发挥其价值的问题,挖掘高质量UGC深层价值。首先采用随机过采样、SMOTE、ADASYN解决UGC数据不平衡问题,然后构建支持向量机、朴素贝叶斯、决策树、随机森林、GBDT分类模型并生成多种混合预测模型,进一步使用基于Hard-voting、Soft-voting、Stacking的采样方法和分类模型组合优化预测方法,比较选取最优的开放式创新社区UGC质量预测模型。采用随机过采样和Stacking的混合模型Accuracy、F1值和AUC分别平均提升了3.85%、28.18%、12.30%。该方法能够精准识别创新社区高质量用户生成内容,帮助企业多维度管理社区、提高创新力。

基于粒子滤波和三维变分混合数据同化方法的构建与理想实验验证

本文基于粒子滤波和三维变分设计了一种新的混合数据同化方法。新方法通过粒子滤波的最优估计生成具有背景误差信息的集合扰动,从而为三维变分提供流依赖的背景误差协方差。粒子退化一直是粒子滤波应用于数据同化领域的主要阻碍。为了让混合方法更好地发挥作用,针对粒子退化问题,本文提出了一种改进的残差重采样方法,通过在正态分布中采样粒子,解决了退化导致的粒子缺乏多样性。在理想lorenz-63模型上进行数据同化实验,结果表明,新方法在模型误差较大的情况下效果优于集合变换三维变分方法(ensemble transform Kalman filter-three-dimensional variational method,ETKF-3Dvar),并且随着模型误差不断增大,新方法也同样优于传统数据同化方法。改进的残差重采样在与分层重采样和一般残差重采样的对比实验中,在给定时间窗口内可以保证同化结果稳定,而其他两种方法的同化结果都出现了较大偏差。