基于改进CAE的物联网终端风险评估模型

物联网异构终端数量大、结构简单、安全防护能力弱,容易成为攻击目标。针对传统风险评估方法处理不断变化的大量风险因素时,评估机制建立困难,评估效率不高的问题,文章提出基于改进卷积自动编码器的物联网终端风险评估模型(Lightweight Convolutional Autoencoder Combined with Fully Connected Layers and Classifier Model,LCAE-FC)。将更轻量化卷积自动编码器与分类器结合构建模型,使高维特征学习与逐阶降维输出评估概率值一体化;编码器引入深度可分离卷积,每个通道学习广义行为特征内部结构;每个输出特征均进行平均池化,最大限度保留风险信息;全连接层与分类器结合将高维特征抽象后阶梯式降维输出风险概率值。N-BaIoT数据集上的实验结果显示,文章所提模型精确度和F1值均高达99.3%以上,相较传统的CAE、Bi-LSTM和SAE-SBR模型,性能更优。

基于自适应邻域局部保留ELM-AE的机械故障诊断

针对机器学习故障诊断中存在的先验知识依赖以及数据利用不充分问题,提出一种自适应邻域的局部保留极限学习机自动编码器方法。成对样本在原始数据空间和嵌入的表示空间中引入欧几里得距离惩罚因子,实现数据样本的相似性分类;提出一个统一的目标函数,可以同时学习数据表示和关联矩阵,并提出一个软判别约束防止过度拟合。实验结果表明,融合学习关联矩阵和数据表示方法具有学习速度快、泛化能力强和诊断精度高等优点。

基于EEMD-AE-LSTM的生活用电短期负荷预测

生活用电负荷随机性高,使用单一的预测模型进行预测会造成预测结果精度不高并且预测时间比较长。建立集合经验模态分解(EEMD)-自动编码器(AE)-长短期记忆网络(LSTM)的组合预测模型用来预测生活用电短期负荷。采用EEMD算法将负荷数据分解为有限个本征模态分量(IMF)和一个残差分量,与自动编码器训练得到的特征序列组合,并建立LSTM模型预测线性加权产生最终预测结果。实验结果表明,相对于其他模型,EEMD-AE-LSTM模型的预测精度更高,是一种较为有效的生活用电短期负荷预测方法。

基于动态加权的集成DAE的旋转机械故障诊断

为了提升鲁棒性和泛化性,并且考虑各种深度自动编码器的互补性能,提出了一种基于动态加权的集成深度自动编码器的旋转机械故障诊断。结合稀疏深度自动编码器,降噪深度自动编码器和收缩深度自动编码器三种模型来构造集成深度自动编码器,提升处理冗余信息、噪声破坏和信号扰动的能力。为了增强识别性能,提出了一种动态加权平均方法来聚合学习特征。在自吸离心泵数据集和电机轴承数据集上进行了实验验证,结果显示提出方法的测试精度分别达到100%、99.69%和99.92%。通过与其他方法的比较,证明了提出的故障诊断方法的有效性。

基于AE-MFCM技术的电力用户响应特性分析方法

对电力用户用电特性的正确分析是实现电力系统高效运行和增值服务的关键。本文提出一种基于自动编码器与改进模糊C均值聚类算法结合技术的用户响应特征分析方法。首先,对用电模式进行聚类来确定用户的行为特性,利用自动编码器和改进模糊C均值聚类算法实现特征提取和数据处理。然后,基于用户用电模式的分类结果,利用神经网络等智能算法对每类用户进行需求响应建模,拟合激励信号与用户响应量之间的关系,获得准确反映用户需求的响应特性与响应能力。最后,通过某实际电网数据验证了该方法的有效性。

基于FCNN和ICAE的SAR图像目标识别方法

近年来,基于卷积神经网络(Convolutional Neural Network, CNN)的合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标识别得到深入研究。全卷积神经网络(Fully Convolutional Neural Network, FCNN)是CNN结构上的改进,它比CNN能获得更高的识别率,但在训练过程中仍需要大量的带标签训练样本。该文提出一种基于FCNN和改进的卷积自编码器(Improved Convolutional Auto-Encoder, ICAE)的SAR图像目标识别方法,即先用ICAE无监督训练方式获得的编码器网络参数初始化FCNN的部分参数,后用带标签训练样本对FCNN进行训练。基于MSTAR数据集的十类目标分类实验结果表明,在不扩充带标签训练样本的情况下,该方法不仅能获得98.14%的平均正确识别率,而且具有较强的抗噪声能力。

基于VAE-OCCA的质量相关故障检测方法研究

由于闭环反馈系统的存在,并不是所有故障均会导致质量发生恶化。质量变量通常难以获得或具有一定的延迟,传统的无监督方法不能在检测过程是否正常的同时判断故障对质量的影响。典型相关分析(canonical correlation analysis,CCA)是一种经典的有监督方法,可以考虑输入输出间的关系,已被用于质量相关故障检测。然而,过程数据存在着维度高、非线性等问题,流程系统的复杂性使得CCA对于隐藏特征的捕获更具挑战性。提出了一种变分自编码器-正交典型相关分析(variational automatic encoder-orthogonal CCA,VAE-OCCA)方法。首先,利用变分自编码器对输入数据进行无监督自适应学习,实现对高维非线性过程变量的特征提取;进而,基于典型相关分析方法考虑输入输出关系,利用得到的相关系数矩阵进行奇异值分解建立质量相关和质量无关监测统计量;最后,通过工业案例测试说明提出方法的有效性及优越性。

基于AE-CLSSA-ELM的煤与瓦斯突出危险性预测模型

为了有效挖掘煤与瓦斯突出数据的非线性关系,提高煤与瓦斯突出危险性预测精度,提出1种基于自动编码器(AE)-改进麻雀搜索算法(CLSSA)-极限学习机(ELM)的预测模型。首先,在分析煤与瓦斯突出影响指标之间相关性的基础上,采用AE算法提取特征,降低数据复杂度;然后,基于麻雀搜索算法(SSA),引入Tent混沌映射和Levy飞行策略改进设计CLSSA;最后,利用CLSSA优选ELM的输入层权值和隐藏层阈值,构建煤与瓦斯突出预测模型对AE降维后的数据训练、测试,并与其他模型对比。研究结果表明:经AE特征提取后,ELM预测准确率提高了11%,且各类的错判数得到减少;基于AE-CLSSA-ELM的煤与瓦斯突出预测模型准确率为98.5%,F1值为97.87%,预测效果优于其他对比模型。研究结果可为煤与瓦斯突出事故的防范提供参考。

基于AES加密的通信敏感信息窃取防御控制方法

为了提高无线传感网络通信敏感信息的安全性,提出基于AES加密的通信敏感信息窃取防御控制算法。构建无线传感网络通信敏感信息传输信道模型,结合传输编码序列,结合通信敏感密钥传输协议构建敏感信息的安全编码模型,结合模糊差分信息融合方法,得到对称加密协议下敏感信息的完整密钥以实现密钥优化设计,利用线性加密控制分析输出离散统计特征量,通过AES加密和解密算法,进行网络通信敏感信息的防窃取控制和结构重组,通过防御控制迭代进行收敛控制,从而实现通信敏感信息窃取防御的优化控制。仿真结果表明,采用该方法进行敏感信息窃取防御控制的加密轨迹线输出稳定、加密防御响应时间短,表明该方法的抗攻击能力好。

基于AES算法的敏感数据库智能加密方法研究

为了提高敏感数据库存储信息安全性,需要进行敏感数据库智能加密设计,提出基于AES算法的敏感数据库智能加密方法,构建敏感数据库信息加密的安全密钥,采用算术编码设计方案进行敏感数据库存储信息的自适应特征分类和向量量化编码设计,在高级加密标准协议(AES)下进行敏感数据库存储数据加密的循环码重构和分组加密设计,构建加密和解密密钥,将敏感数据库智能加密循环码译码的明文进行特征分块重组,采用随机抽样方法进行敏感数据库存储信息的样本空间重构,结合密钥协商校验和椭圆线性编码方法,实现高敏感数据库存储的多层加密设计。仿真结果表明,采用该方法进行敏感数据库存储信息加密的抗攻击能力较强,加密的安全性较好,提高敏感数据库存储的安全性。

基于AE-LSTM网络模型的机场周界入侵报警及分类算法

针对传统的机场周界入侵报警系统存在的恶劣气象条件下误报率高、不能区分入侵类别等问题,提出了一种自编码长短时记忆(AE-LSTM)网络模型;提取输入信号的隐含编码特征,构建融合时序信息的特征向量矩阵,降低网络模型的复杂度。网络模型的性能评价结果表明,该模型的误报率低,振动状态分类准确率高,且复杂度低,具有很好的实际应用前景。

CASS全野外数字简码自动绘图在多测合一测绘中的应用

随着国家大力推进多测合一的测绘和数字测图技术的不断进步,对多测合一中涉及到的基础性的测图数据精度的要求也日益增长,在之前的地形图测绘工作当中,图解法是采用较为广泛的方法,但是这种方法存在成图效率低、易出错等问题。CASS全野外数字简码自动绘图是指在全站仪或者RTK进行数据采集坐标的时候,给予每个点赋予一个数字编码并输入到仪器中,然后计算机CASS软件依据输入的编码数据进行自动或者半自动展点并连线,最终成图。采用简码绘图能更好地提高工作效率以及成图精度。

结合栈式监督AE与可变加权ELM的回归预测模型

在现代工业生产过程中,许多关键变量与产品质量或生产效率密切相关,关键变量的实时监测是实现利润最大化及节能降耗的有效途径。针对回归预测任务中目标特征提取不全面、预测精度较低等问题,提出一种基于栈式监督自编码器与可变加权极限学习机的回归预测模型。通过堆叠多层自编码器并在每层自编码器中添加回归网络,同时以有监督方式对栈式自编码器(SAE)进行逐层预训练,得到与输出变量相关的特征表示。利用反向传播算法对网络参数进行微调,优化自编码器模型参数。在分析提取特征与输出变量的相关性基础上,对极限学习机(ELM)的输入权值和偏置进行加权得到预测结果。实验结果表明,与基于ELM和SAE-ELM的回归预测模型相比,该模型在多晶硅铸锭的G6产品数据集上的均方根误差降低0.0567和0.0112、决定系数提高0.4893和0.2903,具有更高的回归预测准确性及更强的鲁棒性与泛化性能。

全自动石墨消解-ICP-AES法同时测定葡萄酒中铅、铜、铁、锰的研究

对用全自动石墨消解-ICP-AES法同时测定葡萄酒中铅、铜、铁、锰的方法进行研究。选择硝酸作为测定介质,并对测定介质的浓度、石墨消解温度、浓缩体积和ICP-AES条件等方面进行方法优化。利用建立的方法测定,葡萄酒中铅、铜、铁、锰的检出限分别为0.01 mg/L、0.002 mg/L、0.05 mg/L、0.002 mg/L,RSD在0.55%～1.03%,回收率在87%～110%。该方法可以实现仪器自动操作,污染低,操作简便、快速,基体干扰小,灵敏度高,结果准确,适合大批量样品的同时测定。

AES算法的文件传输自动加密系统研究

在军网中的局域网内发送文件时,一直是以明文的形式进行传递,如果电脑存秘密文件,直接传递容易受到中间人攻击,并且在打印时对文件没有保护,从而暴露秘密文件。针对以上问题,通过研究AES算法的加密原理,提出一种基于AES算法自动加密的文件传输系统,系统中的每台主机设置一个密钥,当发送文件时,自动完成加密,接收端只有在发送端授权下或者拥有发送端的密钥才能查看。通过AES算法对文件进行加密避免秘密文件内容外泄,通过分析需求和实际问题,本系统拥有良好的加密效率和实用性。

基于AES信号用户信息位编码器的设计

通过对发射台信号监测现状和AES信号结构的分析,阐述AES信号用户信息位的特定用途,提出在AES信号用户信息位中插入识别信息的专业编码器设计方案,设计了电平转换电路、FPGA用户信息位解读、用户信息插入以及ARM微处理器控制电路,给出了较完整的解决方案。该系统配合解码器能对传输的音频信号进行智能化实时监测和自动报警,解决数字音频信号的传输、解码等错误而引起的误播错播。

基于信息融合和SSAEN的变压器故障诊断方法的研究

在当前所有的电力设备中,变压器的作用最为重要,电能转换和传输都需要变压器来完成,因此对变压器可能存在的潜伏性故障进行诊断是当前研究的热点。传统的研究方法对于变压器的故障数据要求苛刻,并且诊断的效果不佳,无法利用油色谱分析仪检测到的大量无标签数据。本文提出一种基于信息融合的变压器诊断新方法,将DS证据理论与堆栈稀疏自动编码器网络(Stack Sparse Automatic Encoder Network,SSAEN)进行结合,通过层层贪婪无监督训练的方法,充分利用检测到的无标签数据来训练诊断模型,再通过参数调优,最终训练出的诊断模型经过试验测试诊断正确率为96.7%,远高于传统的诊断方法。

ZQZ-AE型区域自动气象站中心站架设与维护

介绍了ZQZ-AE型区域自动气象站数据采集中心的架设过程,总结了丽水自动气象中心站在日常管理和维护中的一些做法和经验,并对近年来中心站出现的一些典型故障及处理过程进行了分析。

基于数据驱动的配电网无功优化

传统无功电压控制由于分布式电源、储能以及柔性负荷的接入面临计算速度和精度上的挑战。该文提出了一种基于数据驱动的配电网无功电压优化方法,通过跟踪实际系统的运行参数,实现无功电压的主动控制。在极限学习机中引入自动编码器构建深度学习机制,利用自动编码器建立极限学习机输入-输出的直接耦合关系,实现无监督学习和有监督学习有机结合,缩短训练模型的迭代过程;利用蒙特卡洛法基于分布式电源、负荷预测信息构建配电网运行场景,利用深度极限学习机挖掘运行场景优化运行与无功调压设备状态间的内在联系,建立电网运行场景与系统无功调压策略的映射关系。该文提出的基于数据驱动的无功优化方法不依赖实际系统潮流计算,能够实现配电网运行状态的跟踪和无功调节设备的优化调度,为配电网无功电压的主动控制打下基础。

基于SAE的深度过程神经网络模式识别与预测

非线性复杂时变信号模式分类是信号处理和人工智能研究领域的重要课题。将稀疏自动编码器(SAE)与过程神经网络(PNN)栈式叠加,构建了一种深度过程神经网络模型(DPNN)。在传统深度神经网络无监督逐层初始化与梯度下降相结合的算法基础上,通过引入一种时变输入信号和连接权函数,基于一组正交函数基,建立DPNN的综合训练算法。DPNN模型可保持样本特征的多样性,有效提高对信号结构特征的提取能力和不同类别样本特征的区分度。将传统深度神经网络在信息处理机制上扩展为时间域,实现对时变信号直接分类处理,应用于心脑血管疾病的预测分析和处理取得了良好结果。