基于深度置信网络模型改进的数据中心温度场本征正交分解预测模型

本征正交分解(POD)是数据中心温度场降阶重构的一种常用模型,常规基于插值法获取模态系数的POD模型泛化能力较差。本文通过建立基于深度学习的深度置信网络模型(DBN),对POD模态系数计算方法进行了改进,提高泛化状态下POD模型预测温度场分布的准确性。研究结果表明,基于DBN改进后的POD模型(POD-DBN)的泛化能力大幅提高。与插值法获取模态系数的POD模型相比,POD-DBN模型在泛化状态下的平均相对误差下降至3%以内,平均绝对误差下降至0.5℃以内。利用POD-DBN模型,可以为数据中心空调系统的控制提供快速准确的温度场预测。

一类基于非线性PCA和深度置信网络的混合分类器及其在PM2.5浓度预测和影响因素诊断中的应用

传统的深度置信网络(Deep brief networks,DBN)在建立高维数据分类模型时,往往存在网络负荷大,运算复杂度高等问题.本文首先基于非线性PCA(NPCA)对高维样本数据进行降维,然后以提取到的非线性特征作为DBN的网络输入,构建了一类含非线性特征提取预处理机制的DBN分类器.并从信息熵理论的角度出发,证明了所提改进DBN分类器在网络结构和算法复杂度方面的优势.通过一个PM2.5浓度预测与影响因素诊断实例,验证了所提改进DBN在一类分类和影响因素诊断问题中的应用,并与传统的分类器进行对比,显示了所提方法在建模精度及收敛速度上的优势.

一种改进的深度神经网络在小图像分类中的应用研究

基于卷积神经网络和深度信念网络各自的优点,通过把卷积神经网络的局部感受野引入到深度信念网络的单层中,把深度信念网络的单层分成多个子RBM,提出一种改进的深度信念网络。分别用BP网络、卷积神经网络、深度信念网络和改进的深度信念网络对模型MNIST和Cifar-10数据库进行小图像分类识别实验;根据实验结果,改进的深度信念网络在Cifar-10库上错误率为30.16%,比卷积神经网络低了9%,比传统的深度信念网络低了40%;在MNIST上的识别错误率为1.21%,比传统的深度信念网络分别降低了16%,略高于卷积神经网络。试验结果表明改进的DBN网络在小图像分类应用中是有效的。

基于深度学习的大数据空气污染预报

为了更好地反映环境污染变化趋势,为环境管理决策提供及时、全面的环境质量信息,预防严重污染事件发生,开展城市空气质量预报研究是十分必要的。本文针对环境大数据时代下的城市空气质量预报,提出了一种基于深度学习的新方法。该方法通过模拟人类大脑的神经连接结构,将数据在原空间的特征表示转换到具有语义特征的新特征空间,自动地学习得到层次化的特征表示,从而提高预报性能。得益于这种方式,新方法与传统方法相比,不仅可以利用空气质量监测、气象监测及预报等环境大数据,充分考虑污染物的时空变化、空间分布,得到语义性的污染物变化规律,还可以基于其他空气污染预测方法的结果(如数值预报模式),自动分析其适用范围、优势劣势。因此,新方法通过模拟人脑思考过程实现更充分的大数据集成,一定程度上克服了现有方法的缺陷,应用上更加具有灵活性和可操作性。最后,通过实验证明新方法可以提高空气污染预报性能。

高斯混合生成模型检测健康数据异常

在智能穿戴设备普及的背景下,运动手环为全面地了解人们的身体状况提供了丰富的信息源,但是其提供的多维活动数据存在未知的异常值,因此需要进行异常值的检测。由于“维度灾难”,通过传统的方法进行密度估计十分困难,导致检测效果不佳。针对该问题,使用了一种高斯混合生成模型(GMGM)健康数据检测方法。首先,该模型利用变分自编码器(VAE)训练原始数据,并且通过降低重构误差提取潜在特征。然后,利用深度信念网络(DBN),通过潜在分布和提取的特征来预测样本的混合成员隶属度。接着,变分自编码器、深度信念网络与高斯混合模型(GMM)共同优化,避免了模型解耦的影响。高斯混合模型预测得到每个数据的样本密度,将密度高于训练阶段阈值的样本视为异常。在ODDS标准数据集上验证模型的性能,结果表明,相比深度自编码器高斯混合模型(DAGMM),GMGM的AUC指标平均提升了5.5个百分点。最后,在真实数据集上的实验结果也表明了该方法的有效性。

ICPS入侵检测深度学习混合模型

针对工业信息物理系统面临的网络安全问题,研究了一种基于深度学习混合模型的入侵检测方案。该方案将基于深度信念网络的无监督学习策略与基于支持向量机的有监督学习策略相结合,以实现工业信息物理系统入侵检测的半监督学习。对原始数据进行归一化处理并采用深度信念网络进行数据降维后,利用支持向量机进行入侵检测。使用MATLAB工具进行仿真,对以Modbus作为通信协议的监控与数据采集系统的真实数据进行测试。结果表明,与深度信念网络、支持向量机等算法模型相比,深度学习混合模型能显著提高异常检测的准确度。

基于深度学习的Wi-Fi网络入侵检测方法

提出一种基于深度信念网络(DBN)的Wi-Fi网络入侵检测模型。使用SMOTE算法对数据样本中的异常数据和正常数据进行数量平衡,使用降噪自编码网络(DAE)对平衡后的数据进行降维,消除无关或冗余特征降低检测建模规模。在AWID数据集上进行实验,实验结果表明,与其它基于浅层学习算法的检测方法相比,所提方法可有效精简数据特征,降低检测时间,在检测精度和误报率方面体现出了更优性能。