结合遗传算法的RF-DBN入侵检测方法

针对目前不平衡数据集少数类攻击样本识别率较低的问题,提出一种BorderlineSMOTE、随机森林和遗传算法(genetic algorithm,GA)-深度信念网络(deep belief network,DBN)相结合的入侵检测方法。首先采用BorderlineSMOTE对少数类样本进行过采样,减少数据集的不平衡度;然后使用随机森林算法实现正异常数据分类,筛选出异常数据;最后采用经GA优化的DBN网络对异常数据进行进一步分类。使用网络安全数据集CICIDS2017进行验证,该方法的准确率达到了99.85%,而且少数类样本的识别精度也有明显提高。

基于CS-DBN的锂电池剩余寿命预测

为了更准确地对锂电池剩余使用寿命进行预测,提出一种基于布谷鸟算法(CS)和深度信念网络(DBN)的预测模型。首先,引进16个影响锂电池RUL的健康因子(HI),通过随机森林(RF)选择出对于剩余寿命预测较为重要的9个HI。随后用CS去寻优深度信念网络模型中隐藏层的参数,通过寻优,建立最优的深度信念网络预测模型。最后,使用马里兰大学所收集的电池数据(CALCE)进行实验,结果表明:所提出的CS-DBN模型的拟合优度高达98%,且与其他模型的预测结果进行对比,具有更小的误差,验证了所提方法的有效性。

基于GRACE数据重建的黄河流域实际蒸散发及其时空演变特征分析

利用多种深度学习方法对重力场恢复与气候试验(GRACE)数据进行插补,利用随机森林算法对GRACE数据进行空间降尺度,基于水量平衡方程计算黄河流域实际蒸散发,并采用4种蒸散发产品进行验证,进而分析黄河流域实际蒸散发的时空演变规律。结果表明:长短期记忆神经网络的整体插补精度优于深度神经网络和卷积长短期记忆神经网络;基于GRACE数据估算的实际蒸散发与4种蒸散发产品的平均相关系数为0.903,表明基于GRACE数据估算的实际蒸散发结果适用性较好;2003—2021年黄河流域多年平均实际蒸散发为144.38~775.62 mm,空间上呈南多北少的分布特征,时间上呈夏多冬少的季节变化特征,2003—2016年以2.51 mm/a的速率上升,2017年后呈下降趋势。

基于联邦学习的无线通信网络DoS攻击检测方法

无线通信网络受到DoS攻击,会使得网络的负载增加,导致延迟增加。而在无线通信网络中,数据通常分散在多个节点上,这会造成数据泄露和被攻击。为此,提出一种基于联邦学习的无线通信网络DoS攻击检测方法。对初始无线通信网络数据进行预处理和归一化,并采用随机森林算法进行降维处理,去除冗余特征,获得最佳网络数据特征集。将特征集输入到以深度卷积神经网络为通用模型的联邦学习训练模型中,独立训练本地模型并进行模型修正,传输至中心服务器进行聚合,收敛后完成训练。利用训练得到的联邦学习模型检测无线通信网络DoS攻击速率,再与接收者接收的容量最大值进行比较,判断是否有DoS攻击。实验结果表明,所提方法在处理大量数据时具有较高的稳定性和可靠性,能够在短时间内准确地检测出DoS攻击。

基于深度学习和多组学数据的肺腺癌分期预测研究

为解决癌症分期难以精准决策这一问题,对452例肺腺癌患者的信使核糖核酸(mRNA)转录数据、微核糖核酸(miRNA)转录数据和DNA甲基化3种组学数据进行集成融合,并采用随机森林算法进行分期预测。首先对从癌症基因组图谱(TCGA)数据库获取的3种组学数据进行预处理,将mRNA转录数据和DNA甲基化数据进行基因位点匹配,再使用4种不同的多组学集成策略对预处理后的组学数据进行集成,最后使用随机森林算法对集成后的数据进行分期预测并使用准确度、卡帕系数以及曲线下面积(AUC)作为预测效果的评价指标。研究结果显示,采用多组学集成策略在分期预测上具有更高的准确率,其中基于深度学习的集成策略的预测效果最好,评价指标分别为0.940、0.931和0.986,有希望应用于未来的肺腺癌分期预测中。

基于大流量止回阀实验系统的快速预测模型

针对传感器在数据获取中的局限性和无法用于对实验系统进行全面的数据收集问题,对大流量止回阀实验系统的快速预测模型技术进行了研究,建立了实验系统的快速预测模型,进行了快速预测模型的结果分析。首先,搭建了实体模型,根据大流量止回阀实验系统的结构,结合实验系统的工作原理对其进行了简化,并进行了有限元分析;然后,利用快速预测模型的关键技术构建了实验系统数据库,进行了实验系统的样本采集;通过比对不同机器学习算法的预测准确率,选择了随机森林算法,并建立了实验系统内压与应力应变的关系;最后,进行了快速预测模型的结果分析,并完成了实验系统整体预测实验和实验系统部件单独预测实验。研究结果表明:采用随机森林(RF)算法建立的快速预测模型,拟合优度(R 2)达到了0.99,相较于深度神经网络(DNN)算法和梯度提升树(GBDT)算法,拟合优度(R 2)提高了68.97%和51.47%。实验系统整体预测与实验系统部件单独预测的对比试验结果表明:整体预测模型的预测速度更快,且精度可以达到97.43%。

基于电流信号和深度强化学习的电机轴承故障诊断方法

通过机理分析,确定电机电流中存在轴承的故障特征;利用电流信号的统计学指标完成对轴承故障特征的提取,并采用随机森林判断各统计学指标与轴承故障的关联程度;将筛选后的特征指标作为深度强化学习网络的输入,得到电机轴承的故障诊断模型。实例分析结果表明,所提方法具有较高的准确率和泛化能力。

基于深度随机森林算法的短期用户负荷预测——以金华地区为例

通过网络爬虫获取天气数据,并结合金华市用户负荷数据,采用深度随机森林算法对用户负荷进行短期预测。借助4种评价指标,通过对比支持向量回归算法、K近邻算、贝叶斯岭回归算法、随机森林算法以及多个深度神经网络算法,发现深度随机森林算法预测效果最佳,支持向量回归算法次之,而深度神经网络算法在该数据集上表现一般。

基于随机森林算法和粗糙集理论的改进型深度学习短期负荷预测模型

精准的电力负荷预测有利于保障电力系统的安全、经济运行。针对现行预测算法存在的预测准确度低、模型耗时长等问题,提出一种基于随机森林(random forest,RF)算法和粗糙集理论(rough set theory,RST)的改进型深度学习(deeplearning, DL)短期负荷预测模型(RF-DL-RST)。该模型首先基于历史数据,利用随机森林算法提取影响负荷预测的关键特征量;然后将关键特征量和历史负荷值作为深度神经网络的输入、输出项进行训练,并通过粗糙集理论修正预测结果。最后,通过算例进行仿真验证,结果表明,该模型的预测准确度比单一的深度学习模型及不进行预测修正的模型更高。

基于随机森林和粒子群算法(RF-PSO)的泸州区块页岩气压裂施工参数优化

为了充分认识四川盆地南部地区泸州区块深层页岩气主体压裂施工参数的适应性,为其深层页岩气压裂施工参数的进一步优化提供参考,以该区块80口页岩气生产井为研究对象,结合储层静态物性参数,分析了各因素与前三个月累计产量的相关性,并利用随机森林算法建立产能预测模型,再以区块地质参数均值作为基准指标,通过粒子群算法,寻找模型最优产量的压裂施工参数组合。研究结果表明:①与前期产量相关性最高的三个参数分别是:含气量、脆性矿物含量、用液强度;②有机碳含量、水平应力差、用液强度、液体携砂效率、平均簇间距是影响模型前三个月累计产量的主要影响因素;③模型给出的最优压裂施工参数组合中,平均段长、平均每段孔数和目前的设计情况较为一致,模型其余最优参数:施工排量15.6m^(3)/min、用液强度35m^(3)/m,加砂强度3.52t/m,簇间距7.3m,液体携砂效率11t/100m^(3),40/70支撑剂比例54%。结论认为:①泸州区块压裂施工参数优化方向主要是“控排量、提液量、增砂量、缩短簇间距、提高液体携砂效率及40/70支撑剂比例”;②给出了最优压裂施工参数组合,可以为泸州区块深层页岩气压裂方案设计提供借鉴和参考。

基于DBN-RF的配电网多能互补优化调度算法

为了解决由多种能源调峰无限制导致的配电网运行成本高的问题,提出了基于DBN-RF的配电网多能互补优化调度算法。利用深度置信网络设计多能互补耦合协调结构,并为鲁棒优化DBN模型提供上、下界,输出最优调度方案。使用RF随机森林算法进行总体协调度评价,以样本集信息熵计算结果为依据,统计子决策树的输出结果,将多目标决策问题转化为单目标优化问题,确定最终评价结果。实验结果表明,该算法总成本最低,与基础成本相比少112.8万元,且输出的有功功率基本与理想出力一致,说明利用该算法可以实现配电网经济性与鲁棒性的平衡。

基于深度神经网络优化的继电保护系统故障定位分析

阐述深度神经网络的原理,深度神经网络优化,包括边界合成少数类过采样技术、随机森林算法筛选特征项、优化深度神经网络模型的应用,探讨基于深度神经网络的继电保护系统故障定位方法。

基于深度森林算法的分布式WSN入侵检测模型

针对现有的特征选择算法和分类算法在无线传感器网络(WSN)入侵检测系统中检测性能表现不佳、检测实时性差、模型复杂度高等问题,提出一种基于随机森林和深度森林算法的分布式WSN入侵检测模型.该模型首先对传感器节点流量数据进行预处理;然后将轻量级随机森林分类器部署到传感器节点和簇头节点,传感器节点和簇头节点合作对流量数据进行处理,并在基站上采用深度森林算法从大量流量数据中发现攻击行为;最后对WSN中的入侵行为进行实时分类入侵检测.使用无线传感器数据集WSN-DS和NSL-KDD数据集来评估所提出的模型性能.实验结果表明,该模型与现有的入侵检测模型相比,具有良好的检测性能,实时性较高,可避免模型过度拟合.

基于深度学习算法开发和验证的肝细胞癌预后预测模型:一项大样本队列和外部验证研究

目的基于深度学习算法开发和验证可评估肝细胞癌(hepatocellular carcinoma,HCC)患者预后的预测模型,并评估其价值。方法选择2011年1月—2015年12月美国国立癌症研究所的监测、流行病学和最终结果(Surveillance,Epidemiology and Results,SEER)数据库中经病理确诊的HCC患者为训练队列用于构建模型,选择同期在本院经病理确诊的HCC患者为外部验证队列用于评估模型。主要预测结局为1、3、5年总生存率。分别使用深度学习算法DeepSurv、随机生存森林(RFS)、Cox比例风险回归开发模型,使用C-index评价模型的区分度,一致性曲线评估模型的校准度,log-rank检验评估危险分层能力。结果训练队列9730例患者和外部验证队列405例患者被纳入分析。在训练队列中,DeepSurv算法1、3、5年的C-index分别为0.85(95%CI:0.80~0.90)、0.82(95%CI:0.77~0.89)、0.80(95%CI:0.73~0.87),在外部验证队列中分别为0.83(95%CI:0.78~0.87)、0.79(95%CI:0.74~0.83)、0.72(95%CI:0.67~0.77)。无论在训练队列还是外部验证队列中,DeepSurv算法的C-index和校准度均优于RFS、Cox回归和TNM分期(均P<0.05);log-rank检验显示,DeepSurv算法具有良好的危险分层能力(P<0.001)。结论基于深度学习算法DeepSurv开发的预测模型可有效预测HCC患者死亡率,且优于常规的算法和预后评价指标。

基于深度神经网络的异常财务数据识别方法

对财务异常数据的准确识别是保障医疗财务系统正常运转的重要途径。传统的检测方法使用统计学方法进行验证,该方法虽可以直观快速地筛选出异常数据,但是无法处理当前海量的数字化数据。针对上述问题,文中对传统随机森林模型进行修正,加入方差项以增强模型效果。同时,使用深度RNN网络对经过随机森林处理后的数据进行训练。实验结果表明,加入方差项的随机森林模型的F1值相较于其他算法均有2%以上的提升。同时,准确率和召回率也维持在较高的水平,测得的AUC值在对比算法中也是最高的。由此证明,文中所提出的深度神经随机森林模型具有良好的识别性能,同时也可对异常财务数据进行有效的校验。

大数据背景下高校招生策略预测

在应届高中生生源不断下降、高等院校招生规模不断扩大、招生方式多元化不断发展、各院校之间招生竞争日趋激烈的条件下,利用海量招生异构数据,准确定位生源对象,做好前期招生宣传是各高等院校需要考虑的重要问题。结合云计算技术,利用并行化计算模型MapReduce和内存并行化计算框架Spark对高校招生历史数据进行分析,提出采用并行化随机森林预测高校招生策略模型,缩短了模型的预测时间、提高了模型的预测精度、增强了模型对大数据的处理能力。实验结果表明,并行化随机森林算法在不同数据集上的多方面性能均优于常用的决策树预测方法。

一种基于生成式对抗网络的入侵检测系统攻击方法

基于深度学习的入侵检测系统能够进行流量特征分析来监测网络异常,并采取相应措施应对攻击。现有的相关攻击方案,依赖模型训练时对训练数据集的修改,可操作性较低。生成式对抗网络能够生成特定攻击样本,在应对其检测时,误导检测将其划定为正常网络行为的数据。通过构造一个能够将生成流量非攻击特征和攻击流量攻击特征结合的转换器,确保攻击样本具备攻击能力,攻击与非攻击特征的划分使用随机森林的特征选择作为依据。该方法能够绕开深度信念网络入侵检测系统的检测,形成有效的攻击。

一种基于DBN-RF的电网工控系统异常识别方法

电网作为国家关键基础设施,对其进行网络安全防护至关重要,而通过对电网工控系统流量预警可达到维护电网安全的目的。结合深度置信网络(DBN)和随机森林(RF)算法,提出一种电网工控系统异常识别方法。通过构建DBN模型完成对多个流量特征之间关联特性的深度挖掘,学习适用于电网工控系统流量的特征提取模式。在此基础上,将特征学习后的流量与恶意攻击流量输入RF检测模型,并逐步调优模型参数,学习得到最优检测模型。根据电网流量特性,从经典入侵检测数据集KDD99中筛选出相似数据集进行测试。实验结果表明,该方法检测率达到96.16%而误报率仅为3.49%,与逻辑回归模型、多分类支持向量机模型、DBN模型及K-means算法相比,能够更准确地识别电网工控系统中的异常流量。

基于深度学习的电网调控系统异常检测与多阶段风险预警

针对复杂电网调控系统中大部分风险预警技术存在准确率低的问题,提出了一种基于深度学习的电网调控系统异常检测与多阶段风险预警技术.在综合考虑系统异常类型的基础上构建了运行系统健康度评估指标.利用随机森林算法进行系统异常状态检测,并根据检测结果将系统状态分成轻压力区、拐点区和崩溃区3个阶段,结合人工神经网络模型预测系统运行状态的变化趋势并及时预警.仿真试验结果表明,3个阶段的异常检测率分别为94.53%、88.79%和80.12%,且在轻压力区的预测误差小于1%,拐点区预测误差低于10%,均优于现有异常检测与预警技术.

基于地震属性约简的深度学习储层物性参数预测:以莺歌海盆地乐东区为例

储层物性参数作为描述储层特性、储层建模和流体模式的重要指标,其准确估算可以为储层预测提供有力参考依据,但传统储层物性参数反演方法无法兼顾反演精度及空间连续性。针对上述问题,本文引入地震属性作为深度学习算法输入,针对地震属性之间存在的信息冗余特征,利用随机森林-递归消除法对地震属性进行约简预处理,最终建立一种基于地震属性约简的储层物性参数预测方法。实际数据测试结果表明,地震属性约简的深度学习储层物性参数预测结果具有良好的精度及横向分辨率,证实本文方法的有效性。