基于通道融合的Res-CNN-LSTM电网虚假数据注入攻击检测

针对电力系统的网络攻击事件越来越多,信息物理安全问题已经引发电力公司和学术界的高度关注。为了能够正确检测电网虚假数据注入攻击,本文提出一种基于残差神经网络(ResNet)结构的一维卷积神经网络(1DCNN)和长短期记忆(LSTM)网络多通道融合网络模型,简称通道融合的Res-CNN-LSTM网络模型。该神经网络算法利用1DCNN和LSTM对时间序列信息的高效提取能力,将不同通道上提取的信息进行融合,进一步加强了数据特征的提取效果,同时网络模型主体采用残差跳跃连接的结构来解决神经网络在训练过程中的过拟合问题;在IEEE-14和IEEE-118节点测试系统进行模型仿真实验,并对比其他神经网络模型,结果验证了本文所提方法的有效性和准确性。

基于非均匀分簇的网络多通道数据融合共享系统

为了避免数据融合共享过程因受到热区的影响而出现汇聚节点和共享数据少的问题,设计基于非均匀分簇的网络多通道数据融合共享系统。在数据融合模块中,依据Grobeis准则预处理数据,将数据全部汇聚到融合池。在数据共享模块中,根据数据库模板间的映射关系,通过统一接口分发多通道数据。通过引入竞争半径实现非均匀分簇,避免数据融合共享过程受到热区影响。针对融合窗口内的两个节点中心的子带数据,通过区分可信和不可信数据,避免冗余数据影响融合结果。将数据汇聚到下一跳簇间路由,即可实现数据共享。实验表明,该系统汇聚节点最大接收量为86×10^(3)个,最大共享数据量为85×10^(3)个,说明该系统能够高效融合和共享多通道数据。

结合多通道MTF和CNN的框架结构损伤识别方法

为提高复杂框架结构损伤识别的准确率,提出了一种基于多通道马尔可夫变迁场(multi-channel Markov transition field,简称MCMTF)和卷积神经网络(convolutional neural network,简称CNN)的框架结构损伤识别方法。首先,采用MCMTF理论将原始一维振动信号转换为二维图像,实现数据升维和多通道数据融合;其次,以MCMTF转换后的图像数据集作为输入训练CNN模型;最后,经调参优化自动提取损伤敏感特征,并实现损伤识别。将该方法应用于IASC-ASCE Benchmark框架结构数值模型及3层钢框架结构模型试验,对比研究了多通道MTF、单通道MTF和原始数据矩阵3种数据输入方式,CNN、长短时记忆(long short term memory,简称LSTM)神经网络和深度神经网络(deep neural network,简称DNN)3种网络模型,以及噪声对框架结构损伤识别准确率的影响。结果表明:MCMTF与CNN结合方法的损伤识别准确率最优且具有良好的鲁棒性,其对Benchmark框架数值模型模拟损伤的识别准确率可达94.4%,对3层钢框架试验模型实际损伤的识别准确率可达98.4%。

卫星多通道异构遥测数据融合分析与比对方法

遥测数据是航天器研制阶段最重要的产品成果之一,是检测航天器功能及性能指标、验证航天器各系统研制成果,以及分析在轨测试数据的重要基线。航天器各通道的遥测数据的正确性和有效性显得尤为重要,本文提出一种卫星多通道异构遥测数据融合分析与比对方法,实现多通道异构遥测数据的预处理、融合分析、融合比对等,解决了直接人工判读效率低和准确性差的历史问题,有效提升卫星综合测试和在轨监视的数据分析效率。

基于知识图谱的多源异构信息通道耦合技术研究

政务数据资源来源广泛、类型多样、数据量大且分布情况不清晰,缺乏统一管理,数据获取和使用效率较低,无法持续释放数据价值。为解决上述问题,实现不同来源和不同类型数据的关联融合,该文采用多源异构数据融合技术,为政务数据的交换和共享提供技术支持。该文不仅提出了信息通道和通道耦合的概念,还提出一种基于知识图谱的多源异构信息通道耦合的方法,可先实现多源异构数据统一化,再进行数据融合。该方法包括构建初始通道耦合知识图谱、基于通道耦合知识图谱实现通道数据耦合和基于通道耦合知识图谱实现知识更新3个模块。基于知识图谱的多源异构信息通道耦合的方法将图谱构建、知识抽取、知识融合、知识加工、知识更新等技术相结合,通过一种自顶向下的排序检索模型,加快了知识融合和数据检索的速度和准确度。

基于多渠道融合的智能故障预测技术

近年来,随着大数据和人工智能技术的不断发展,基于日志数据的智能故障预测方法逐渐受到关注。传统的基于日志数据的故障预测方法仅关注单一的需求属性,难以面向多维度预测需求进行适配调整。针对该问题,提出一种多渠道融合的智能故障预测模型Multi-Det,该模型采用机器学习和深度学习相融合的调度方式。通过特征提取和数据融合,面向用户不同属性需求进行系统模型适配,优化特定场景下的故障预测准确性和可靠性。为了验证Multi-Det的有效性,在公开数据集下对多个场景下的需求参数进行了实验对比,结果表明该方法能够有效适配不同故障预测需求,在特定场景下智能调整预测策略,为专业领域设备的维护和管理提供有力支持。

一种多通道探地雷达数据实时融合方法

针对不同工程实例的需求,采用新的处理方法,使多通道探地雷达能在一个视图中实时输出所有通道信息。该方法以数据融合技术为基础,具体实现分为三步:首先,进行带通滤波、时空校准和坐标转换等预处理;然后,采取信息熵这一度量参数和加权平均的融合准则进行实时计算;最后,利用自动增益对融合数据补偿、增强。多通道探地雷达数据实时融合结果能同时显示所有通道检测到的目标或异常,根据各通道信息熵的大小,能在发现目标的同时进行快速定位。该方法使多通道探地雷达的数据显示突破了传统方式的局限性,改善了滞后性,满足了工程应用对目标快速定位的要求。

多模态传感器系统在河槽边坡地貌测量中的应用

河槽边坡地形的观测是河流边坡侵蚀和稳定性研究的基础。2016年洪季,利用三维激光扫描仪、多波束测深系统、RTK、差分GPS等仪器组成的多模态传感器系统,对长江下游铜陵段窝崩边坡和马鞍山段侵蚀型河漫滩边坡进行了联合地貌测量,对边坡陆上、水下高精度三维地形点云数据进行了融合研究,成功实现了边坡陆上水下三维地形的一体化和可视化。结果表明,多模态联合测量手段及三维点云融合方法能够获取较高分辨率的河流边坡陆上与水下一体化三维地貌模型,利用该模型可对边坡整体地貌特征进行定量计算分析,实现对河流险段的监测与稳定性评估,具有一定的工程意义。

基于数据融合的多通道光纤位移传感器

基于多传感器数据融合理论,构建了一种多通道光纤位移传感器。用一根光纤作为输入通道,三根光纤作为输出通道,每两通道构建一个双通道光纤位移传感器。对不同双通道传感器输出进行数据融合处理,拓宽了传感器的测量范围。对传感器测量结果进行归一化处理,得到传感器的多条输出特性曲线;然后从获得的多条输出特性曲线中选取合适的区域作为传感器的工作区间;最后,分别采用回归分析和神经网络算法对选取的工作区间进行数据融合处理,并讨论了它们的适用范围和优缺点。实验结果表明,多通道光纤位移传感器结合适当的数据融合方法,提高了系统的测量精度和稳定性,采用径向基函数(RBF)神经网络法得到的最大相对误差小于1.0%。三个通道融合后,光纤位移传感器的动态范围扩展为双通道的1.5倍。

多站点组网的实时遥测数据选定技术

在大空域远距离的多站点组网的实时遥测监控网络系统中,通过对多个遥测地面站的PCM数据进行同步处理、信号有效性分析、数据传输时延平衡等,实现了实时数据的最佳源选定和融合处理功能,经过实验室仿真和实际飞行试验应用证明,融合效果良好,确保了遥测数据优质、连续、稳定和可靠。

基于小波多分辨率分析的多通道遥感图像数据融合方法及实现

对同一目标的多波谱遥感图像进行融合,是富集有用信息、提高图像空间分辨率和解译水平的有效手段。本文提出了基于小波多分辨率分析的多通道遥感图像数据融合的原理、方法及实现过程。实例分析其结果良好。

航空吊放声呐多通道检测的数据融合方法

针对航空吊放声呐系统提出了一种多通道信号检测的新方法，讨论了在连续波（ Ｃ Ｗ）信号和调频（ Ｆ Ｍ）信号两种工作方式下这种方法的性能，并与现有的方法作了比较，分析和仿真实验结果表明，这种方法对弱信号检测有２～３ ｄ Ｂ的性能改善，而且提高了目标的测速精度。

近期长江下游典型河漫滩边坡稳定性分析

河槽边坡的侵蚀和稳定性关乎航运和防汛安全。利用多模态传感器系统对长江马鞍山段河漫滩边坡的沉积、地貌和水动力特征进行水陆联合测量和高精度一体化三维地形数据的融合研究,并基于BSTEM模型进行横断面安全系数计算,对边坡稳定性进行评估。结果表明:该边坡上层为黏性土,下层为非黏性砂;横断面陆上坡度约0.09,水下坡度0.22～0.88,安全系数为1.18～1.72,并随退水期水位的下降而减小;该河段主流左摆,边坡在高速水流的淘刷作用下不断侧切并形成冲刷坑,导致了近岸地形的不连续性,局部边坡存在失稳风险,建议加强退水期边坡的监控和失稳预防。

基于ARM和FPGA的双核电磁无损检测系统

针对飞机发动机涡轮叶片缺陷检测难度大、效率低、严重制约航空装备保障的问题,设计一套基于ARM和FPGA的双核电磁无损检测系统。该系统采用FPGA结合A/D采样芯片完成64通道数据采集,并以基于android系统的ARM实现对各功能单元的控制。FPGA控制A/D采样芯片完成传感器阵列的高速数据采集并对其进行预处理,经UART接口送给ARM后,再由ARM完成信号特征提取和缺陷检测,并实现三维实时成像。测试结果表明:该系统对微裂纹的长度检测误差<0.2 mm,成像速率达10帧/s,满足工业应用需求。

基于深度学习的船舶机械微小故障快速诊断方法

微小故障的快速诊断是预防和减少重大显著性故障发生的关键。近年来,基于卷积神经网络(CNN)的智能诊断方法已成为船舶机械领域研究的热点。然而,现行的基于图像处理框架的2D-CNN算法在处理多传感器、多通道故障数据时存在检测时间长、数据融合效率低的不足。为此,提出一种改进的1DCNN-GAP的深度学习新算法,用于船舶旋转机械的故障快速诊断。该方法首先引入1D-CNN处理多传感器数据融合问题,然后设计了一维全局均值池化层(1D-GAP)改进全连接层结构,减少传统CNN的模型参数量和诊断时间。通过将提出的方法用于滚动轴承在1马力、2马力和3马力多种负载工况下的2通道振动传感器故障监测数据进行诊断,诊断精确率分别为99.84%、99.51%和99.33%。通过与主流的SVM、KNN、DNN和2DCNN-FC算法进行对比验证,结果表明,所提方法具备更加优越的诊断性能,更适用于多传感器监测环境下微小故障的快速诊断。

基于多道线性激光的带式输送机纵向撕裂检测

煤矿井下环境昏暗、潮湿、粉尘大,采集的监控视频图像模糊,导致输送带纵向撕裂识别难度大,且现有研究成果仅关注有无纵向撕裂,未涉及撕裂损伤定位及趋势跟踪。提出一种基于多道线性激光的带式输送机纵向撕裂检测方法:采用矿用本安型结构光发射器向输送带表面投射多道线性激光、矿用本安型工业相机拍摄线性激光条纹图像,通过提取激光条纹中心线并分析其特征,判断单帧图像是否存在纵向撕裂损伤,存在损伤时搜索损伤边界点并计算损伤宽度、深度特征值;融合多帧图像检测结果及速度传感器数据,计算完整纵向撕裂损伤长度、平均宽度、平均深度;通过检测输送带上的标志物位置定位撕裂损伤纵向位置,求取损伤起点在输送带上的位宽占比定位横向位置,并基于纵向位置实现损伤趋势跟踪。设置输送带纵向撕裂损伤长度分别为0.73,0.95 m,平均宽度为0.01 m,平均深度为0.008 m,采样速率为25帧/s,对该方法进行测试,结果表明该方法能够准确检测带式输送机有无纵向撕裂,损伤长度计算误差平均值为0.06 m,损伤平均宽度、平均深度计算误差平均值为0.001 m,纵向定位误差不超过0.1 m,并可准确判断纵向撕裂发展趋势。

基于多源数据融合的智能通信组网低时延传输技术

针对当前智能通信组网传输方法存在传输丢包率高、输出时延长、传输精度低的问题,提出基于信道均衡的多源数据融合的智能通信组网低时延传输方法。采用分层分布结构,构建智能光纤通信组网结构模型,分析智能光纤通信组网传输数据特征,获取智能光纤通信输出信道均衡控制模型,估计通信组网低时延传输参数。利用信道均衡控制技术,结合多源数据融合方法,得到智能通信组网信号融合和特征识别输出,抑制智能光纤通信组网传输干扰,实现智能通信组网低时延传输。实验结果表明,所提方法的智能通信组网输出时延较短,能够有效降低传输丢包率,传输精度较高。

基于多通道雷达数据融合的人体心率精准测量

为实现人体心率的非接触式测量并提高其测量的精准度,本文提出一种基于多通道雷达数据融合的人体心率测量方法。雷达数据首先依次对每个通道数据进行人体位置识别、相位提取与解缠绕、相位差分、功率谱熵优化的带通滤波以及快速独立成分分析提取。再将四通道数据叠加融合后,使用霜冰优化的变分模态分解分离出心跳信号。最后引入线性调频Z变换进行心率估计。经过40组数据验证,本文方法的平均均方根误差为2.35次/分,平均错误率为2.39%,皮尔逊相关系数为0.97,置信区间为[–4.78,4.78]次/分,一致性误差为–0.04次/分。实验结果显示,本文提出的测量方法在准确性、相关性、一致性方面表现出色,能够实现人体心率的精准测量。

基于云计算的信息化网络多通道数据快速融合方法

为了获取满意的数据快速融合结果,提出一种基于云计算的信息化网络多通道数据快速融合方法。通过云计算中的MapReduce对信息化网络多通道数据预处理,删除冗余数据。经过预处理后,将深度自编码器分层部署在信息化网络分簇结构中,将数据输入到深度自编码器模型中,提取信息化网络多通道特征数据,同时将数据传递至汇聚节点,实现信息化网络多通道数据快速融合。实验结果表明,通过所提方法可以有效提升数据融合精度和数据完整性,降低能耗和端到端传输延迟。