基于SCG优化SSAE-FFNN的电能质量复合扰动深度特征提取与分类

随着智能电网的发展,电能质量问题已遍布电网并威胁着电网的安全稳定,且电能质量监测数据日渐庞大,因此实现大规模系统中电能质量扰动(power quality disturbances,PQDs)的深度特征提取及智能分类识别对电力系统污染检测与管理具有重要意义。为此,文中提出一种基于堆叠稀疏自编码器(stacked sparse auto encoder,SSAE)和前馈神经网络(feedforward neural network,FFNN)的电能质量复合扰动分类方法。首先,基于IEEE标准构建PQDs仿真模型。然后,建立基于SSAE-FFNN的PQDs分类模型,并引入缩放共轭梯度(scaled conjugate gradient,SCG)算法对模型进行优化,以提高梯度下降速度和网络训练效率。接着,为有效降低堆叠网络的重构损失同时提取出深度的低维特征,构建SSAE的逐层训练集及微调策略。最后,通过算例分析验证文中方法的分类效果、鲁棒性、泛化性和适用场景规模。结果表明,文中方法能够有效识别电能质量复合扰动,对含误差扰动和某地市电网的21组实测扰动录波数据也有较高的分类准确率。

基于SSAE-IARO-BiLSTM的工业过程故障诊断研究

针对工业过程故障诊断精度低的问题,提出了一种基于栈式稀疏自编码网络(stacked sparse auto-encoder network, SSAE)和改进人工兔算法优化双向长短时记忆神经网络(improved artificial rabbit algorithm optimized bidirectional long short-term memory neural network, IARO-BiLSTM)的故障诊断方法。首先,利用SSAE网络强大的特征提取能力,实现对原始数据进行降维处理;其次,引入Circle混沌映射以达到丰富种群数量的目的,提出权重系数和Levy飞行机制改进人工兔算法的位置更新公式,提高人工兔算法的寻优能力,进而对BiLSTM网络的参数进行优化。最后,利用优化后的BiLSTM网络实现对故障的识别和分类。通过选取多组数据集进行验证,结果表明,基于SSAE-IARO-BiLSTM故障诊断方法能够准确地对故障进行识别和分类,且诊断准确率可达98%以上。

基于SSAE-SVM的滚动轴承故障诊断方法研究

针对现有滚动轴承故障诊断方法过度依赖于有监督学习算法的问题,提出一种基于堆栈稀疏自编码和支持向量机(SSAE-SVM)的滚动轴承故障诊断方法。利用堆栈稀疏自编码(SSAE)的频域深层特征学习能力,对轴承故障特征进行快速傅里叶变换和批归一化处理,再输入到SSAE网络。所构建的SSAE网络通过贪婪算法逐层训练,使用梯度下降法反向微调,基于无监督式深层学习输出深层特征向量。利用构造简单、泛化性能好、分类速度较快的支持向量机(SVM)分类器,基于深层特征向量进行故障识别,实现滚动轴承故障类型的准确分类。利用美国凯斯西储大学滚动轴承数据集进行对比验证。验证结果显示,相较于对比模型,SSAE-SVM滚动轴承故障诊断模型具有更高的准确率和更快的收敛速度。应用无监督学习建立轴承故障诊断模型将成为轴承故障诊断的重要发展方向之一。

基于DVMD和SSAE的柴油机混合故障诊断

针对柴油机缸盖振动信号非平稳非线性的特点,提出一种基于散布熵改进的变分模态分解(DVMD)和堆叠稀疏自编码器(SSAE)相结合的柴油机混合故障诊断方法。利用散布熵确定变分模态分解的层数K,并根据散布熵转折点选取有效模态分量。分别对选取的各模态分量提取常用14个时域特征和小波包分解后的能量特征,构建混合多特征向量,输入基于堆叠稀疏自编码器和Softmax层构建的深度神经网络(DNN)中,实现了柴油机7种混合故障模式识别。与其他常见方法进行对比,结果表明该方法能够有效提取故障特征,具有较高的诊断准确率。

基于融合模型的网络安全态势感知方法

伴随着网络技术的飞速发展,网络安全面临的风险也日益增加,网络攻击呈现复杂化、多样化的特征,给现有网络攻击应对措施带来了巨大挑战。态势感知技术作为一种新兴概念,为网络安全领域带来了新的思路。针对现有网络安全态势感知方法存在数据特征提取及较长时间序列数据处理能力不足的问题,提出一种融合堆栈稀疏自编码器(SSAE)、卷积神经网络(CNN)、双向门控循环单元(BiGRU)和注意力机制(AM)的模型。通过SSAE和CNN提取数据特征,利用AM强化BiGRU对关键信息的关注度,实现对异常流量的攻击类别判定,并结合网络安全态势量化指标,对网络安全态势进行量化评分并划分等级。实验结果表明,融合模型在各项指标上均优于传统深度学习模型,能够准确感知网络态势。

基于栈式稀疏自编码器的低信噪比下低截获概率雷达信号调制类型识别

针对低截获概率(LPI)雷达信号识别率低且特征提取困难的问题,该文提出一种基于Choi-Williams分布(CWD)和栈式稀疏自编码器(sSAE)的自动分类识别系统。该系统从反映信号本质特征的时频图像入手,首先对LPI雷达信号进行CWD时频分析,获取2维时频图像;然后对得到的时频原始图像进行预处理,并把预处理后的图像送入多层稀疏自编码器(SAE)进行离线训练;最后把SAE自动提取的特征输入softmax分类器,实现雷达信号的在线分类识别。仿真结果表明,信噪比为-6 dB时,该系统对8种LPI雷达信号(LFM,BPSK,Costas,Frank和T1~T4)的整体平均识别率达到96.4%,在低信噪比条件下明显优于人工设计提取信号特征的识别方法。

自适应类增量学习的物联网入侵检测系统

传统物联网入侵检测系统难以实时检测新类别攻击,为此,提出一种基于堆叠稀疏自编码器(SSAE)和自组织增量神经网络(SOINN)的物联网入侵检测方法。SSAE对已知类别的攻击样本进行稀疏编码和特征提取,所提取的特征输入SOINN,SOINN形成符合流量特征空间分布的拓扑结构。当出现新类别训练样本的特征时,SOINN自适应地生成新节点以建立新的局部拓扑结构。为了保留SSAE在旧类别样本上的知识,对SOINN已有的拓扑结构施加约束,通过误差反向传递间接约束SSAE权重的变化。针对SOINN在新类别上产生的新局部拓扑结构进行自适应聚合和优化,从而实现新类别样本学习。实验结果表明,该方法能基于新类别数据对模型进行增量训练而无需历史类别数据,在CIC-IDS2017数据集的动态数据流中能有效检测新类别攻击同时缓解旧类别数据中存在的灾难性遗忘问题,在初始已知数据集上的准确率达到98.15%,完成3个阶段的类别增量学习后整体准确率仍能达到57.34%,优于KNN-SVM、mCNN等增量学习方法。

模块化五电平逆变器子模块开路故障的智能诊断方法

基于深度学习理论,提出了一种基于栈式稀疏自动编码器(SSAE)的模块化五电平逆变器(MFLI)子模块开路故障诊断方法。该方法将MFLI子模块开路故障检测与定位问题转化成分类问题,首先将子模块电容电压信号组合成24通道序列信号,然后沿着24通道序列移动大小为24×40滑动窗口获得"数据带"样本,紧接着将"数据带"转化为向量输入到SSAE中进行逐层无监督特征学习,构建原始故障数据集的深层特征简明表达,最后将深层特征简明表达连接到Softmax分类器输出故障诊断结果。此外,为了提高该方法的抗噪性能,利用已添加高斯白噪声的数据对SSAE进行训练,以提高其特征表达的鲁棒性。结果表明,所提出的故障诊断方法平均准确度达到98.09%,故障平均诊断时间为31.47ms,且具有较高的鲁棒性。

基于BAS优化堆栈稀疏自编码器的轴承故障诊断

针对复杂工况下轴承载荷的时变非平稳性,文章提出一种基于天牛须搜索(beetle antennae search,BAS)算法优化堆栈稀疏自编码器的轴承故障诊断方法,以解决复杂工况下难以快速准确判断轴承故障类型的问题。首先,通过对轴承振动信号进行时域、频域特征提取和变分模态分解,得到其固有模态函数,提取其时域、频域和固有模态函数的44个特征构建数据集,作为机器学习诊断网络的输入;其次,通过稀疏自编码器二次特征提取获得更加典型的特征,同时引入BAS算法对堆栈稀疏自编码器的稀疏惩罚因子进行自适应选取以获得最优分类模型;最后,通过Softmax分类层实现对滚动轴承的故障诊断分类。试验结果表明,该方法不仅在平稳载荷下具有很好的轴承故障分类能力,而且在时变非平稳性载荷以及不同测试数据量下仍然具有较好的故障分类效果。

基于深度学习技术的入侵检测模型研究

随着无线局域网的广泛应用,海量的网络流量数据产生了大量的冗余特征,影响了网络入侵检测效果,给无线局域网带来安全问题,因此提出一种基于深度学习技术的入侵检测模型。一方面,该模型使用堆叠稀疏自动编码器(Stacked Sparse Auto-Encoder,SSAE)和正则项提取特征,避免了模型过拟合和特征提取不完整的问题。另一方面,使用一维残差网络(Residual Networks,ResNets)进行网络流量分类,以AWID-CLS-R数据集为例进行实验。结果表明,多数分类检测准确率大于0.8,且模型运行稳定。

基于SSAE的地震属性融合技术

地震属性是地下介质的综合反映,与地质目标往往不具备一一对应的关系,这就导致单一属性在解释时不可避免的存在多解性,为解决这一难题,地震属性融合技术应用而生.传统的基于线性变换的主成分分析(Principal Component Analysis,PCA)方法是一种较为有效的地震属性融合技术,但它在面对复杂非线性的地震属性融合问题时,不能有效提取其中的非线性特征.因此,本文提出了基于栈式稀疏自编码器(Stack Sparse Auto Encoders,SSAE)的非线性地震属性融合技术.SSAE是一种深度学习网络,能够充分地挖掘数据的非线性特征,通过不断学习,自适应地融合各种属性中蕴含的有效信息.本文首先介绍了地震属性的优选、标准化处理方法,然后阐述了基于PCA、SSAE的属性融合方法的基本原理;最后通过两种方法在两个经典模型、一个正演模型及三个应用实例的对比分析,表明SSAE对于非线性数据拥有更好的融合效果,且对于多尺度、多属性、宽方位等不同类型的属性数据也具备普适性.SSAE融合属性集合了多种属性的特征信息,有效降低了解释的多解性,提升了储层预测的精度,可为同类型工区提供借鉴.

基于光学-ALS变量组合和非参数模型的天然次生林地上生物量估算

【目的】通过组合机载激光雷达(airborne laser scanning,ALS)数据和Sentinel-2A数据提取特征变量,探讨估算天然次生林地上生物量(aboveground biomass,AGB)最佳的变量组合方式和估算方法。【方法】以2015年ALS数据、2016年Sentinel-2A数据和黑龙江帽儿山林场森林资源连续清查固定样地数据为数据源,通过ALS数据提取高度特征变量(all the LiDAR variables,记为A_(L)),Sentinel-2A数据提取若干植被指数变量(all the optical variables,记为A_(O)),然后将光学-ALS结合变量(combined optical and LiDAR index,COLI,记为ICOL)结合成为新的变量I_(COL1)和I_(COL2),以6组特征变量组合方式(A_(O)+A_(L)、I_(COL1)、I_(COL2)、I_(COL1)+A_(O)+A_(L)、I_(COL2)+A_(O)+A_(L)、I_(COL1)+I_(COL2)+A_(O)+A_(L))作为输入变量,分别使用多元线性逐步回归(stepwise multiple linear regression,SMLR)、K-最近邻法(K-nearest neighbor,K-NN)、支持向量回归(support vector regression,SVR)、随机森林(random forest,RF)和堆叠稀疏自编码器(stack sparse auto-encoder,SSAE)共5种方法构建了天然次生林AGB估算模型,探讨ICOLs变量以及不同模型对生物量估测精度的影响。【结果】结合变量ICOLs对于森林AGB的估算十分有效,加入ICOLs变量能够很大提高森林AGB模型的估算精度;与其他4种模型相比,无论使用哪些变量作为输入数据,SSAE模型的精度最高;当使用SSAE模型,以光学和ALS变量组合(I_(COL1)+I_(COL2)+A_(O)+A_(L))作为输入特征变量时,模型的准确性最高:R^(2)=0.83,均方根误差为11.06 t/hm^(2),相对均方根误差为8.23%。【结论】结合变量COLIs能够有效地提高天然次生林AGB的估算精度,而且深度学习模型(SSAE)在估算天然次生林AGB方面优于其他预测模型。总体而言,利用ALS和Sentinel-2A数据组合变量的SSAE模型可以较准确地估算森林AGB,为天然次生林地上生物量的估算和碳储量评估提供技术支持。