基于生成对抗网络和混合时空神经网络的入侵检测

针对网络入侵检测领域存在检测准确率低的问题,研究异常流量样本少和分类器性能不佳时的入侵检测模型,提出一种基于改进生成对抗网络和混合时空神经网络的入侵检测模型。改进生成对抗网络通过学习异常流量样本的分布特性,生成具有特定标签的人工异常流量样本;融合卷积神经网络和双向长短时记忆神经网络提取攻击流量的时空融合特征,利用注意力机制对时空融合特征进行加权,构建混合时空神经网络对网络流量进行分类预测。在UNSW-NB15数据集上对所提模型进行仿真实验,准确率和F1分数分别为92.93%和94.81%,表明所提模型能够有效改善原始数据集中的类别不平衡性问题,提高对异常流量样本的检测能力和网络入侵的检测准确率。     

基于GloVe模型和注意力机制Bi-LSTM的文本分类方法

为了提高文本分类的准确性,扩展分类任务的多样性,提出一种结合一维卷积神经网络（1D-CNN）和双向长短期记忆网络（Bi-LSTM）的文本分类方法。首先,为了解决近义词、多义词的表征困难,采用GloVe模型表示词特征,充分利用全局信息和共现窗口的优势。然后,利用1D-CNN进行特征提取,以降低分类器或预测模型的输入特征维数。最后,对分类模块Bi-LSTM进行优化,其隐藏层由两个残差块组成,并引入注意力机制进一步改善预测的准确度。在多个公开数据集中进行二元分类和多元主题分类实验。实验结果表明,与其他优秀方法相比,所提方法在准确率、召回率和F1得分方面的性能更优,最高准确度达92.5%,最高F1得分为91.3%。     

基于注意力机制的卷积神经网络-长短期记忆网络的短期风电功率预测

为了提高风电功率的预测精度,针对风电数据间歇性与时序性的特点,提出了一种基于注意力机制的卷积神经网络-长短期记忆(convolutional neural networks-long short-term memory,CNN-LSTM)网络预测模型.首先利用CNN提取风电数据动态变化的多维特征,然后将特征向量构造成时...     

基于注意力机制的CNN-BiLSTM日前电价预测

日前电价预测结果的准确性对于存在多元化竞争格局的电力市场具有重要意义,因此提出一种基于注意力机制的CNN-BiLSTM日前电价预测模型。该模型考虑诸多因素对日前电价预测的影响,采用皮尔逊系数进行相关性分析,得到各因素对日前电价预测的影响;利用卷积神经网络提取历史电价序列中的特征;将提取的特征信息输入双向长短期记忆网络,充分挖掘特性的变化规律进行训练;然后引入注意力机制来突出重要信息的影响并赋予权重;最后在全连接层通过激活函数加权求和计算出最终预测值。通过实例验证了该模型的准确性,其中RMSE、MAPE、MAE分别减少了33.07%、28.39%、27.08%。     

基于ResNet-LSTM网络和注意力机制的综合能源系统多元负荷预测

综合能源系统中多种负荷之间可能存在复杂的、较强的相互耦合关系.相对于对各类负荷进行单一独立的预测,直接开展多元负荷预测能够进一步挖掘负荷之间的内在联系,提高预测准确度.该文提出一种基于ResNet-LSTM网络和注意力机制的多任务学习模型,用于拟合多能负荷之间的空间耦合关系和时间耦合关系.首先,采用多层ResNet作为...     

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。     

基于注意力机制和卷积神经网络的配电网拓扑辨识

针对当前配电网拓扑变化频繁,拓扑结构实时获取困难等问题,文章提出基于注意力机制和卷积神经网络的配电网拓扑辨识方法。首先利用卷积神经网络挖掘量测信息和配电网拓扑结构之间的关系,学习其映射规则;考虑当前配网中同步相量测量装置(phasor measurement unit,PMU)和微型同步相量测量装置(micophasormeasurementunit,μPMU)等高级量测设备安装数量不足导致获取量测数据质量不高的问题,在卷积神经网络隐藏层中融入注意力机制,以增强模型鲁棒性;通过随机森林算法对特征数据集进行降维,降低模型时、空复杂度;最后,分别基于IEEE 33节点配电网和PG&E69节点配电网开展算例分析,以验证方法的可行性和优越性,并检验利用更少特征进行拓扑辨识的可能性。结果表明：所提方法具有良好优越性和鲁棒性,泛化能力强,在仅提供少量时间断面量测数据情况下便可实现配电网拓扑辨识,且对于辐射网和含环网络同样适用。     

基于注意力机制和CNN-BiLSTM模型的航空发动机剩余寿命预测

航空发动机作为飞机的主要动力源,其可靠性是保证飞机安全的关键。 剩余使用寿命预测对于提高航空发动机的可用 性和降低其寿命周期成本具有重要意义。 针对现有的预测算法存在对航空发动机多维数据特征提取不足的问题,提出了一种 基于注意力机制的卷积神经网络和双向长短期网络融合模型。 首先,采用卷积神经网络提取特征和双向长短期记忆网络获取 特征中的长短期依赖关系;其次,使用注意力机制来突出特征中的重要部分,提高模型预测的准确率。 为验证所提出方法的有 效性,在 C-MAPSS 数据集上进行了实验。 实验表明,模型可以准确地预测出航空发动机的剩余使用寿命,并比传统方法有着更 高的预测精度。     

基于注意力机制的CNN-LSTM短期电价预测

短期电价预测结果的准确性对存在多元化竞争格局的电力市场具有重要意义。为提高在电价跳跃点和尖峰点的预测精度及预测效率,针对多因素融合影响的电价序列与其影响因素间隐含的非线性关系,提出了一种基于ATT-CNN-LSTM的短期电价预测方法。首先,采用灰色关联度分析法分析负荷因素与电价之间的关联程度,筛选出关联度较高的数据作为最优模型输入。其次,通过注意力机制(Attention, ATT)自适应分配输入数据的权重,以权重大小区分强弱特征数据。再利用卷积神经网络(Convolution Neural Networks, CNN)对数据集进行二次特征提取及降维处理,优化输入长短期记忆神经网络(LongShort-TermMemory, LSTM)中的数据,从而提升LSTM网络的预测精度与训练速度。对澳大利亚电力市场的实测数据进行算例分析,通过与其他主流算法对比,验证了所提方法具有更高的预测精度和计算效率。     

基于神经网络的混合速度辨识方法研究

提出了将开环直接计算与模型参考自适应方法相结合的神经网络混合转速辨识模型。仿真结果表明，基于该速度估计器的矢量控制系统动、静态性能好，解决了瞬时无功模型参考自适应方法在转速给定为负阶跃时的转速不稳定问题，转速估计精度高。     

基于混合神经网络的短期电力负荷预测方法

电力负荷预测对电网的经济运行至关重要,为提高短期负荷预测精度并降低混合神经网络模型的训练时间,提出了一种基于多层感知器（MLP）的基础子网、简单循环单元（SRU）与主成分分析（PCA）的短期电力负荷预测模型。首先,考虑影响电力负荷变化的各种因素,建立负荷预测输入特征集;其次,利用PCA对输入网络的部分特征进行变换并降维;最后,将经过PCA处理后得到的全新数据信息作为模型的输入,并结合Adam梯度下降算法进行训练,输出负荷预测的结果。通过仿真实验结果表明,包含SRU的混合模型在全部测试集样本上的MAPE为2.126%,远低于仅有子网的单一模型与包含DNN的混合模型,而与包含LSTM的混合模型相比,训练时间却降低了22.74%,同时PCA的应用也使得模型的收敛速度加快,极大地减小了训练轮数。     

基于天气分类和卷积神经网络的短期负荷预测方法

为减少天气因素对短期电力负荷预测效果的影响,提高模型的预测精度,提出了一种基于天气分类和卷积神经网络的短期负荷预测模型。首先通过天气类型初分将原始数据样本集划分为晴天、阴天、多云和雨天4种类型。其次,为了识别相似气象条件,运用相关系数和k均值聚类方法,找到对新型负荷出力影响最大的气象因素,并对其聚类,选取高相似度的数据样本。之后根据特征选择的结果,构造神经网络输入数据集。最后,将该数据集输入至卷积神经网络训练并预测。通过算例验证分析所提模型具有更高的预测精度。     

基于注意力机制优化组合神经网络的电力缺陷等级确定方法

为解决电力缺陷描述专业词汇较多分词准确率不佳以及单一神经网络模型自身存在不足的问题,提出了基于注意力机制优化组合神经网络的电力缺陷等级确定方法。该方法首先使用分布式字向量对电力缺陷描述进行表示,然后使用由卷积神经网络和双向长短时记忆网络组成的卷积循环神经网络对电力缺陷描述的局部特征和序列特征进行特征提取,最后采用注意力机制对组合神经网络得到的语义特征进行权重分配,减少关键特征的丢失,进一步增强关键信息对分类结果的影响。以云南电网公司2014-2019年间11万条缺陷描述数据作为实验对象,文中所提方法的Acc、MF1值和WF1值分别为0.927 5、0.911 2和0.927 5,验证了本方法在电力缺陷等级确定中的有效性和可行性,为电网的智能化运行提供帮助。     

基于混合神经网络的光伏电量预测模型的研究

精确的光伏发电量预测对光伏发电系统的安全运行有重要的作用.然而,由于太阳能的不稳定性、间歇性和随机性,现有光伏发电量的短期预测模型存在预测误差大、泛化能力低等问题.因此,提出一种混合神经网络和注意力机制的分布式光伏电站电量短期预测模型(A-HNN).利用残差长短期记忆网络与扩展因果卷积相结合提取数据的时间和空间特征,加...     

基于注意力机制的卷积神经网络指针式仪表图像读数识别方法

目前关于指针式仪表图像读数识别的研究大多建立在指针线段检测的基础上,然而该方法流程较多、读数识别效率低.并且仪表图像校准、指针线段拟合等中间过程积累的误差容易使指针倾角偏离真实值.因此从另一角度对基于图像特征映射仪表读数的方法进行了研究,该方法的优势是流程短、效率高.首先构建了融合卷积注意力模块的双路异构卷积神经网络,...     

基于神经网络控制的快速充电方法探究

随着蓄电池的广泛应用,对其充电方法的研究也不断深入,并取得了较多的科研成果,但是快速充电技术仍受到多方面的制约。提出了以神经网络算法和传统控制器相结合的智能充电技术,以BP网络算法训练神经网络。由于神经网络的自适应性,控制过程不依赖于模型,因此能对复杂的非线性、不确知的充电过程进行实时修正,并将此种方法应用于阶段充电法,通过仿真对比,证明了智能充电的有效性。     

基于侧输出融合卷积神经网络的电能质量扰动分类方法

针对传统电能质量扰动分类方法分类准确率低、人工选择特征困难等缺点,提出了一种基于深度学习的侧输出融合卷积神经网络用于电能质量扰动信号分类.首先,对电能质量扰动信号进行预处理,使输入信号数据标准化,有利于提升所提方法的收敛速度和精度.在传统卷积神经网络中引入侧输出融合结构,通过组合卷积低、中和高层的信息进行特征融合,以更好地对输入信号进行分类.针对实测数据不足和信号数据类型分布不均衡等问题,采用数据增强的方法对信号进行处理.仿真和实测数据验证表明,所提方法可以自动进行特征提取和优化,具有分类速度快、分类准确率高等优点.     

基于几何仿射与注意力的三维激光点云分类

三维点云分类和分割对于三维重建和自动驾驶等技术的发展具有积极的推动作用。三维点云数据具有无序、不规则和稀疏等特点,因此三维点云分类和分割的研究面临诸多挑战。PCT分类网络采用标量注意力机制提取三维点云局部特征,具有良好的三维点云特征学习能力,在三维点云分类和分割任务中表现出先进的分类精度。然而PCT在对三维点云数据进行下采样时忽视了其稀疏性对几何结构所产生的影响,从而无法充分地提取局部特征致使三维点云分类和分割精度下降。针对该问题,本文提出一种基于注意力机制的三维点云分类分割网络GAM-PCT,具体地,GAM-PCT网络采用了向量注意力机制对单通道特征的权重进行调节,利用减法关系和邻域位置编码对三维点云邻域求取注意力特征,同时在对整体点云下采样时插入即插即用的几何形状仿射（GAM）模块来解决三维点云局部区域的稀疏性问题,进而提升网络的分类准确率。实验结果表明,与PCT三维点云分类和分割网络相比,所提出GAM-PCT网络在数据集ModelNet40上的分类精度提升了0.3%,而在ScanObjectNN数据集上的分类精度提升了1.9%,在ShapeNet数据集上的分割平均交并比值提升了0.2%。同时在网络参数量和FLOPs指标上分别降低了0.31 G和0.69 M。实验结果表明改进后网络的复杂度得到了简化,充分验证了改进方法的有效性。