基于XGBoost算法的智能电网信息攻击识别模型

智能电网在遭受信息攻击后,如何根据量测数据的变化规律,准确识别电力系统遭受的攻击类型是提高电网安全防御的有效手段,本文提出一种基于Extreme Gradient Boosting (XGBoost)算法的智能电网信息攻击识别模型。首先,基于kmeans-smote设计电力数据过采样方法,对量测数据进行平衡处理,解决攻击事件样本的不平衡问题。然后,提出最大相关-最小冗余(MRMR)特征选择方法,提取信息攻击事件最优表征特征子集,降低数据维度并提升信息攻击的识别效率。最后,设计XGBoost分类器,对3种攻击状态和正常状态进行分类识别,采用准确率、召回率等指标评估模型的识别性能。经仿真实验验证,本文提出的信息攻击识别模型显著提升了智能电网信息攻击的识别精度,且具有较好的泛化性。     

基于无线传感器网络的声目标识别算法研究

由大量微小传感器节点组成的无线传感器网络主要用于从监测环境收集信息并做出相应的决策,研究与无线传感器网络相适应的战场目标识别算法具有重要的实际意义.针对无线传感器网络的自身特点和战场目标所辐射的声频率特性,提出了基于小波包和人工神经网络的无线传感器网络的声目标识别算法.利用小波包对声信号进行消噪处理并特征提取,然后利用神经网络分类器作最后的识别.最后实现了对该声目标识别算法的仿真.试验证明该声目标识别方法应用在无线传感器网络中是可行的.     

孤岛检测的关键特征识别及元学习方法

数据挖掘技术能有效解决孤岛检测中检测阈值的整定问题,已成为重要的孤岛检测方法。文中提出由关键特征识别、基学习器和元学习器等3个环节构成的孤岛检测数据挖掘系统。首先,分析了孤岛检测样本中的弱相关特征对分类的不利影响,提出利用RELIEF(recursive elimination of features)算法首先识别孤岛检测的关键特征。然后,分析了单一分类器的归纳偏置现象,提出利用多个分类器的互补性提高孤岛检测的精度;最后,提出了基于元学习的新的孤岛检测方法。为验证上述方法的有效性,仿真算例中充分考虑了功率不平衡度、电压扰动等因素。仿真结果表明,上述3个环节对提高孤岛检测的精度和泛化能力具有重要作用。     

基于方向梯度直方图属性空间的局部放电模式识别改进算法

该文提出一种基于方向梯度直方图(HOG)属性空间的局部放电模式识别改进算法,旨在提高特征对样本信息的概括能力,并克服分类器对高维特征的识别局限.首先,构造局部放电脉冲序列分布(PRPS)模式作为识别依据,利用局部细分叠加窗口滑移的迭代算法自动化构建PRPS图像的HOG属性空间;然后,通过线性变换协方差矩阵的方式重构HOG属性空间,使其满足相互独立性;接着,根据属性重要性重新排列空间后,依次增加输入朴素贝叶斯分类器的属性个数,基于分类精度搜索最佳属性子集;最后,按照归约属性的相对重要性进行加权,最终设计出HOG属性选择加权朴素贝叶斯分类器.大量样本测试结果证明,此算法能够达到很高的识别精度,对传统识别算法的优化效果明显,有较好的应用价值.     

D-S 理论多分类器融合的光学遥感图像多目标识别

光学遥感图像的多目标检测与识别一直是图像处理与分析领域的热点研究问题。针对多特征单一分类器决策级融合不能很好的利用特征与分类器的适应性,导致识别的准确率很难进一步提高的问题,提出了基于D-S证据理论的多特征多分类器决策级融合策略。首先提取了两种简单且具有平移、缩放不变性的特征;其次分别引入3种适应性较好的分类器进行分类;最后设计了两级的D-S证据理论的融合方案,并且在置信度函数计算的过程中引入表征分类器性能的混淆矩阵。该算法有效地解决了分类器输出的不确定性问题,进一步提高了光学遥感图像多目标分类识别的准确性。测试表明,对4种目标的识别率达到97.22%,验证了算法的有效性。     

基于PCA降维的分层超限学习机手势识别方法

针对原始超限学习机在手势识别应用中欠缺良好的泛化性能和鲁棒性等问题,运用主成分分析(PCA)算法降低手势数据维数简化数据结构,并引入以超限学习机为基础,根据多层感知器理论拓展的分层超限学习机作为分类器应用于手势识别.PCA算法提取手势图像的主要特征,通过分层超限学习机的稀疏自动编码和分层训练,获得原始输入的多层稀疏表达,使自动编码后的输出近似原始输入,最大限度地减少重构误差,提高特征分类的精度.实验表明,与原始的超限学习机相比,具有更好的泛化性能,更快的识别速率以及更高的识别精度,提高了整体的学习性能.     

复杂背景下的大豆叶片识别

利用计算机视觉和图像处理技术对叶片进行识别在农业领域逐步得到应用,但是,将叶片从具有复杂背景的图像中准确识别出来还是很难。本文提出了一种能有效地从具有复杂背景的图像中识别大豆叶片的算法。该方法首先利用基于HSI空间的三次标记分水岭算法提取出目标叶片,而后计算出目标叶片的形态参数,最后利用训练好的概率神经网络分类器对大豆叶片进行识别。对大豆叶片120幅样本图像能达到85.37%的识别成功率,证明了此方法的有效性。     

基于BP-AdaBoost的电压暂降源识别方法

电压暂降源的准确识别对治理电压暂降问题和改善电能质量至关重要。提出了一种基于BPAdaBoost网络的电压暂降源识别方法。通过直接提取原始波形的时域特征和经S变换后的时频域特征,构建识别特征向量。针对单一分类器的分类精度和过拟合等不足,采用AdaBoost算法进行集成优化为强分类器。选取BP神经网络作为基础分类器,通过大量数据训练得出最强网络参数,得到BP-AdaBoost暂降源识别模型。应用仿真数据和实测数据验证了所提暂降源识别模型的有效性,证明所提方法识别精度高,具有工业应用前景。     

主动差异学习神经网络集成方法在变压器DGA故障诊断中的应用

多分类器集成是解决困难学习问题的有效手段,但其性能提升的关键在于如何保证个体分类器的差异性。通过对集成误差公式的理论分析,提出一种能主动引导成员网络进行差异性学习的集成网络学习算法。该方法通过对集成误差的分解,使成员网络的训练准则函数中包含成员网络误差相关度的因素,并通过协同训练,引导成员网络进行差异性学习。该方法在基于油中溶解气体分析技术的变压器故障诊断的实验结果表明,该方法的故障诊断准确率优于传统的IEC三比值法与BP神经网络法,其性能也比经典的Bagging和Boosting集成方法更稳定可靠。     

电压暂降源异质堆叠集成学习识别法

电压暂降源分类识别存在可获得信息不完备的问题。针对现有单一识别法弱学习特点和组合识别法一致性强的问题,提出一种基于异质堆叠集成学习的暂降源识别方法,提升识别模型的泛化能力和鲁棒性。把线路故障分为普通故障和雷击故障,以10类单一电压暂降源的识别为目标,选取9个表征特征差异的波形统计参数,构建27维识别特征向量。引入堆叠集成算法,以5种差异性强的单一识别法为基分类器,用随机森林法作元分类器,建立异质堆叠集成识别模型。通过PSCAD仿真数据和实测数据验证,并与现有6种识别法比较,结果表明,该方法识别精度高,噪声鲁棒性良好,具有良好的工程实用性。     

基于GA和ELM的电能质量扰动识别特征选择方法

电力系统中海量暂态扰动的分析与治理需要以高效准确的扰动分类为基础。现有扰动识别方法缺少合理的特征选择环节,分类器过于复杂,不能满足高效分类的需要。提出一种新的电能质量扰动特征选择方法。首先,对原始信号使用S变换进行预处理,提取具有代表性的25种扰动信号特征构建原始特征集合;然后,根据极限学习机识别准确率构造用于扰动特征选择的遗传算法适应度函数;最后,用遗传算法来进行迭代运算,确定最优特征集合。实验证明,新方法能够有效去除冗余特征,在保证分类准确率前提下,有效降低分类器复杂度,提高分类效率。     

基于HAAR特征与BP神经网络的车牌识别技术研究

车牌识别技术运用OpenCV计算机开源机器视觉库,对图像进行处理提取出图像中蕴含的车牌信息,达到车牌识别的目的。通过运用HAAR特征,训练出AdaBoost分类器查找图片中的车牌区域,同时运用Sobel算子进行边缘检测等操作查找车牌区域,最终运用支持向量机（SVM）算法进行两种定位的疑似车牌区域的最终确认;确认后的车牌区域进行字符分割等操作进行字符的分离;最后运用训练的反向传播（BP）神经网络进行字符的识别并最终输出车牌信息。研究结果显示,车牌识别的效率很高,拥有一定的使用价值。     

基于树莓派与计算机视觉的家庭火灾报警系统的设计与研究

当前火焰识别技术发展较快,多从动态与静态特征对火焰进行识别与分割,但识别误差仍然很大,同时火焰识别算法对硬件的高依赖性导致其难以适用于居民住宅。为解决这些问题,本文以树莓派3B开发板作为硬件基础设施,结合数字图像处理技术,设计出一种基于树莓派与计算机视觉的家庭火灾报警系统。首先使用传统火焰识别算法对火焰区域进行分割,并结合SVM算法对火焰进行识别与分类,准确率达到了97%,最后做出决策,判断是否向居民发出预警信息。系统可扩展性强,且成本较低,可普遍适用于居民住宅。     

基于鲁棒能量模型LS-TSVM和DGA的变压器故障诊断

鲁棒能量模型最小二乘双支持向量机作为最小二乘双支持向量机(LS-TSVM)的改进算法,训练速度快、鲁棒性好且泛化能力强。将其引入到变压器故障诊断中,并提出一种鸡群算法优化鲁棒能量模型LS-TSVM的变压器故障诊断模型。在该模型中,结合二叉树和鲁棒能量模型LS-TSVM构造多类分类器用于变压器故障类型识别,并采用搜索性能较强的鸡群算法对鲁棒能量模型LS-TSVM的参数进行优化,以使模型的诊断性能达到最佳。基于DGA的变压器故障诊断实例表明,该方法故障诊断模型精度高,诊断效果优于PSO-SVM模型。     

基于不完全S变换与梯度提升树的电能质量复合扰动识别

针对电能质量复合扰动中特征选择困难和分类准确率不高的问题,提出基于不完全S变换和梯度提升树的特征选择和分类器构建方法。首先通过选取特定频率的不完全S变换得到扰动的时频矩阵。再从时频矩阵中提取53种原始特征量,并基于梯度提升树对各个特征的重要性进行度量,选取重要特征。最后根据选取的特征集训练和构建梯度提升树,得到扰动分类器。仿真实验表明,对于包括8种复合扰动在内的共17种扰动类型,该方法的分类准确率高于CART决策树、随机森林(RF)、多层感知机(MLP)等现有方法。不同噪声条件下的分类结果表明,该方法具有良好的抗噪性能和算法鲁棒性,展现出良好的应用前景。     

Recognition of control chart patterns using swarm intelligence and neural networks based on the statistical and shape features

Automatic recognition of abnormal patterns in control charts has seen increasing demands nowadays in the manufacturing processes. In this paper, a hybrid intelligent system is proposed for the recognition of control chart patterns. In this system, we have used a proper set of shape features and statistical features as the efficient characteristics of the patterns. Then we proposed a hybrid heuristic recognition system based on particle swarm optimization to improve the generalization performance of the radial basis function neural network classifier. For this purpose, we have optimized the classifier design by searching for the best value of the parameters that tune its discriminate function. The obtained results show that the proposed technique has high recognition accuracy in comparison with other techniques. This recognition accuracy is achieved with fewer training samples. IEEJ Trans 2010 DOI: 10.1002/tee.20610     

基于自适应不完全S变换与LOO-KELM算法的复合电能质量扰动识别

针对电能质量复合扰动识别中特征提取效率低、分类器识别能力与学习速度无法同步提高的问题,提出一种基于自适应窗不完全S变换与留一交叉验证优化的核极限学习机(LOO-KELM)算法的复合电能质量扰动识别方法。首先根据选定的主频率点自适应调节S变换窗宽系数,提取具有高时频分辨率的59种电能质量(PQ)特征,再通过留一交叉验证寻找最小预测残差平方和,实现核极限学习机的输出权重优化,最后根据提取PQ特征集与优化后的核极限学习机实现复合扰动的识别与分类。仿真和实测结果表明,所提方法对不同噪声下的16类混合电能质量扰动均具有较高的分类精度,相较于现有复合电能质量识别方法,分类精度更高且训练时间更短。     

轻量级注意力X射线矿石检测方法

针对缺乏矿石数据集和矿石分类识别模型等因素,自建以X射线照射成像的矿石图像为数据集,并以MobileNet V2为主网络,提出基于改进MobileNet V2轻量级矿石分类模型算法。首先,通过调整扩展因子和宽度因子大幅减少模型参数量,实现模型轻量化的目的;其次,通过在部分倒残差模块和原模型分类器中嵌入高效通道注意力机制,并将剩余倒残差模块替换为含深度空洞卷积的并行特征提取网络,以增强模型特征信息提取能力,提升模型识别准确率;最后,使用迁移学习的训练方式初始化权重,加速模型训练。经过改进,该算法矿石识别准确率提升至96.720%,对比VGG16、GoogleNet、Xception、ShuffleNet和MobileNet V2在准确率和矿石检测速度都获得了提升。综合而言,相比本文实验中其他算法而言,改进算法针对矿石的识别性能具有更佳表现。     

气体传感器阵列混合气体检测算法研究

针对传统模式识别算法对混合气体定性和定量检测准确率较低的问题,提出了一种基于机器学习的新型混合气体定性识别和浓度定量检测算法。算法首先构造传感器阵列数据特征图,然后利用卷积神经网络(CNN)提取特征,根据特征提取后的特征图,使用不同分支网络对不同气体进行定性识别,得到气体种类和相应气体所处浓度区间;根据前面的气体识别结果,使用核主成分分析(KPCA)与梯度提升树(GBDT)对混合气体的组成成分进行定量估计;最后采用加州大学机器学习数据库的动态混合气体气体传感器阵列数据集进行对比验证。实验结果表明,算法在乙烯和甲烷定性识别中准确率达到了98.7%,定量检测平均相对误差小于4.1%。通过与传统模式识别算法对比,所提出的基于机器学习的混合气体检测算法具有更高的精度和泛化能力。