基于孪生神经网络的物联网通信异常数据捕获

针对传统物联网通信异常数据捕获精度较低、捕获耗时长等问题,提出基于孪生神经网络的物联网通信异常数据捕获方法.通过构建特征提取单元与区域推荐网络单元的孪生神经网络结构,去除网络Alex Net框架中两个卷积层与全连接层,在各卷积层后添加SE-Network,架构用于捕获异常数据的孪生神经网络模型;利用该网络模型降维处理异常数据特征,利用粒子群算法中标签约束策略,将二维数据转化到三维恒定空间中,完成异常数据种类划分;结合待捕获数据与候选数据特征,确定数据之间相似度,基于交叉相关层度量相似度,实现物联网通信异常数据捕获.仿真结果表明:采用所提方法可有效提升物联网通信异常数据捕获的精度,且捕获速度较快.     

深度AWB结合改进DIT的高效大数据分类

针对传统数据分类属性模型中存在的较为复杂且大数据分类效率低等问题,基于云计算环境,提出利用深度属性加权贝叶斯(deep attribute weighting Bayesian,AWB)算法结合改进差别信息树(differential information tree,DIT)的大数据高效分类方法.利用AWB算法构建大数据训练集的模糊知识库,提高大数据分类精度;采用改进DIT进行模糊粗糙集属性约简,以并行方式利用映射函数对信息进行分区,将洗牌算法融入模糊分类器的设计中,提高大数据分类效率;利用CloudSim仿真器在大型网络数据集对所提方法的性能进行实验论证.实验结果表明,所提方法提高了分类准确度,降低了计算时间,提高了计算效率.     

基于模糊矩阵的大数据自适应迁移融合仿真

大数据冗余信息过多,数据迁移融合过程中会出现大量损耗,获取数据信息结果的准确率低。针对上述问题,提出基于模糊矩阵的大数据自适应迁移融合方法。构建模糊矩阵模型,根据构建的模糊矩阵求出其隶属度;通过迭代计算求出细分模糊矩阵边长,以求出的细分模糊矩阵边长为筛选标准,去除数据中的冗余部分,提高数据精度的同时减少后续运算量。在此基础上利用数据自适应度值来选择数据最优迁移路径,并根据数据相关性节点的聚合度完成融合。仿真结果证明,所提方法有效去除冗余数据,降低了数据迁移融合能耗,能够大幅提高大数据融合时的准确性和效率。     

基于模糊子空间聚类的0 阶岭回归TSK 模糊系统

经典数据驱动型TSK模糊系统在利用高维数据训练模型时,由于规则前件采用的特征过多,导致规则的解释性和简洁性下降.对此,根据模糊子空间聚类算法的子空间特性,为TSK模型添加特征抽取机制,并进一步利用岭回归实现后件的学习,提出一种基于模糊子空间聚类的0阶岭回归TSK模型构建方法.该方法不仅能为规则抽取出重要子空间特征,而且可为不同规则抽取不同的特征.在模拟和真实数据集上的实验结果验证了所提出方法的优势.     

基于聚集残差生成对抗网络的图像去模糊

针对现有图像去模糊算法存在的处理模糊种类单一、耗时长等问题,提出了一种基于聚集残差生成对抗网络的图像去模糊算法.首先,利用生成对抗网络,生成重建图像判别标签,使最后生成的图像更加接近清晰图像;其次,结合聚集残差网络与通道注意力模块,构成特征提取模块,提取中间层的有用特征信息;最后,采用WGAN的Wasserstein-1距离与感知损失结合作为损失函数训练模型,保证生成图像与清晰图像在内容上的一致性.在PyTorch环境下用GOPRO数据集和Kohler数据集测试所提算法,并与L0范数先验、暗通道先验、特异性去模糊、DeepDeblur,DeblurGAN等算法进行对比.实验结果表明,所提算法应用于复原运动模糊图像和高斯模糊图像时,峰值信噪比等评价指标均高于其他算法,并且耗时更短.     

基于贝叶斯风险最小化的航空发动机状态评估

为有效评估航空发动机所处运行状态，提出一种基于贝叶斯风险最小化原则的状态评估方法。利用模糊贝叶斯风险模型从发动机全寿命数据中挖掘得到最优特征子集及对应的权重，利用多属性决策集结运算结果和统计函数生成模糊规则，输出模糊语义形式的评估结果，从而实现逼近决策风险最小化的模糊状态评估。在数值试验中，以CMAPSS（Commercial Modular Aero-Propulsion System Simulation）发动机为研究对象，演示评估过程并验证所提方法的有效性，结果表明所提方法可有效评估发动机健康状态，为航空发动机状态评估提供了一种切实可行的模型。     

基于数据分类的企业财务数据异常判定方法

采用目前方法对企业财务数据进行异常判定时，存在AUC值小、相对误差大等问题，提出基于数据分类的企业财务数据异常判定方法。通过模糊聚类方法对原始企业财务数据集进行预处理，依据支持向量机原理构建异常数据判定模型，结合企业财务实际情况通过残差计算完成数据异常的判定。实验结果表明：所提方法能够有效地增大AUC值、减小相对误差、缩短判定时间并降低漏判率。     

大数据挖掘技术在移动互联网业务用户感知评价中的应用探讨

为提高互联网用户需求感知处理结果的准确性,本文提出基于大数据挖掘技术的移动互联网业务端到端的用户感知评价模型.设计互联网络总体结构,包括无线接入网和核心网;采用改进的层次分析法,建立互联网络的多层感知体系;结合实时数据与大数据挖掘方法分析评价指标权重,完成移动互联网业务用户感知模型的构建.所提模型在网络应用中,可以实现用户对移动互联网端到端的感知数据挖掘,提高了感知结果的准确性.     

模糊大间隔最小超球模型*

针对当前异常检测方法面临的分类性能有限以及分类结果易受噪声影响等问题,在分析当前异常检测方法的基础上,提出模糊大间隔最小超球模型FMHM。该模型引入模糊理论,在一定程度上减少噪声对分类结果的影响;正常样本与奇异样本之间的间隔最大化确保错分率最小。标准UCI数据集上的比较实验表明,较之单类支持向量机OCSVM、支持向量数据描述SVDD、K近邻KNN等算法,本文所提方法FMHM在异常检测方面具有一定优势。     

一种模糊多粒度用电行为异常检测方法

异常用电检测旨在识别和定位电力系统中与常规用电行为显著偏离的用户。现有基于机器学习、深度学习的有监督的检测方法通常需要大量人工标记数据,且对于离散型数据需要进行类型转换,因而容易导致重要信息的丢失。模糊粗糙集理论提供了一种处理离散数据的有效工具,并能直接应用于包含连续数据和离散数据在内的异质信息的知识分类。本文在模糊粗糙集理论的基础上提出了一个基于多粒度模糊相对差的无监督异常检测方法,并将其应用于智能电网的异常用电检测。具体而言,首先利用模糊近似空间的信息熵来度量属性在知识分类中的重要性,然后根据属性集重要性构造模糊信息粒序列,接着在此序列上定义样本的模糊相对差,最后构建基于多粒度模糊相对差的异常检测方法,并在公开的数据集上进行验证。实验结果表明了所提检测算法的有效性和优越性。实验相关的代码和数据已在网络上公开（http://www.github.com/chenbaiyang/FRAD）。