基于深度神经网络和随机森林集成模型的ADS-B辐射源个体识别

针对辐射源个体识别中单一神经网络随着辐射源个体数量的增加，模型的识别准确率显著下降的问题，提出一种基于深度神经网络和随机森林集成模型的广播式自动相关监视(ADS-B)辐射源个体识别方法。该方法利用多种深度神经网络模型和随机森林对增强数据集进行训练，然后利用集成学习方法中的硬投票方法对各网络模型和随机森林识别得到的结果进行集成表决，使得识别结果更具有说服力，同时在在辐射源个体数量增加的情况下依旧保持较高的识别率。实验结果表明，在融合了DRSN、VGG、ResNet、GoogleNet、DenseNet 5类神经网络和随机森林后，相比于单一的神经网络，识别准确率能够提升了3%～20%,且在辐射源个体数量增加的情况下依然能保持较高的识别准确率。     

基于深度残差收缩网络的辐射源个体识别方法

辐射源个体识别是电子对抗领域中的重要技术,通过识别设备间不同细微特征从而达到区分非法设备与合法设备的目的。针对辐射源个体间指纹特征差异细微且在噪声干扰下提取特征较少的问题,本文提出了一种基于深度残差收缩网络的辐射源个体识别方法。该方法首先将I/Q图特征数据进行拼接,利用数据增强技术进行样本扩充,进而构建了深度残差收缩网络识别模型,最后对构建的模型进行ADS-B辐射源个体识别训练并进行识别效果评估。仿真结果表明,本文构建的深度残差收缩网络通过消除数据噪声的优势,对数据增强后的20类ADS-B辐射源个体在0dB的低信噪比条件下总体识别准确率达到98.2%,其性能较相同层数的Resnet网络提高了1.3%,并明显优于现有其他方法。     

一种变工况下风电机组行星齿轮箱的故障诊断方法

针对现有的大多数深度迁移学习方法只能在目标转速下工作，而且在模型的训练中总是需要目标域样本的问题，研究风电机组行星齿轮箱在变工况下的故障诊断方法，设计了应用于变工况下行星齿轮箱故障诊断的深度残差半监督域泛化网络，将诊断模型推广到未知转速的故障诊断任务中。首先对振动信号进行Fast Kurtogram时频变换，生成图像并构造样本集；其次模拟实际情况，以含标签源域样本集和无标签源域样本集为输入，使用深度残差网络提取深层故障特征，并引入对抗博弈机制和基于伪标签的半监督学习方法对网络进行训练；最后根据训练后的网络搭建了域泛化故障诊断模型，利用行星齿轮箱故障诊断实验进行评估。实验结果表明，所设计的网络可以有效利用定速样本实现对未知转速样本和变速样本的故障识别，对目标域的平均识别率达到95.24%。     

不均衡数据集下基于生成对抗网络的改进深度模型故障识别研究

由于传统轴承故障诊断方法依赖于信号处理能力且模型泛化能力差的问题,提出一种不均衡数据集下基于深度对抗网络的故障诊断方法,该方法首先通过构建小样本训练集进行生成对抗网络训练,将生成样本加入到原始小类别样本训练集中,得到样本训练集,降低不同类别样本的不平衡性;然后引入深度学习的模型优化技术,提出适合轴承故障诊断的深度卷积神经网络模型,该模型直接作用于训练样本集,自适应地从原始数据中逐层学习故障特征,实现不同故障的准确识别;为了增强诊断系统最终分类预测的准确性,引入Focal损失函数对分类层进行故障识别。大量的定性定量实验表明,所提的改进网络在检测率与误检率方面均优于现有的其他深度模型,并且拥有较快的收敛速度与泛化能力。     

基于约束性循环一致生成对抗网络的人脸表情识别方法

深度神经网络在表情分类识别中会由于样本数量不均衡,样本相似度高出现过拟合,导致识别结果不理想,而通过旋转变换、添加噪声等数据增强方法不能解决相似度较高的问题。为此,对循环一致生成对抗网络(Cycle-GAN)进行改进,通过引入类别约束性条件,构建一种基于约束性循环一致生成对抗网络(CCycle-GAN),实现了一对多的数据类别映射,减少了模型训练开销;同时,为了提高人脸表情识别效率,对Cycle-GAN判别器进行改进,用一个辅助表情分类器替换循环一致生成对抗网络的判别器,不仅可以判断输入图像的真假,而且可以对表情进行分类。在CK+和FER2013数据集上的实验结果表明,该方法可以有效地解决神经网络中的过拟合和样本不均问题,提高了表情样本生成质量,进而提高了人脸表情识别率。     

基于波形优化的深度调制识别方法

自动调制识别技术,可在接收信号在样式未知、内容未知的前提条件下,自动对其调制方式进行估计。 提出一种基于深 度学习的调制识别方法,该方法通过波形优化的方法迭代更新滤波器参数,对接收信号样本进行滤波,再通过深度识别网络进 行识别。 该方法在处理流程中存在识别结果对滤波器参数的反馈回路,能够减轻信道对调制识别结果的不利影响。 通过开源 数据集进行验证,证明了该方法相比于几种利用经典深度学习网络的方法,识别率均有所提高。 特别是相比于传统的 CNN 方 法,识别率提高了约 7%。     

基于并联CNN-LSTM的弱受端直流输电系统故障诊断

现有的故障诊断手段面对复杂电网时,难以精确提取故障特征,急需适应性强、识别率高的故障诊断方法。鉴于此,提出一种基于压缩感知与并联卷积神经网络(CNN)和长短期记忆网络(LSTM)结合的电网故障诊断方法。搭建永富直流输电系统模型采集原始故障数据,原始故障数据应用压缩感知原理进行压缩采样,获得压缩域故障信号,以提高网络的计算效率。然后搭建了麻雀搜索算法（SSA）优化的并联CNN-LSTM深度学习模型。通过SSA确定并联CNN-LSTM的网络结构及参数,利用并联CNN-LSTM深度学习模型直接在故障的压缩域挖掘故障波形特征和时序特征,并对故障进行识别。仿真结果表明该模型相较于传统方法具有更高的故障诊断精度。     

基于 AdvGAN 的无线通信信号反侦察方法

深度学习技术凭借其强大的特征提取能力,在信号认知方面取得广泛应用,这对有保密需求的无线通信系统的保密 性安全带来极大威胁。针对上述问题,提出一种基于对抗生成网络(generating adversarial examples with adversarial net- works,AdvGAN) 的无线通信信号反侦察方法。首先实现两种不同的调制信号识别模型;再使用3种对抗样本生成方法构造 伪装信号;最后叠加在原始信号上并在调制信号识别模型上进行测试。实验结果表明,所提方法能够使侦收方的智能调制识 别模型的识别准确率大幅下降,在信噪比10 dB 条件下,使侦收方未知模型识别准确率下降约66%,从而有效反制侦收方的 智能识别模型。     

基于深度稀疏降噪自编码网络的局部放电模式识别

由于变电站现场局部放电检测易于受到各类干扰的影响,造成检测数据中存在噪声,使数据中信号特征不明显,因此传统的基于统计特征的模式识别方法在应对现场检测数据时识别率较低。提出了一种基于深度稀疏降噪自编码器网络的模式识别方法。对试验检测出的典型特征图谱,利用深度稀疏降噪自编码器进行主动染噪学习训练,最后得到可以有效去噪的深度特征提取模型,并利用Softmax分类器输出识别结果。利用在变电站现场实测数据对方法进行验证,并与传统的识别方法进行对比,证明方法对含有噪声的局部放电信号有更好的识别效果。     

基于生成对抗网络的电能质量扰动数据增强方法

针对当前电能质量扰动自动识别受样本集的规模和质量影响较大及扰动数据匮乏的问题，提出一种在二维尺度上结合深度卷积生成对抗网络(deep convolutional generative adversarail networks, DCGAN)对电能质量扰动数据进行增强的方法。将典型扰动二维图像数据作为输入，以提高数据特征提取能力，再通过深度卷积生成对抗网络不断生成优化扰动数据，并选择验证集上取得最高AUC值的增强数据集进行电能质量扰动的识别测试。在某电网公司提供的真实数据集上进行测试，结果表明：基于DCGAN数据增强方法能生成较大规模、高质量的数据，在网络训练速度及电能质量扰动识别的准确率上有明显提升。     

基于机器视觉的配网工程安全管控检测方法

针对配电网工程在施工现场受外界环境干扰因素多、现场监管难度大等问题,提出了一种基于改进的YOLOv5网络模型的配电网工程实时检测方法,并对配电网工程图像精确识别及缺陷检测进行了研究。首先,对配电网工程现场样本数据集进行标注,改进YOLOv5网络的特征提取网络,以加快多尺度融合并提高小目标物体检测的精度。在此基础上,改进损失函数、非极大值抑制模块,提高模型的识别精度与收敛速度。最后,经过Darknet深度学习模型对识别样本进行多次迭代训练,保存最优权重数据用于测试集的测试。算法通过 TensorBoard 可视化工具显示训练和测试结果。测试结果表明,每种配电网样本的平均识别准确率可达到95%以上,图片的识别速度可达到140 帧/s。同时,所改进算法检测准确率高,实时性强,满足工程现场实时使用需求。     

基于半监督生成对抗网络的毫米波雷达跨域手势识别

基于深度学习的毫米波雷达手势识别以其免接触、保护隐私和环境依赖性低等特点受到越来越多的关注。但是目前的学习方法大都采用全监督方法,其性能受限于雷达数据的获取和标注,且其学习样本都来源于单一环境,极大的影响了不同场景下的迁移能力,因此本文提出了一种基于半监督生成对抗网络的跨域手势识别方法。首先,通过数据预处理,提取动态混合特征时间图（DFTM）以消除环境干扰,并且对手势动态特征进行更加全面的表征;其次,结合毫米波信号特点进行数据增强,进一步扩充数据量,提高模型泛化能力;第三,针对实际应用中可获得的标记数据通常较少的问题,提出并构建了一个改进半监督生成对抗网络,在原始GAN的基础上增加了分类器,通过生成数据帮助提高分类器辨别能力,同时利用源域中的少量标记数据和目标域中的大量未标记数据,实现域无关的手势识别。实验结果表明,对于新用户、新环境和新位置的平均手势识别准确率分别达到 98.21%、95.23%和97.6%。与现有其他手势识别方法相比,本文所提方法在只有少量标记数据的情况下也能达到较高的跨域手势识别准确率,为后续毫米波雷达人机交互提供了新的研究思路。     

基于改进域对抗网络的轴承故障迁移诊断方法

针对工业场景下复杂工况导致的轴承故障数据特征分布差异,以及难以获得大量有标签数据的问题,提出一种基于 Wasserstein 距离与局部最大平均偏差(LMMD)改进的一维卷积子域适应对抗迁移网络(SANN)。 该网络首先构建 CNN 特征提 取器进行预训练,学习领域特征表示,在对抗训练阶段,对抗层引入 Wasserstein 距离来度量源域与目标域的差异,实现边缘分 布的对齐,固化训练结果。 在特征提取层引入 LMMD 计算模块捕获每个类别的细粒度信息,实现条件分布的对齐。 通过两种 变工况下的轴承故障数据集对该模型性能进行验证。 实验结果表明,无监督的条件下,本文所提方法在目标数据集上相较于基 础域对抗网络分别提高了 5. 0% 和 6. 9% 的识别精度,性能优于现有的迁移算法。     

基于生成对抗网络的小样本数据生成技术研究

基于数据驱动的深度学习技术成为新一代智能电网的应用趋势,该技术对电网中有标注训练数据的量级提出更高的要求。为了获取更多有标注的智能电网样本数据,文章提出了一种基于改进的生成对抗网络（generative adversarial network,GAN）的训练样本生成算法。该方法通过交替训练改进GAN的生成模型与判别模型,无需先验知识的指导,自主学习原始样本的分布规律,生成新的数据样本。然后采用人工神经网络作为基础分类器,计算样本分类的准确率,检验生成样本的有效性。实验表明,改进GAN模型可以有效学习样本的分布规律,提升谐波分类的准确率,该方法同时具有良好的抗噪性和泛化性,对深度学习技术在智能电网中的深入发展具有重要意义。     

基于深度学习和多模型融合的局部放电模式识别方法

局部放电与电力设备的绝缘状态息息相关,准确识别局部放电类型对于保障电网运行具有重要意义。文中提出一种基于深度学习和多模型融合的局部放电模式识别方法。首先,设计并搭建开关柜内4类典型局部放电缺陷模型,采集局部放电相位分布(phase resolved partial discharge,PRPD)图谱并建立样本集;其次,搭建基于迁移学习的深度残差网络,对局部放电缺陷进行识别;最后,利用Sugeno模糊积分将深度残差网络(deep residual net￣work,DRN)模型与传统识别模型进行融合。实验结果表明：迁移学习模型相比于无迁移学习模型有着更好的更新能力和泛化性能;融合模型与单一模型相比具有更高的识别准确率。所提方法能够准确识别局部放电缺陷类型,对于电力设备的运维检修具有一定的参考价值。     

基于残差卷积神经网络的开关柜局部放电模式识别

传统的开关柜局部放电模式识别方法缺乏一定的泛化性能且识别准确率低,难以在实际工程中应用.提出了一种基于残差卷积神经网络的开关柜局部放电模式识别方法,通过在网络中加入残差模块以解决随着网络层数加深导致准确度饱和后出现退化的问题,并综合利用开关柜局部放电数据的浅层与深层特征融合学习,实现模式识别.通过开关柜不同绝缘缺陷类别...     

基于对比学习生成对抗网络的无监督工业品表面异常检测

在工业品表面异常检测中,由于异常的未知性和无规则性,人工标注异常样本难度大、成本高,有监督的深度学习算法在工业品表面异常检测任务中存在局限性。针对上述问题,提出一种基于对比学习生成对抗网络(contrastive learning generative adversarial network, CLGAN)的无监督工业品表面异常检测算法。首先,建立基于无监督学习算法的CLGAN模型;其次,采用对比学习加强潜在特征空间正负例样本约束,使得输入与输出图像对应Patch之间的互信息最大化,增强正负样本特征向量区分度,使模型重构异常样本图像能力得到进一步提升;然后,在检测阶段,利用训练好的模型得到待测工业品的无异常重构图像,并计算得到待测样本与其对应重构图像之间的残差图像;最后,结合双阈值分割的后处理方法和数学形态学处理,实现工业品表面异常区域地快速检测和准确定位。通过在公共数据集MVTec AD上进行实验,与其他的无监督深度学习模型算法相比,所提算法具有更好的识别效果和更强的泛化能力。     

一种基于图卷积神经网络的加密流量分类方法

深度学习算法被广泛应用于网络流量分类领域并取得较好效果。然而,对抗攻击的出现给其安全性带来了严重威胁,使得当前主流的基于卷积神经网络模型的分类算法的精度严重下降。针对此,本文提出了一种抗流量分类中灰度图对抗攻击的加密流量分类方法。所提方法通过提取数据包负载长度、包序列、方向、簇等流量交互信息构建拓扑图,将加密流量分类问题转化为图分类问题。接着,本文使用基于图卷积神经网络的分类方法进行特征的学习分类,图卷积神经网络模型可以自动从输入的拓扑图中提取特征,将特征映射到嵌入空间中的不同表示来区分不同的图结构。实验结果表明,本文所提方法不仅能够避免对抗攻击,且在公开数据集上的分类性能也较现有典型方法提高了5%以上。     

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。     

融合无监督和有监督学习的虚假数据注入攻击检测

虚假数据注入攻击（False Data Injection Attack,FDIA）是智能电网安全与稳定运行面临的严重威胁。本文针对FDIA检测中存在有标签数据稀少、正常和攻击样本极不平衡的问题,提出了融合无监督和有监督学习的虚假数据注入攻击检测算法。首先引入对比学习捕获少量攻击数据特征,生成新的攻击样本实现数据扩充,然后利用多种无监督检测算法对海量的无标签样本进行特征自学习,解决有标签样本稀缺的问题,最后将无监督算法提取的特征与历史特征集进行融合,在新的特征空间上构建有监督XGBoost分类器进行识别,输出正常或异常的检测结果。在IEEE 30 节点系统上的算例分析表明,与其它FDIA检测的算法相比,本文方法增强了 FDIA 检测模型在有标签样本稀少和不平衡数据下的稳定性,提升了FDIA的识别精度并降低误报率。