一种基于深度学习的异常检测方法

针对异常检测系统检测率低,特征提取困难等问题,提出了一种基于深度特征学习的异常检测方法。该方法通过构建具有多隐层的深度神经网络模型,学习数据的特征表达,充分刻画数据的丰富内在信息,从而提高异常检测的准确率。文章实验结果表明,采用该方法可以有效地学习到数据的本质特征,并显著提高异常检测方法的检测率。     

基于循环神经网络的异常用电数据检测方法

针对用电数据检测时受电量敏感度的影响，导致异常数据检测时电能消耗过量的问题，提出了基于循环神经网络的异常用电数据检测方法。在循环神经网络体系中，根据窃电系数指标求解结果，计算电量压差的实际数值，实现对异常用电数据特征的提取。构建异常数据样本集合，通过填充缺失数据的处理方式，推断检测评价指标所属区间范围，完成基于循环神经网络的异常用电数据检测方法的设计。对比实验结果：循环神经网络作用下，由异常用电数据造成的电能消耗量最高为3.2×10⁸kW·h，不会引发明显的电能过量消耗问题，符合维护电网运行稳定性的实际应用需求。     

融合生成式神经网络和深度神经网络的流量异常检测

针对网络攻击隐蔽性和动态多变的特征,提出一种融合生成式神经网络和深度神经网络的流量异常检测方法,该方法针对网络流量数据不平衡问题,采用生成式神经网络实现样本库的扩充,在此基础上,采用Dense Net实现网络流量多层次特征的提取,该方法通过加强不同层次特征的传递,实现不同层次特征的融合,为网络流量异常识别提供基础。实验表明,本文提出的方法在准确率、召回率、漏检率以及平均处理时间均优于单纯使用CNN或LSTM的方法,因此,本文方法能够有效检测网络异常流量,具有一定的可用性。     

基于RF-PSO-BP的电能质量稳态指标预测

电能质量问题日益严重,实现稳态电能指标的预测对于保障供电质量有重大意义。以某低电压台区监测点为研究对象,提出一种基于随机森林（Random Forest,RF）特征优选和粒子群优化（Particle Swarm Optimization,PSO）反向传播（Back Propagation,BP）神经网络的电能质量稳态指标预测方法。根据监测点的环境因素、动态电能数据以及电能质量指标的历史数据等多维度特征进行标准化处理,通过RF算法实现特征选择后,进一步将优选特征输入到神经网络,并结合PSO算法优化BP神经网络的权值和阈值,构建神经网络预测模型。将该方法结合实例与传统神经网络进行对比试验,结果表明,所提预测方法的MAPE均低于3%,预测效果较传统神经网络更佳。     

基于电力宽带载波通信的电能计量动态误差检测研究

目前的检测方法在对电能计量误差进行检测时,会出现检测精度不高,检测结果与实际误差值差别很大的问题。引入电力宽带载波通信,开展对电能计量动态误差检测方法的设计研究。基于电力宽带载波通信的优势,设计检测数据传输线;对通过传输线得到的检测数据清洗和归一化处理;设定电能计量异常阈值与误差判定规则;通过分布式结构构建,实现电能计量误差动态检测。     

基于SDAE-DNN的网络异常检测方法

本文针对传统的异常检测方法在处理海量高维度数据时检效果不佳的问题,提出一种融合栈式去噪自编码器(SDAE)和深度神经网络(DNN)的网络异常检测方法。首先,利用栈式去噪自编码器对数据进行特征降维,实现从高维数据到低维数据的非线性转换;然后用深度神经网络对数据进行分类。采用NSL-KDD数据集的实验结果表明,与与其他异常检测方法相比,SDAE-DNN模型性能要优于其他方法,取得了更好的检测效果。     

基于误差补偿的电能交易体系模型设计

当前电力交易体系模型中的关联算法不具有实时性,导致电能计量受温度与湿度的影响,存在计量误差.提出基于误差补偿的电能交易体系模型.分析电能交易体系模型总体误差的组成,构建用于描述随机性分布的弹性梯度回归模型,用于补偿配电公司与用电企业传输功率和电压计量表的计量误差,采用深度卷积运算获取电能交易误差时空特征,拟合出电力市场...     

ADE7758在新型电能监控系统中的应用与研究

为了满足当今企业电能监控系统的需求,达到低成本、高精度、简化设计的目的,提出了一种使用三相电能计量集成电路ADE7758分时实现单相、三相电能监控功能的解决方案。通过实际开发、测试,确定芯片在该方案中的硬件电路设计、驱动开发、企业用户应用程序实现和实际使用过程中的校准方法,提供了实际电能监控过程中的数据。根据此对计量方案的继续优化进行了探讨。     

基于深度神经网络模型的雷达目标识别

根据雷达测量的目标电磁散射面积(RCS)序列,采用深度神经网络模型识别空间飞行目标。首先,阐述了提取RCS时间序列特征的方法,包括均值、均方差及周期特性等特征;然后,给出了深度神经网络模型识别RCS目标的算法;最后,用仿真数据验证该识别方法,数值实验结果表明该方法能较准确识别雷达跟踪目标。     

计量自动化系统中的电能计量装置监测研究

在电力系统管理中,电能计量系统是提供基础数据的重要环节,管理和运维电能表、采集器等电能计量装置是保证电量统计准确性的前提。在当前计量自动化系统中,受产品质量、环境等因素的影响,仍会出现一定的计量差错或计量故障,不利于电量的准确统计。在电能计量装置的故障严重时,还可能导致人身伤害等不良后果,不利于电网的安全运营。文章重点分析了变电站计量自动化系统的监测,介绍了线损异常、电能表故障等的判断方法,有助于提高电能计量系统的准确性与稳定性。     

基于神经网络的异常检测

本文针对流量异常,提出了一种使用神经网络的检测方法。在仔细分析网络流量异常的基础上,提取流量特征数据,经预处理后供优化的BP神经网络分析,可准确检测出流量异常。测试结果表明,该模型对流量异常的检测有较高的准确性。     

数字化电能独立计量系统设计

本文论述了一种新研制的计量专用采集单元加数据集中器采样模式的独立电能计量系统,通过与现有的电能计量结构进行比较,给出了该系统的具体结构和数据同步分帧器结构的示意图。通过实验数据表明,该系统计量电能的准确度较高,工作性能稳定可靠,具有良好的推广应用前景。     

基于l2,1范数和神经网络的非线性特征选择方法

在基于l_2,1范数的特征选择方法中,l_2,1范数可以使选择的特征具有组间稀疏性和组内稀疏性,同时还可以去除特征数据中的异常值。然而,大多数基于l2,1范数的特征选择算法常通过线性方程求解,无法探究特征之间的非线性关系。因此,本文提出了一种基于l2,1范数的非线性特征选择方法,将l_2,1范数与神经网络相结合。一方面,该方法利用神经网络的非线性特性对l_2,1范数进行求解。另一方面,该方法利用l2,1范数实现基于神经网络框架的特征选择。最后,本文将该方法与当前流行的特征选择方法在八个公开数据集进行了对比,实验结果验证了该方法具有一定的优越性。      

基于深度学习的窃电行为检测方法

相较过去大部分针对专变和公变的窃电检测方法,文中针对群体数量庞大、窃电手段复杂多样的低压用户进行窃电行为的检测分析。首先建立特征工程,然后基于卷积神经网络Le Net-5模型对日用电量数据进行建模分析,筛选出异常用电模式,再采用双层深度网络对用户信息、台区线损、告警信息等数据进行综合分析。通过比对模型输出的分级窃电嫌疑清单,本文方法对各类窃电模式有很好的查准率,为精确抓获窃电奠定了基础。     

基于卷积神经网络的Android流量分类方法

深度学习就是机器学习研究的过程,主要通过模拟人脑分析学习的过程对数据进行分析。目前,深度学习技术已经在计算机视觉、语音识别、自然语言处理等领域获得了较大发展,并且随着该技术的不断发展,为网络流量分类和异常检测带来了新的发展方向。移动智能手机与大家的生活息息相关,但是其存在的安全问题也日益凸显。针对传统机器学习算法对于流量分类需要人工提取特征、计算量大的问题,提出了基于卷积神经网络模型的应用程序流量分类算法。首先,将网络流量数据集进行数据预处理,去除无关数据字段,并使数据满足卷积神经网络的输入特性。其次,设计了一种新的卷积神经网络模型,从网络结构、超参数空间以及参数优化方面入手,构造了最优分类模型。该模型通过卷积层自主学习数据特征,解决了传统基于机器学习的流量分类算法中的特征选择问题。最后,通过CICAndmal2017网络公开数据集进行模型测试,相比于传统的机器学习流量分类模型,设计的卷积神经网络模型的查准率和查全率分别提高了2.93%和11.87%,同时在类精度、召回率以及F1分数方面都有较好的提升。     

基于深度残差LSTM的视频异常行为识别算法

针对电网登杆作业依赖于人员现场监督的问题,基于智能登杆装置及其安全监控系统,深入分析了传统卷积神经网络、深度残差网络和长短期记忆（LSTM）网络的原理,并提出一种基于深度残差LSTM的视频异常行为识别算法。该算法将登杆作业的多个视频序列作为输入数据,经过深度残差网络获得多个视频序列的特征,并进一步将融合后的特征作为LSTM网络输入,从而实现登杆作业异常行为的识别。实验与测试结果表明,所提算法在训练过程中收敛速度快,相比于传统卷积神经网络,该算法具有更高的识别准确率,能够为登杆作业提供辅助服务,大幅提高作业效率和智能化水平。     

深度特征筛选及融合的人脸识别方法研究

针对人脸识别问题,提出采用深度特征筛选及融合的方法.采用卷积神经网络(CNN)学习人脸图像的多层次深度特征.对于所有的深度特征矢量,使用斯皮尔曼等级相关系数筛选其中有效部分.基于支持向量机(SVM)对筛选得到的任一深度特征矢量进行分类决策,并基于线性加权融合对它们的结果进行融合,最终确定待识别样本的人脸类别.基于ORL...     

基于深度学习的运动想象脑机接口研究综述

近年来，随着脑机接口（Brain-Computer Interface,BCI）技术的进一步发展，对特征提取技术的鲁棒性的需求也持续增加。深度学习（Deep Learning,DL）作为多层次的神经网络模型具有从高维数据中进行特征提取并从分层表示中学习的能力，在分类识别任务领域中的表现优于手工选择特征的传统机器学习方法。深度学习模型可以自动学习高维的EEG数据集从而提取有效特征，因此基于深度学习的脑机接口成为该领域新的研究趋势。卷积神经网络（Convolution Neural Network,CNN）、深度信念网络（Deep Belief Network,DBN）和递归神经网络（Recurrent Neural Network,RNN）是深度学习中对脑电信号进行分析的三大主流算法。主要介绍了这三大主流深度学习算法的基本原理。为了探索能更好契合脑电数据特点的分类模型，还探讨了它们在BCI中集成其他方法的实际运用。     

考虑雷击与浪涌的气象观测数据质量控制方法

针对气象观测中的异常数据检测和校正效率较低的问题,文中基于BP神经网络提出了一套具有误差修正功能的数据质量控制方法。该方法研究了气象观测传感器的理论及布局,分析了异常数据的来源、分类、检测方法。并在此基础上,通过引入BP神经网络的模型及滑动窗口实现了多种气象异常数据的插值与拟合,从而建立了计及雷击、浪涌现象的气象观测数据修正模型。仿真结果表明,与经典的气象数据质控方法相比,基于BP神经网络的数据质控方法具有更高的数据准确度,且修正效率可达80%以上。