改进果蝇算法优化广义回归神经网络的双陷波超宽带天线建模

为实现对双陷波超宽带(UWB)天线的精准神经网络建模,提出了一种利用改进的果蝇算法(FOA)优化广义回归神经网络(GRNN)的建模方法。该方法通过扩大果蝇搜索范围,在味道判定公式中引入调整项来实现果蝇算法的改进,并用改进后的果蝇算法优化GRNN的光滑因子。这样可以避免果蝇算法陷入局部最优,提高模型预测精度。将该方法用于双陷波超宽带天线模型的建立中,并对天线的S11参数和电压驻波比VVSWR参数进行预测。结果表明,相比于FOA-GRNN建模方法和GRNN建模方法,S11参数的最大相对误差分别减小了91.08%和99.14%;VVSWR参数的最大相对误差分别减小了98.36%和99.18%,使超宽带天线建模精度得到提高,验证了该方法的可行性。     

基于改进FCM算法的电力数据异常检测方法

电力系统中的异常数据会极大降低电力系统运行状态估计的准确性,提出一种改进FCM聚类算法应用于电力异常数据检测。基于距离测度公理化定义给出一种新型距离测度计算公式,并根据新型距离测度建立相似性矩阵提出一种改进FCM算法;结合萤火虫算法在全局寻优方面的优势,利用萤火虫算法优化改进FCM算法的初始化聚类中心。通过加噪人工数据集实验验证了该算法与其他方法相比,类别划分更清晰、噪声鲁棒性更强,并依据3σ原理利用该算法对某电厂进行电力异常数据检测,实验结果表明,文中算法能够准确检测出电力异常数据。     

基于深度学习和灰度纹理特征的铁路接触网绝缘子状态检测

铁路接触网绝缘子状态检测对铁路行车安全有着 重大的意义,为解决目前人工对绝缘 子图像检测结果的不确定性,提出一种深度学习结合灰度纹理特征的检测方法。首先使用 Faster R-CNN (faster region-based convolutional neural network)目标检测算法对图像中绝缘子精确识别,再通过灰度共生矩阵对绝缘子纹理 特征进行分析提取,之后结合支持向量机将绝缘子分为正常绝缘子和异常绝缘子,实验数 据结果证明使用能量、熵、相关度3种纹理特征进行绝缘子状态分类时对实验数据中的正 常状态绝缘子的分类精度可达100%,异常状态绝缘子的分类精度达97.5%,最后依据绝缘 子图像灰度分布的周期性特点,利用灰度积分投影将异常绝缘子分为破损绝缘子和夹杂异 物绝缘子。实验结果表明所提方法可以有效对绝缘子状态进行检测分类。     

基于模糊核聚类和主动学习的异常检测方法

针对日志数据的异常检测获取标记数据代价过高的问题,提出一种基于模糊核聚类与主动学习的算法,即KFCM-AL算法。首先将日志解析,之后利用模糊核聚类算法将待选样本在高维空间进行划分聚类,滤去样本冗余点,同时选取聚类中心进行标记构建初始分类器,最后结合主动学习利用较小的标记代价对异常检测模型进行优化。实验结果表明,所提方法能够利用较少的标记样本获取异常检测模型的性能提升。     

一种基于异常值检测和群体智能优化神经网络的电价混合预测模型

为了提高短期电价预测精度,本文提出了一种将异常值检测、时间序列分析、神经网络以及群体智能算法相结合的混合算法。作为混合算法的具体实现,文中的异常值检测利用了残差比方法和正态分布方法,群体智能优化算法选取了粒子群(PSO)算法和布谷鸟(CS)算法。作为实例研究,本文将混合模型应用用于澳大利亚新南威尔士州短期电价预测中,结果表明,混合预测方法能在一定程度上提高模型的预测精度。     

基于背景纯化的改进协同表示的高光谱异常目标检测

针对协同表示的高光谱异常目标检测算法的异常点敏感问题,提出了一种基于背景纯化的改进协同表示的高光谱异常目标检测算法。利用扩展数学形态学的膨胀操作消除局部背景模型中可能存在的异常点,从而得到更为纯净的背景字典,能够有效地消除检测过程中异常点对检测效果的负面影响,从而提高检测精度。采用该算法对高光谱数据进行仿真实验,并与现有算法进行对比,结果表明该算法具有更好的检测效果。     

基于RFE+CatBoost模型的异常用电检测方法研究

针对传统电力检测领域中异常用电检测模型需要调节大量超参数导致异常用电检测效率低下,以及模型选取特征不能充分反映实际用电情况导致分类精度不高的问题,提出一种基于RFE+CatBoost模型的异常用电检测方法.较传统的异常用电检测方法而言,CatBoost算法降低了模型检测对于超参数的依赖.以用户用电数据作为研究对象,结合RFE算法分析用户在用电表现上的不同特征,采用分类预测算法对异常用电行为进行进一步研究,最后通过云南某地用户用电数据集进行验证,与其他用电异常检测模型进行对比,实验证明所提模型具有很好的检测能力,对于提升企业用电异常检测效率、指导用户更好地用电具有重要意义.     

基于BIM技术的大型钢结构建筑可靠性检测方法研究

针对现有大型钢结构建筑可靠性检测方法执行效率低、检测精度低等问题,设计基于BIM技术的大型钢结构建筑可靠性检测方法。首先以大型建筑钢结构为研究对象,运用BIM技术建立合理的建筑钢结构的功能函数用于描述极限状态,以极限状态方程为约束条件构建大型钢结构建筑可靠性分析约束优化模型。其次使用曾广乘子法将约束优化模型转变为无约束优化模型,使用模拟退火算法对该模型进行求解。最后模拟大型建筑钢结构形变状态设计对比实验,实验结果表明与同类检测方法相比,应用基于BIM技术的大型钢结构建筑可靠性检测方法后,检测精度提升97.77%以上,有效缓解了检测效率低下情况。     

网络被入侵后的信号检测系统设计与优化

针对当前对网络入侵异常检测精度不高的问题,进行网络被入侵后的异常信号检测系统优化设计,提出基于高阶时频谱分析的网络入侵异常信号检测算法,首先对信号检测算法进行改进设计,构建网络入侵信号模型,对入侵后的网络异常信号做非平稳信号经验模态分解和高阶时频谱特征提取;然后进行信号检测系统的开发;最后通过仿真实验进行性能测试。仿真结果表明,采用该信号检测系统能准确检测网络被入侵后的异常信号,且准确检测概率高于传统方法。     

改进型DV-Hop定位模型及其求解的混合视觉进化神经网络

针对DV-Hop定位模型跳距估计精度低且难准确获取未知节点位置的问题,提出改进型DV-Hop定位优化模型及其求解的混合视觉进化神经网络优化算法。DV-Hop定位模型设计中,引入4种通信半径细化节点间的跳数计算,并利用动态权重因子修正最小跳数及平均跳距计算模型,获得改进型DV-Hop的计算模型。算法设计中,依据果蝇和蝗虫视觉系统的信息处理机制,建立输出全局和局部学习率的混合视觉神经网络,进而在此神经网络的输出引导下,借助哈里斯鹰优化算法中哈里斯鹰的位置更新策略设计状态更新策略,由此获得能求解DV-Hop定位问题的视觉进化神经网络优化算法。比较性的数值实验显示,该算法求解基准函数优化问题具有明显优势,并对未知节点的定位精度高且收敛速度快。     

基于熵权聚类网络异常行为的检测方法研究

为了提高传统异常检测技术对尺度异常行为的检测能力,提出了一种基于统计量的聚类模型识别方法,将数据集中的每个数据与模型识别聚类中心的欧几里得距离进行比较,从而识别是否存在数据异常。不打破传统异常检测技术处理隔离机制,保证了规模异常行为的识别,解决了传统异常检测方法假设异常数据进行隔离的局限性。为了提高聚类精度,采用熵值法校正欧氏距离对数据属性进行加权,优化了最近邻聚类算法的相似性,并进行仿真。实验结果表明,统计方法和改进的聚类方法具有更高的聚类效率和自适应性。     

一种基于流量聚类性和切分性的改进异常检测模型

针对链路层异常检测中,由固定反馈时间点而导致的计算量积压以及大量无意义的采样流量数据等现象,提出了一种基于流量特征值的改进异常检测模型,重点探讨如何通过反馈计算机制实现周期内计算任务的合理优化和缩减采样数据。一方面,在对流持续时间的聚类性进行了深入分析并给出其可能聚类的最优簇基础上,将统一的反馈时间分散到各个聚类时间点;另一方面,基于流时序的可切分性对流量数据进行周期划分,并设计拟合函数对周期内流量特征进行量化表达。在此基础上,设计了改进反馈机制和异常检测算法流程。仿真实验表明,所提出的模型和算法不仅通过优化反馈计算时间提高了检测精度,而且通过降低采样数据冗余提高了检测效率。     

莱维飞行优化果蝇算法在光伏MPPT中的研究

实际工程中光伏阵列因局部遮挡引起局部阴影,造成输出的PU曲线呈现多峰值现象,传统方法进行最大功率点跟踪时,在跟踪精度、速度和最大功率点处振荡性都存在不足。为解决这些不足,在果蝇算法对多峰函数寻找最优解速度快的基础上,提出一种莱维飞行优化果蝇算法(LF-FOA)的光伏最大功率点跟踪策略。该方法以果蝇算法为主体,使用莱维飞行与果蝇算法相结合,增加其全局搜索能力,同时引入最劣解对果蝇运动步长进行修改,改进后的算法使果蝇以大小步长进行搜索,搜索的范围更加均匀,避免陷入局部寻优。通过函数仿真测试与Matlab/Simulink建模仿真,证明了LF-FOA算法能够逃离局部寻优,寻优时速度更快,精度更高,最大功率点处的振荡性更小。     

基于两阶段的数据库查询优化策略

针对基本果蝇优化算法以及其它数据库查询优化算法存在的查询效率低,难以找到全局最优解的缺陷,提出一种基于两阶段的数据库查询优化策略.首先对基本果蝇优化算法的缺陷进行分析,引入自适应步长和味道浓度判定值修正策略,然后采用改进果蝇优化算法找到数据库查询优化问题的解,最后采用遗传算法对解进一步进行查询,得到数据库查询优化问题的最优解,并通过仿真实验对其性能进行测试.仿真结果表明,相对于基本果蝇算法、粒子群优化算法,本文算法不仅加快了数据库查询优化问题的求解效率,同时获得了质量更好的数据库查询优化方案.     

量子粒子群和最小二乘支持向量机相结合的网络异常检测

为了提高网络安全性的异常入侵检测的准确率,提出一种量子粒子群算法（QPSO）优化最小二乘支持向量机（LSSVC）的网络异常检测方法（QPSO-LSSVC）.首先利用量子粒子群处算法对LSSVC模型参数进行搜索,选出最优参数,然后采用泛化性能力优异的LSSVC对网络入侵进行建模和检测.选取KDDCUP99数据对QPSO-LSSVC性能进行测试,实验结果表明,QPSO-LSSVC提高了网络异常检测准确率,降低了误报率,为网络安全提供了有效保证.     

基于深度学习的异常事件检测

面对复杂场景下异常事件检测的准确率偏低的情况,本文提出一种基于深度学习的异常事件检测方法,并将此方法扩展为异常事件分类方法.利用神经网络模型提取特征,将群体发散聚集事件,群体密集聚集事件,群体逃散事件和追赶事件这4种异常事件进行检测和分类.通过PKU-SVD-B测试集对训练出来的模型进行测试实验,并在UMN数据集上与几种方法做了对比实验,验证了本文提出的基于深度学习的异常事件检测算法,在适应多种不同场景的前提下,对多种异常事件检测的准确率很高,表明训练出来的模型对异常事件检测具有极强的泛化能力.     

采用HDPHMM符号化器的语音查询样例检测方法

提出一种基于层级狄利克雷过程隐马尔科夫模型（HDPHMM）符号化器的无监督语音查询样例检测（QbE-STD）方法。该方法首先应用一个双状态层隐马尔科夫模型,其中顶层状态用于表示所发现的声学单元,底层状态用于建模顶层状态的发射概率,通过对顶层状态假设一个层级狄利克雷过程先验,获得非参贝叶斯模型HDPHMM。使用无标注语音数据对该模型进行训练,然后对测试语音和查询样例输出后验概率特征矢量,使用非负矩阵分解算法对后验概率进行优化得到新的特征,然后在此基础上,应用修正分段动态时间规整算法进行检索,构成QbE-STD系统。实验结果表明,相比于基于高斯混合模型符号化器的基线系统,本文所提出的方法性能更优,检索精度得到显著提升。      

基于改进果蝇优化算法正交匹配追踪的超声信号降噪方法

降噪是超声信号处理的重要环节,正交匹配追踪是一种常用的降噪方法,传统正交匹配追踪算法计算量大、分解精度不高,无法提取强噪声背景下的超声信号.本文提出了一种结合果蝇优化算法和正交匹配追踪的超声信号降噪算法,将正交匹配追踪中的"贪婪"搜索转换为Gabor函数的参数优化问题,利用果蝇优化算法估计Gabor函数的最优值,采用自...     

基于改进型极限学习机的锂离子电池健康状态预测

针对目前利用机器学习方法预测锂离子电池健康状态( SOH)存在的训练时间长和预测精度低的问题,本文提出了一种基于改进型极限学习机(ELM)的SOH预测模型。首先利用灰色关联分析法选取出健康因子(HI)并将其作为模型的输入,然后通过自适应粒子群优化(APSO)算法对多层极限学习机(ML-ELM)的输入权重和隐层偏置进行了优化,最后利用NASA的3组锂离子电池数据对所提出的模型进行验证,并且与其他机器学习算法进行了比较。仿真实验结果表明,本文提出的APSO-ML-ELM算法的预测结果的RMSE小于2％并且MAPE小于1％,训练时间也相对更短。     

基于可变阈值的无线传感网络异常值检测

定义了新的异常因子,将数据分为正常、异常、临界3种状态,并在此基础上构建了一个基于动态阈值的异常值检测模型。在修正马尔科夫假设的基础上,给出动态阈值的更新方法。算法在无需训练集的条件下,实现了在线的实时异常值检测。仿真实验表明,算法在保持较高检测精度的同时,维持了较低的误报率。