融合自注意力机制的入侵检测数据生成方法

针对传统入侵检测领域由于数据不平衡而出现少数类检测率低的问题，设计了一种基于条件生成对抗网络和CatBoost算法的数据生成模型（SA-WCGAN）。首先，采用CatBoost算法对原始数据集进行特征选择，减少模型训练时间。之后，利用SA-WCGAN生成模型进行数据扩充，解决数据不平衡问题，该生成模型引入自注意力机制（SA），提取攻击样本的全局特征，提高少数类攻击样本生成的质量；同时，引入Wasserstein距离和梯度惩罚，提高模型训练过程的收敛速度和稳定性。实验结果表明：在公开基准数据集NSL-KDD上，SA-WCGAN生成模型在只有少数样本的攻击类型上具有较高的精确率、召回率和F1分数。同时，与现有5种方法的比较分析也证实了该模型的优越性。     

基于深度神经网络的材料粘接裂缝识别

针对传统裂缝识别方法准确率低的问题，研究基于深度神经网络，设计一个Crack-CNN裂缝识别模型。根据CNN神经网络结构，利用CNN的特征提取和学习能力特性，将CNN应用于材料粘接裂缝识别中，然后将裂缝定位和CNN网络相结合，构建Crack-CNN模型，将裂缝图像输入至该模型中，通过CNN网络提取裂缝特征，并进行卷积、池化操作，再利用激活函数和全连接层进行特征分类，最终输出裂缝分类结果。结果表明，相较于传统裂缝识别模型，模型的训练和测试精度均保持在95%以上，模型的训练时间为3 825 s，远远低于VGG-13和ResNet模型。由此证明该模型性能好，可在材料粘接裂缝中取得较好的识别效果。     

基于深度学习的高延性水泥基复合材料单轴拉伸裂缝检查与特征定量化识别

对高延性水泥基材料(ECC)的裂缝特征进行准确识别和测量是研究ECC力学性能与耐久性的重要手段。针对ECC裂缝数量多且细密，纤维噪声干扰重等问题，基于深度学习方法，采用适合于小样本数量生物图像识别的U-Net模型，加上部分Res Net网络层结构进行优化，结合新增制作的适用于ECC的数据集，训练神经网络模型，进行语义分割获取裂缝像素。针对裂纹参数提取问题，使用骨骼提取方法，结合数字图像处理流程，运用CLAHE滤镜和半峰全宽概念获取裂缝宽度，实现了混杂纤维ECC狗骨试件和ECC连接板的裂缝识别与参数提取。结果表明：采用深度学习方法建立的ECC裂缝识别与智能检测方法与实际手工测量误差范围在0.6 mm以内。研究成果可为ECC裂缝检查与特征定量化识别提供准确有效和高通量的分析方法。     

基于长短时记忆循环网络的塑料编织机故障诊断研究

长短时记忆(LSTM)循环神经网络的塑料编织机故障诊断法通过提取振动信号的能量矩,突出信号在时间轴上的分布特征,降低输入模型的向量维度。从多个特征向量构成的样本集中选择80%作为训练样本,训练LSTM循环神经网络模型,并利用剩余样本验证模型的检测精度;以准确率、查准率和查全率作为评价指标,利用多组不同的振动数据样本,对BP神经网络模型、卷积神经网络(CNN)模型和LSTM循环神经网络模型进行比较分析。结果表明:LSTM循环神经网络模型在不同样本中能够同时达到较高的准确率、查准率和查全率,其平均值分别可达95.69%、86.96%、96.89%,证明LSTM循环神经网络能充分学习具有时序特性的故障信息,对塑料编织机的故障诊断具有可行性和有效性。     

基于神经网络和D-S证据理论的气液两相流流型识别方法

提出一种运用神经网络和D-S（Dempster-Shafer）证据理论的多特征信息融合的气液两相流流型识别方法.对压差波动信号进行4层小波包分解,提取各频带信号的小波包能量和信息熵构造两个特征向量,再利用统计和分形理论提取压差波动信号的3个统计参数和4个分形参数作为另一个特征向量,然后将这些特征向量送入改进的BP神经网络进行训练,从而实现对流型的识别.以初始识别结果作为彼此独立的证据,根据D-S证据融合规则进行融合处理,得到最终的识别结果.以水平管内空气-水两相流流型识别为例,说明了该方法的具体实现过程.结果表明,多特征信息融合比单一特征的识别方法具有更高的识别率.     

基于光谱数据融合和人工神经网络的汽车灯罩鉴别

针对法庭科学领域对物证快速、无损、准确的检验需求，采用红外光谱原始数据和导数数据相结合的光谱数据融合技术对汽车灯罩样本进行分析。对收集的44个汽车灯罩样本采集红外谱图，采用自动基线校正、峰面积归一化、Savitzky?Golay 算法平滑对谱图进行预处理，并对处理后的数据进行一阶求导，结合人工神经网络（ANN）算法构建分类模型。在径向基函数神经网络（RBF）模型中，结合主成分分析对光谱原始数据、一阶导数数据和融合的数据进行分类，分类准确率分别为81.2 %、84.1 %和90.9 %；在多层感知器神经网络（MLP）模型中，结合主成分分析对光谱原始数据、一阶导数数据和融合的数据进行分类，分类准确率分别为84.1 %、86.4 %和97.7 %，且在对44个汽车灯罩样本的12种品牌进行分类时，分类准确率也达到97.7 %，实验结果理想。结果表明，基于红外光谱原始数据和导数数据相结合的光谱数据融合技术能够实现对汽车灯罩样本的准确分析，且满足快速、无损、准确的检验要求，可以为光谱融合技术在法庭科学领域中物证的检验提供一定参考。     

基于互信息和自组织RBF神经网络的出水BOD软测量方法

针对污水处理过程出水生化需氧量（biochemical oxygen demand，BOD）难以实时准确测量的问题，提出了一种基于互信息和自组织RBF神经网络的软测量方法对出水BOD进行预测。首先，使用基于互信息的方法提取相关特征参量作为软测量模型的输入变量；其次，设计一种基于误差校正-敏感度分析的自组织RBF神经网络，使用改进的Levenberg-Marquardt（LM）算法对网络进行训练以提高训练速度；最后将软测量模型应用于UCI公开数据集及实际的污水处理过程，实验结果表明该软测量模型结构紧凑，训练时间相对较短，预测精度有所提高，能够对出水BOD实现快速准确预测。     

基于短时平均幅度和HMM的语音识别系统研究

为克服现行语音识别精度不高的缺点,充分利用资源,改进语音识别效率,研究了基于音频波段特征分析的声音检测与分辨方法。方法以不同人对同一字的发音样本中的音频段信号为主要检测组分,研究不同样本的语音特征区别,使用MNP21声音传感器采集音频信号并进行分析。针对不同人的发音样本体系,提出了使用音频波段检测的思路。基于短时平均幅度优化获得音频信号,进而用隐马尔可夫模型进行识别,设计了语音识别系统。实验结果表明：每人采集10组样本训练,针对五人的不同样本进行多次语音区分,准确率达到100%。     

基于大数据环境的海洋石油钻完井数据分析系统建构

基于海洋石油钻完井大数据系统，对其数据分析系统进行技术革新优化并构建新式大数据系统。在大数据层次模型的基础上，保持硬件层、解释层架构不变的情况下，通过对数据层和治理层进行优化，使钻完井数据库与钻井平台其他相关数据库之间实现基于API的数据逻辑连接，实现更大范围的数据融合。该模型使用后的上述四大IDC资源需求量显著降低，在使用后数据库规模缩小17.56%的前提下，其查询量提升5.59倍，可用查询规模提升11.67倍，导致数据查询放大比从使用前的2.194提升到使用后的31.063。此时数据的可挖掘价值大幅度提升，未来可以在应用层开发更加丰富的数据应用，以实现钻完井数据的充分利用。     

基于OPLS-DA提取VIP值的塑料餐盒K-NN拉曼光谱分析

为了实现塑料餐盒这一食品包装材料的拉曼光谱特征提取和模式识别的系列研究,进行有监督的正交偏最小二乘判别分析算法模型的构建,样本在提取出的3个正交新变量上类与类之间明显区分开来。从已构建模型中提取出变量投影重要性局部极大值大于1的29个特征变量进行k值为1的K最近邻算法分类,最终训练集和测试集的分类正确率分别达到了92. 3%和100%,表明包括模型构建、特征提取和模式识别在内的系列方法可有效对塑料餐盒样本进行分类识别。     

基于大数据挖掘的数字化档案信息安全储存方法

由于传统档案信息储存方法工作效率较低，且无法保证信息的安全性，本研究基于大数据挖掘的数字化档案信息安全储存方法，在大数据挖掘技术的基础上，利用数字化信息管理分布函数，完成档案信息大数据储存模型的建立；建立大数据挖掘的预测评估模型，计算档案信息的联合密度，将其应用到系统信息检索中，实现对档案信息关联规则特征的提取；在满足交换与结合规律前提下，对采集的数据样本进行重组，在完成档案信息完整度验证后，实现档案信息安全的储存与加密。测试结果表明：在档案信息储存中使用大数据挖掘技术，发送终端与接收终端得到的最大的安全系数分别为98.4%与95.9%，且信息检索的平均时间仅为16.25 s，保证档案信息的安全与工作效率。     

基于RBF神经网络的水轮机故障诊断研究

基于RBF神经网络,提出使用RBF神经网络进行水轮机故障诊断,给出RBF神经网络模型及算法。对水轮机故障信号进行分析,并提取故障信号特征量,将故障信号特征向量作为学习样本,通过训练,使构造的RBF神经网络能够反映特征向量和故障类型之间的映射关系,从而达到故障诊断的目的。     

融合线性和非线性残差的一次性垃圾分类模型

为应对一次性塑料垃圾难检测的问题,应用卷积神经网络提出一次性塑料垃圾分类模型。该模型在预处理阶段模拟手工提取方式捕获线性和非线性残差信息,在残差特征学习阶段通过卷积神经网络融合线性和非线性残差特征。仿真结果表明:线性和非线性残差特征具备较优的分类能力,深层次网络有利于融合各类残差且学习捕获高级语义特征信息,本模型的检测分类准确率为75.84%,优于传统HOG模型约8%。     

基于深度残差网络的化工过程故障诊断

本工作提出了一种基于深度残差网络(DRN)的化工过程故障诊断方法,可从大量化工过程运行数据中自动提取故障特征。模型采用快捷连接缓解传统深度神经网络训练困难的问题,且使用批归一化(BN)方法,可有效缓解梯度消失/爆炸的问题。以田纳西?伊斯曼(TE)过程为实验对象对所提方法进行诊断性能评价实验,并与以往的基于传统深度学习模型的TE过程故障诊断方法进行对比,进一步探究了模型层数、BN技术和残差结构对故障诊断率的影响,最后,通过t分布随机邻域嵌入(t-SNE)方法对网络部分层的输出进行可视化。结果表明,模型对21种工况取得了94%的平均故障诊断率和0.30%的平均假阳率,表现出更加卓越的诊断性能。输出层的二维散点图显示了清晰的聚类,表明所提出的DRN模型能够对故障进行准确诊断。     

基于状态空间主成分分析网络的故障检测方法

作为一种经典的方法,主成分分析（PCA）在多元统计过程监控领域得到了广泛的应用。然而,主成分分析及其各种改进方法仅从原始数据中提取了一层特征,缺乏对深层次特征的提取。计算机领域深度学习技术的发展表明了深层次的网络结构有利于数据特征的提取,因此,将主成分分析网络（PCANet）这种深度学习网络结构引入到故障诊断领域,与多元统计过程监控方法进行结合,以增强故障检测效果。在PCANet框架下,针对工业过程数据的动态特征,在网络结构中增加了状态空间模型作为动态层以解决动态性问题。此外,还以故障检测为目标重新设计了输出层。最后,通过在TE过程上的仿真测试验证了该方法用于故障检测的可行性和有效性。     

基于状态空间主成分分析网络的故障检测方法

作为一种经典的方法,主成分分析(PCA)在多元统计过程监控领域得到了广泛的应用。然而,主成分分析及其各种改进方法仅从原始数据中提取了一层特征,缺乏对深层次特征的提取。计算机领域深度学习技术的发展表明了深层次的网络结构有利于数据特征的提取,因此,将主成分分析网络(PCANet)这种深度学习网络结构引入到故障诊断领域,与多元统计过程监控方法进行结合,以增强故障检测效果。在PCANet框架下,针对工业过程数据的动态特征,在网络结构中增加了状态空间模型作为动态层以解决动态性问题。此外,还以故障检测为目标重新设计了输出层。最后,通过在TE过程上的仿真测试验证了该方法用于故障检测的可行性和有效性。     

基于Hilbert-Huang变换和支持向量机的油水两相流流型识别

针对油水两相流的测量难题，利用文丘里管对水平管内油水两相流流型进行了研究。基于差压波动信号，提出了Hilbert-Huang变换与支持向量机相结合的流型识别方法。首先计算差压波动信号的均方根，并对其进行归一化处理后作为表征流型的特征向量之一；然后对差压信号进行Hilbert-Huang变换，利用经验模态分解后的多分辨率特征，提取第一层和第二层的能量比作为表征流型的另外两个特征向量；最后利用训练好的支持向量机进行流型识别，对分层流型及分散流型取得了较好的流型识别效果。如果将流型识别与推导得到的文丘里油水两相流流量测量模型相结合，可以较好地实现油水两相流的流量测量。     

基于GRU神经网络多标签多分类的焦炭质量预测模型

通过关联配合煤中硫、灰分、挥发分的质量分数等主要的煤质指标，利用基于Adma算法为优化器的GRU神经网络模型，不断对模型参数进行调整后，通过sigmoid激活函数判断模型准确率的多标签多分类方法，建立了焦炭质量预测模型。结果表明：当三层GRU网络的隐层神经元数量为(64,64,64);学习率为0.01;样本批次大小为64;样本训练次数为50;丢弃率为0.3时，得到了模型的最优参数，此时模型预测准确率达到97%。采用GRU神经网络多标签多分类焦炭预测模型不仅具有高精度、低损失函数等特点，而且针对小样本配煤数据预测焦炭质量可以达到很好的效果，对实际的配煤炼焦具有一定的参考意义。     

基于图像处理的轮胎X光图像缺陷检测

在图像处理的基础上使用深度学习方法对轮胎X光图像缺陷进行自动检测。轮胎X光图像具有高分辨率、形状狭长、缺陷目标较小的特点,通过将每张X光图像按照640×640像素进行切割,对切割出的每个区域进行标注,把存在缺陷的区域划分到训练集,对训练集进行直方图均衡化以增强图像前景与背景的对比度,进而继续对训练集进行数据增强以提高模型的泛化能力,最后在Faster R-CNN深度学习缺陷检测模型上训练出最优权重。在模型推理阶段,完整的X光图像会被送入模型,缺陷范围被框出,重组为原始X光图像;若某个缺陷具有多个选框,则将所有邻近的选框合成为一个选框。该方法能够有效降低小缺陷目标的漏检率,提高检测的准确率,间接解决了原始X光图像特征丢失的问题。     

基于紫外和红外光谱联合的低零值绝缘子状态监测技术研究

单纯以紫外光谱监督的传统方法无法检测绝缘子内部杂质的含量和变化趋势。为此提出基于紫外和红外光谱联合的低零值绝缘子状态监测技术，分别利用紫外光谱成像原理采集低零值绝缘子图像，辅助红外光谱检测绝缘子内部杂质的含量和变化趋势，并将二者采集到的光谱进行配准，获取绝缘子紫外和红外联合光谱，提取低零值绝缘子的过热特征、闪络特征以及破损特征，并将提取的特征向量作为样本输入至SVM分类器中实施分类处理，以此达到对低零值绝缘子状态实时监测的目的。结果表明，这种联合方法获取到的低零值绝缘子图像效果较好，并且能够对低零值绝缘子的状态作出准确判断。