辐射源个体识别中的对抗攻击研究

基于深度学习的辐射源个体识别研究主要关注识别精度的提升，往往忽视了识别过程中对抗样本的威胁。针对上述问题，本文在增加辐射源个体类别并提升模型识别精度的同时分析研究了对抗样本对高识别率深度学习识别网络产生的影响。首先获取小样本ADS B信号，通过数据随机切片进行数据增强；再对原有网络进行微调并加入卷积注意力模块提高模型对辐射源个体信号的识别率；最后使用4种攻击算法生成对抗样本并在辐射源个体识别网络上进行测试。除此之外，还将攻击前后的信号样本转化为图片进行可视化比较，以在攻击成功率和攻击隐蔽性之间权衡。实验结果表明，优化后的高识别率模型也容易受到对抗样本的攻击，基于动量的迭代攻击效果最好，相比于快速梯度下降的攻击方法的攻击效果高出10%。     

基于生成对抗网络的隔离开关分合位置判别方法研究及应用

针对隔离开关状态需要双确认的问题,提出一种基于深度卷积生成对抗网络(DCGAN)的开关状态图像识别方法。该方法首先建立对抗学习模型,提取隔离开关样本特征,确定初始参数值;然后基于识别误差率最小的目标函数,采用反向传播算法更新模型层间连接权值;最后通过网络逐层计算得到隔离开关分合位置判别结果。以某地区变电站内的隔离开关图像为例进行测试,结果表明该方法对大规模图像样本具有较高的辨识准确率。     

基于改进DCGAN的电力系统暂态稳定增强型自适应评估

海量的量测数据为基于数据驱动的暂态稳定预测方法提供了基础,然而故障态样本固有的不平衡性质影响了该类方法的性能。针对暂态稳定预测的样本不平衡问题,提出了一种基于改进深度卷积生成对抗网络(DCGAN)的样本增强方法,通过生成器和判别器交替对抗训练生成全新有效的失稳样本作为原始训练集的补充。离线训练时,采用深度置信网络作为分类器,采用扩充后的样本集对其进行训练,有效提高了模型对失稳样本的识别率;在线应用时,当系统发生预料之外的变化,采用样本迁移和模型微调技术更新离线模型,进一步对迁移之后的失稳样本进行增强,显著提高了暂态稳定自适应评估的迁移速度和在新场景下失稳样本的识别率,使得评估结果更加可靠。在IEEE 39节点系统和IEEE 140节点系统上的实验结果验证了所提方法的有效性。     

基于马尔可夫变迁场和EfficientNet的复合电能质量扰动识别

新型电力系统中电能质量扰动问题愈加复杂和严重,多种电能质量扰动同时出现,导致传统算法识别准确率降低。 提出一种基于马尔可夫变迁场和EfficientNet的复合电能质量扰动识别算法。采用马尔可夫变迁场将电能质量扰动信号可视化映射为二维特征图像;通过EfficientNet卷积神经网络处理图像数据,实现扰动信号的特征提取;利用神经架构搜索自动调节卷积神经网络超参数进行网络训练,建立电能质量扰动分类识别模型。仿真结果表明,所提方法能够准确高效地提取扰动信号特征,对复合电能质量扰动分类效果好且抗噪声能力强。     

基于二维灰度图的数据增强方法在电机轴承故障诊断的应用研究

在基于深度学习的电机轴承故障诊断中,一般采用基于生成对抗网络(generative adversarial networks,GANs)的数据增强方法以获取足量故障数据,从而保证模型的性能。一维时序信号下的数据增强会出现生成数据质量差、网络训练速度慢以及训练过程繁琐等问题,该文针对此,提出一种基于二维灰度图及辅助分类生成对抗网络(2D gray pixel images and auxiliary classifier generative adversarial networks,2D-ACGANs)的数据增强方法。首先将原始的一维时序信号转换为二维灰度图,以得到适用于二维卷积神经网络的输入数据;在此基础上结合辅助分类生成对抗网络,将原始数据的标签作为此网络的输入进行数据增强,该方法较一维数据增强方法有效减少网络训练参数量,同时解决传统方法中训练繁琐及标签信息丢失的问题。最后将提出的方法用于电机轴承的故障实验数据中进行对比验证,结果表明改进的2D-ACGANs算法能生成更高质量的数据,有效提高故障识别准确率及网络训练速度,具备良好的工程应用可行性。     

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。     

基于卡尔曼滤波和深度置信网络的复合电能质量扰动分类

针对实际电能质量扰动数据大、识别多重扰动精度不高的问题,提出了一种基于自适应最大似然卡尔曼滤波和深度置信网络相结合的电能质量扰动识别方法.首先,该方法使用自适应最大似然卡尔曼滤波对含有噪声的原始扰动信号进行去噪.然后,通过深度置信网络对去除噪声的扰动信号进行训练、分类,以此实现电能质量扰动类型的识别.最后,在20类不同...     

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。     

基于侧输出融合卷积神经网络的电能质量扰动分类方法

针对传统电能质量扰动分类方法分类准确率低、人工选择特征困难等缺点,提出了一种基于深度学习的侧输出融合卷积神经网络用于电能质量扰动信号分类.首先,对电能质量扰动信号进行预处理,使输入信号数据标准化,有利于提升所提方法的收敛速度和精度.在传统卷积神经网络中引入侧输出融合结构,通过组合卷积低、中和高层的信息进行特征融合,以更好地对输入信号进行分类.针对实测数据不足和信号数据类型分布不均衡等问题,采用数据增强的方法对信号进行处理.仿真和实测数据验证表明,所提方法可以自动进行特征提取和优化,具有分类速度快、分类准确率高等优点.     

基于生成对抗网络和联邦学习的非侵入式负荷分解方法

非侵入式负荷分解是对终端用户用电需求的重要感知手段,传统负荷分解方法存在电器识别和功率分解准确度低等问题。为此提出一种基于生成对抗网络的负荷分解模型,生成网络通过构建卷积自编码器对总功率信号去噪,生成指定电器的功率分解序列,而判别网络被用来辨别生成序列的真伪,两者相互对抗,得到更为真实的分解序列。针对集中式模型训练方法的不足,采用深度可分离卷积代替传统卷积来实现模型轻量化,使之能应用于智能电表等终端设备,并提出一种基于联邦学习的网络模型实施方案,以云边协同的方式对模型进行训练,降低了通信传输压力,保护用户隐私和数据安全。基于公开数据集验证了方法的有效性。     

基于SCG优化SSAE-FFNN的电能质量复合扰动深度特征提取与分类

在智能电网发展下,电能质量问题已遍布电网并威胁着电网的安全稳定,且电能质量监测数据日渐庞大,实现大规模系统中电能质量扰动(power quality disturbances, PQDs)的特征深度提取及智能分类识别对电力系统污染检测与管理具有重要意义。为此,文中提出了一种基于堆叠稀疏自编码器（Stacked Sparse Auto Encoder,SSAE）和前馈神经网络（Feedforward Neural Network,FFNN）的电能质量复合扰动分类方法。首先,基于IEEE标准构建PQDs仿真模型。然后,建立基于SSAE-FFNN的PQDs分类模型,并引入缩放共轭梯度（Scaled Conjugate Gradient, SCG）算法对模型进行优化,以提高梯度下降的速度并增加网络训练的效率。接着,为有效降低堆叠网络的重构损失同时提取出深度的低维特征,构建SSAE的逐层训练集及微调策略。最后,通过算例分析验证文中所提方法的分类效果、鲁棒性、泛化性和适用场景规模。结果表明,文中方法能够有效识别电能质量复合扰动,对含误差扰动和某地市电网的21组实测扰动录波数据也有较高的分类准确度。     

基于一维多尺度深度残差网络的电能质量扰动分类

针对传统电能质量扰动识别和分类方法存在分类准确率低、泛化能力差、鲁棒性弱的问题,提出了一种基于深度学习的一维多尺度深度残差网络(1D-MDR)对电能质量扰动进行识别分类的方法。该方法首先引入多尺度熵对扰动信号进行预处理,有效地表征扰动信号的多尺度特征;然后将多尺度特征信号输入到基于自适应软阈值的深度残差网络中,对多尺度电能质量扰动信号进行特征提取并融合;最后,利用全连接网络实现电能质量扰动信号的分类。仿真实验表明,提出的方法能够自动、准确地进行特征提取,并进行有效的识别分类。通过对比实验,证明该方法具有更高的准确率。     

基于单向表示字典学习的电能质量扰动识别方法

电能质量扰动识别是电能质量数据分析问题中极其重要的一个部分。目前已经实现的电能质量扰动识别方法普遍存在识别速度较慢,识别准确率仍有较大提升空间等问题。本文提出一种计算简单但能有效识别分类的方法,即基于单向表示字典学习的电能质量扰动识别方法。首先对电能质量数据的训练样本进行训练得到与各个类别对应的子字典,提出单向约束以使样本在字典中的表示系数方向可以区分,然后通过计算测试样本的表示系数方向以及大小来区分所属类别。实验结果表明,本文所提方法不但识别准确度高于已有的识别方法,而且计算效率也有较大提升。     

基于卷积-长短期记忆网络的电能质量扰动分类

为了提高电能质量扰动分类准确率,针对扰动信号时序性的特点,采用了基于卷积-长短期记忆网络的电能质量扰动分类方法。首先,将扰动信号进行采样作为输入。然后,通过卷积神经网络(CNN)提取特征数据,再对提取到的特征数据以序列的形式作为长短期记忆网络(LSTM)的输入,对特征数据进行筛选更新。最后,再对输出的特征数据进行学习分类。仿真结果显示,该方法对电能质量扰动信号的平均分类准确率为99.6%,优于单一的CNN法和单一的LSTM法。     

基于生成式对抗网络的窃电检测数据生成方法EI北大核心CSCD

日益增长的用户侧用电数据为基于数据驱动的窃电检测方法奠定了基础,然而窃电检测数据固有的不平衡性质会影响该类方法的性能。针对窃电检测的数据不平衡问题,提出一种基于Wasserstein生成对抗网络(wasserstein generative adversarialnetwork,WGAN)的窃电样本过采样方法,通过WGAN生成器与判别器的对抗训练,神经网络能够学习到窃电负荷序列难以显式建模的时间相关性,生成与真实窃电样本具有相近分布的合成样本。采用WGAN训练期间生成的多组窃电样本对原始窃电样本进行增强,使用卷积神经网络在多组增强训练集上进行训练,选择在验证集上取得最高AUC值的增强训练集,最后在其上训练分类器实现窃电检测。所提方法在某电力公司提供的真实数据上进行了实验测试,结果表明相比于随机过采样、SMOTE和ADASYN等方法在检出率、误检率、F1测度以及AUC评价指标上有明显提升。     

基于数据增强的太阳能电池片缺陷检测

针对太阳能电池片缺陷数据量匮乏造成的网络过拟合和模型性能不达标的问题,提出基于深度卷积对抗生成网络和图像随机拼接的真假数据融合算法,将训练数据量提升了800倍;同时对网络模型进行轻量化优化,减少模型训练参数。实验结果表明,经过真假数据融合扩充数据集后训练的模型测试精度相比原始训练集和传统数据增强算法分别提升了近30%和17%;轻量化处理后的模型参数减少为之前的1/2,对每张图片的测试时间由57 ms缩短到22 ms。研究证明,真假数据融合算法能够有效的缓解训练数据不足造成网络过拟合问题;轻量化优化模型在保证精度的同时,压缩模型大小,加快测试速度。     

基于数据增强的太阳能电池片缺陷检测

针对太阳能电池片缺陷数据量匮乏造成的网络过拟合和模型性能不达标的问题,提出基于深度卷积对抗生成网络和图像随机拼接的真假数据融合算法,将训练数据量提升了800倍;同时对网络模型进行轻量化优化,减少模型训练参数。实验结果表明,经过真假数据融合扩充数据集后训练的模型测试精度相比原始训练集和传统数据增强算法分别提升了近30%和17%;轻量化处理后的模型参数减少为之前的1/2,对每张图片的测试时间由57 ms缩短到22 ms。研究证明,真假数据融合算法能够有效的缓解训练数据不足造成网络过拟合问题;轻量化优化模型在保证精度的同时,压缩模型大小,加快测试速度。     

基于循环生成对抗网络的增强罗兰信号生成

在信号生成算法中,需要大量标记信号样本用于网络训练,但通常携带电文信息标记的信号难以批量获取。针对此问题本文提出一种基于循环生成对抗网络和迁移学习的方法,实现了无需大量信号及对应电文作为标记的增强罗兰信号生成,并使用迁移学习在少量实测信号情况下快速生成。循环生成对抗网络的结构包括两个生成器和两个判别器,利用无需一一对应的增强罗兰信号和电文数据集,使生成器学习到两个数据集之间的相互转换关系,实现输入电文数据可以生成与之相对应的增强罗兰信号,并且针对增强罗兰信号的特性,使用一维卷积、残差网络、自注意力机制对网络模型进行改进。实验证实,生成信号与实测数据的均方误差为0.015 3,平均皮尔逊相关系数为0.984 3,且所含电文信息准确率为99.02%。本文在PSK、ASK、FSK数据集上验证了算法,实验结果表明生成的信号满足预期,为未知参数的信号调制和解调提供一种新的思路。     

基于S&TT变换与PSO-SVMs的电能质量混合扰动识别

针对电能质量混合扰动复杂,扰动特征间存在交叉、难以识别的问题,文章提出一种电能质量混合扰动快速识别方法。建立了15种电能质量扰动信号数学模型,并运用S变换和TT变换提取扰动信号的60个特征量,经过PCA降维处理获得特征集主元;引入PSO算法优化支持向量机的惩罚因子和核函数参数,构造一对多支持向量机分类器以识别电能质量暂态扰动的类型;最后,基于Matlab生成扰动信号数据并建立PSO-SVMs分类器,仿真实验结果证明了该方法的可靠性和鲁棒性。     

基于生成对抗网络和深度残差神经网络的变电站异物检测

变电站电力巡检能够保证变电设备安全运行,及时发现潜在危险和隐患。传统方法主要依靠人工完成,需要较多的人力物力,并且由于变电站异物入侵的偶然性和突发性,传统方法很难预测发生的时间和地点。针对该问题,提出了基于生成对抗网络和深度残差神经网络的变电站异物检测技术。利用深度残差神经网络提出图片的特征,结合区域推荐网络和池化分类器实现目标的分类和定位。利用生成对抗网络生成样本扩充训练数据库,提升了网络的学习能力。最后利用真实变电站的图片数据进行测试,提出的方法具有较高的异物识别准确度,并且比较了不同种类不同数目的训练集,验证了通过生成对抗网络扩充样本的有效性和可行性。