一种基于卷积神经网络的配电网主站告警窗口的图像识别方法

随着配电网拓扑结构与设备规模的不断扩大,配电网主站中集聚了海量告警信息,亟需高效计算能力进行识别与分析。本文以配电网信息物理主站系统的强大硬件系统为依托,基于卷积神经网络的先进事件处理能力,形成了告警图像智能分析技术,实现告警信息在线综合处理、显示与推理,支持汇集和处理。以实际主站告警业务为例,对大量告警信息进行精准识别,实现对图像数值分析、阈值对比、趋势分析,对异常状态进行自动预警,实时对电网运维人员进行故障告警推送。基于实际配电网实景场景验证了设备识别与缺陷识别的准确性,支持实现配网运行监控、故障处理的一体化运行。     

基于攻击图的多源告警关联分析方法

现有基于攻击图(attack graph)的告警关联分析方法难以全面处理告警关联关系,同时,漏报推断和告警预测带来大量冗余路径误报。针对以上问题提出了基于攻击图的多源告警关联分析算法,能够综合应用图关系和阈值限制进行联动推断和预测,达到更为全面解决攻击图中的告警漏报和减少误报数量的目的。同时,将告警处理算法并行化,提出了AG-PAP告警并行处理引擎。实验表明,该方法能够提升关联分析的有效性和性能表现。     

一种基于数据挖掘的告警云图模型

集中故障管理的工单压减工作,对于改善网络环境、完成企业KPI考核等,具有重要影响,是企业系统维护和平台管理工作中的重点。尽管前期已进行大量优化,但告警工单比仍有较大的上升空间。针对前期工作中的不足,采用数据挖掘的思路,实施历史库中告警之间的关联与自关联、规则之间的关联等工作,采用"数据采集-信息提取-知识提炼-规则生成-流程优化"的步骤,在极大改善企业考核指标的同时,也为企业节约了大量支出。     

一种基于图立方体的移动对象网络压缩算法

针对大规模移动对象网络在构建图立方体的过程中产生的大量浓缩图,引入了图压缩的思想,提出了进一步压缩浓缩图的算法MC-compress,用来合并浓缩图中顶点和相应的边.通过将图中相邻的两个顶点进行合并,再比较两条边合并后权重的最大差异度,从而找出最优的合并顶点对,最终产生构建压缩图的超级顶点和超级边.通过压缩图结构,加快了在图立方体上查询图结构的显示过程,减少了构建图立方体过程中存储大量浓缩图的空间.     

基于数据挖掘的WLAN告警分析

从告警数据库大量的告警数据中提取有用的信息是WLAN故障管理需要解决的主要问题之一.文中基于WLAN告警特点,提出了一种对告警数据库进行知识发现的数据挖掘模型,该模型结合了告警过滤和相关性分析,具有高效、易于理解和操作的优点.     

基于序列模式挖掘的网管告警系统

告警关联分析是网络故障管理中的一个难点,传统方法由于需要引入大量的先验知识而难以适应网络复杂多变的情况.序列模式挖掘作为一种时序数据分析的有效手段,能够自动从告警中提取出有助于关联分析的情景规则.本文首先介绍了与情景规则有关的一些基本概念,然后讨论了挖掘情景规则的常用算法,进而提出了基于序列模式挖掘的告警关联分析的网管系统模型,并实现了一个简单的原型系统,实验证明该系统能够从海量告警中提取出有助于关联分析的情景规则.     

一种改进的Elman神经网络的模型

本文首先详细地阐述了Ｅｌｍａｎ神经网络的结构、原理和学习算法。为了进一步提高Ｅｌｍａｎ神经网络的逼近能力和动态特性，我们提出了一种改进的Ｅｌｍａｎ神经网络模型。这种新的Ｅｌｍａｎ神经网络在关联节点与输出节点之间又增加了一组可调权值，利用误差回馈原理推导出了其相应的学习算法。仿真实验结果表明，改进的Ｅｌｍａｎ神经网络比原来的网络具有更好的动态性能，对于贯序输入输出数据的逼近收敛速度更快。     

一种基于关联的IDS告警分析模型

针对现有入侵检测系统中存在告警量过大、误报率高的问题,运用过滤检测、相关性分析等方法,对原始告警信息进行二次处理.实验证明,该模型能有效缩减告警数量,降低误警率.同时,还能将告警结果按照危险级别进行分类统计,以图形化的方式报告给用户,从而达到预警的目的.     

基于小波神经网络的告警信息相关性挖掘策略

针对现有告警信息相关性分析方法没有客观全面考虑各告警的重要程度,无法体现告警之间个体差异性等问题,该文提出一种基于小波神经网络的加权关联规则告警挖掘算法。综合告警级别、告警类型以及告警设备类型3个主要告警属性,将其作为小波神经网络的输入,通过对历史样本数据的学习确定连接权值,合理地评估各个告警属性重要程度,利用所得权值向量进一步挖掘告警加权关联规则。结果表明所提算法在权值确定时能够综合考虑告警信息的多个属性及历史经验,得到的权值更能合理地反映告警重要度,所得关联规则能够更加准确地反映告警之间的相关性。     

一种基于自组织过程神经网络的动态样本半监督学习算法

针对时变信号模式分类和未标记样本信息的有效利用问题,提出了一种基于自组织过程神经网络的动态样本半监督学习算法.根据获得的已标记和未标记的过程函数样本信号,分别构建基于竞争学习规则和有教师示教方法的自组织过程神经网络模型,利用该网络的自组织特性,实现动态样本的分类标识.文中分析了算法的信息处理机制,给出了具体的实现步骤....     

一种基于神经网络算法的频谱分析方法

提出了一种基于神经网络算法的频谱分析方法,研究了神经网络算法的收敛性,给出了频谱分析的应用实例.研究结果表明,本文提出的频谱分析方法不涉及复数的乘法运算和加法运算,计算精度高,且速度快,便于软件和硬件实现,特别适合于DSP软硬件实现,因而是一种有效的频谱分析方法.     

基于改进序列模式挖掘算法的告警关联模型

在电力故障发生时,会产生大量的电力故障告警信息数据,如何从电力故障告警信息中挖掘出可靠的关联规则,对后续电力的调度运维有着重要的影响。广义序列模式（Generalized Sequential Pattern,GSP）算法通过增加时间上的约束条件提高算法的效率,适合应用于电力故障告警信息挖掘的场景。针对GSP算法中的关键参数多和不同的参数组合影响算法的准确性和可靠性的问题,将遗传算法与GSP算法相结合,自适应地得到一组较好的参数,将参数代入GSP算法,从而得到更加可靠的关联规则,以此来解决在电力故障告警信息应用中很难为不同的数据集找到合适的参数组合的问题。通过实例验证,电力故障告警信息数据应用遗传算法结合GSP算法能够有效地得到更加准确和可靠的计算结果。     

基于Word2vec的图书馆图书推荐系统的实现研究

针对图书馆图书推荐系统数据稀疏、语义缺乏、无法解决图书在时间上的局部共存问题,采用Word2vec技术,将读者借阅的所有图书作为一条具有上下文关系的图书序列,训练得到每本图书的向量表示,并将这些图书的向量进行求和,通过余弦距离计算图书在向量空间上的相似度,并与求和的值进行比较,选择比较接近的值的图书,形成推荐列表.采集...     

基于神经网络物品嵌入表示在图书推荐系统的研究

本文针对传统推荐系统的不足进行分析,并介绍近年来在自然语言领域中表现效果优秀的词嵌入模型word2vec基本原理。借鉴word2vec思路,利用读者行为数据进行建模,把图书表示为一个固定的低维空间嵌入表示,将该向量在度量物品的表示以及物品的相似性应用到图书推荐系统。     

一种改进的Elman神经网络模型

本文首先详细地阐述了Elman神经网络的结构、原理和学习算法.为了进一步提高Elman神经网络的逼近能力和动态特性,我们提出了一种改进的Elman神经网络模型.这种新的Elman神经网络在关联节点与输出节点之间又增加了一组可调权值,利用误差回馈原理推导出了其相应的学习算法.仿真实验结果表明,改进的Elman神经网络比原来的网络具有更好的动态性能,对于贯序输入输出数据的逼近收敛速度更快.     

一种用于PCA与MCA的神经网络学习算法

主元分析（ＰＣＡ）和次元分析（ＭＣＡ）是用于特征提取、数据压缩、频率估计、曲线拟合等信号处理的基本技术，以神经网络来实现ＰＣＡ和ＭＣＡ是当今研究的一大热点，相关矩阵Ｒ的特征值重数不为１时的主、次元分析则是其中一大难题，本文提出了一种新的学习算法，使得在输入数据的相关矩阵含多重特征值时，网络权重矢量亦收敛于相关矩阵的单位正交特征矢量。     

基于数据挖掘的增值业务网管告警关联分析模型

随着增值业务的种类越来越多、规模越来越大,仅仅通过领域专家获得告警关联知识已经无法满足网络维护的需要.因此数据挖掘技术在告警关联分析中的应用应运而生,它在解决告警关联分析问题时首先通过大量历史告警的一些统计规律来发现告警关联规则,然后根据规则分析和预测网络中可能出现的故障.本文介绍了适用于增值业务网管系统的告警关联规则...     

布尔神经网络的一种高效率学习算法

把二进神经网络学习算法推广至一般情形,利用汉明球及立方体的空间覆盖生成隐层神经元并对空间集合的相交、汉明球与低维空间的笛卡尔积在神经网络中的表现形式进行了深入探讨,得出几个旨在提高学习效率和减少布尔函数实现复杂性的有用结论,并融合形成完整的学习算法。