基于SMOTE和随机森林的Web spam检测

Web spam是指采用某些技术手段,使得网页在搜索引擎检索结果中的排名高于其应得排名的行为,它严重影响搜索结果的质量。考虑到Web spam数据集的严重不平衡情况,本研究提出先使用SMOTE过抽样方法平衡数据集,再利用随机森林算法训练分类器。通过对常见的单分类器和集成学习分类器的对比实验,发现SMOTE+RF方法表现较为突出,并根据实验结果优化了方法中的重要参数,对使用SMOTE方法后AUC值提高的原因进行了分析。在WEBSPAM UK2007数据集上的实验证明,该方法可以显著提高分类器的分类效果,其AUC值已经超过了Web Spam Challenge 2008上的最好成绩。     

基于改进FCM聚类的窃电行为检测

窃电行为检测的主要目的 在于发现窃电用户,降低电力系统运营成本.在此背景下,提出基于改进模糊C均值聚类的窃电行为检测模型,包括因子分析、基于改进模糊C均值聚类的局部离群因子计算、ROC曲线模型评价与调参及最佳检测阈值选取等模块,适用于无大量已知窃电用户样本的情况.首先,通过因子分析对用户用电特征(包括用电负荷数据和电能...     

基于改进YOLO v5的森林火灾检测算法研究

为提高森林火灾检测识别率,同时降低漏检、误检率,缩减后续救援时间,提出一种基于改进YOLO v5的森林火灾目标检测算法。针对火灾目标漏检问题,在YOLO v5骨干网络加入卷积注意力机制(CBAM),对森林火灾的小目标在通道和空间进行特征提取;针对火灾目标重合问题,把路径聚合网络(PANet)替换为加权双向特征金字塔网络(BiFPN),增强模型识别能力;针对YOLO v5中原始采样方式无法将特征信息完全捕获的问题,所以将CARAFE上采样作为最新的上采样方式,提高采样效率。实验结果表明,与其它主流算法相比较,该算法拥有更好的检测效果,其检测性能相比于原始算法提升了2.6%,更适用于森林火灾检测。     

利用旋转森林变换的异构多分类器集成算法

为了增强集成系统中各分类器之间的差异性,提出了一种使用旋转森林策略集成两种不同模型分类器的方法,即异构多分类器集成学习算法．首先采用旋转森林对原始样本集进行变换划分,获得新的样本集;然后通过特定比例选择分类精度高的支撑矢量机或分类速度较快的核匹配追踪作为基本的集成个体分类器,并对新样本集进行分类,获得其预测标记;最后结合两种模型下的预测标记．该算法通过结合两种不同分类器模型,实现了精度和速度互补,将二者混合集成后改善了集成系统泛化误差,相比单个模型集成提高了系统分类性能．对UCI数据集和遥感图像数据集的仿真实验结果表明,文中算法相比单一分类器集成缩短了运行时间,同时提高了系统的分类准确率．     

图像旋转的改进算法

首先证明了矩形与其外接矩形或内接矩形中心重合这一例题，并据此推导出图像旋转任一有度后可直接显示在屏蔽上的一种坐标变换公式。     

基于改进孤立森林算法的异常用电行为识别方法

针对传统异常用电行为识别方法准确率低、时效性差且人工消耗较高等问题,提出了一种基于粒子群算法的改进孤立森林识别方法。该方法通过总结异常用电行为规律,重构相关行为的特征指标,并侧重于对异常样本的学习与训练,进而在集成算法套袋思想的基础上构建了孤立森林。同时利用粒子群算法的群集寻优能力选择出精准度较高、差异度较大的孤立树形成子集,进一步优化了异常用电行为的识别效果。实验结果表明,改进方法的AUC值和识别效率均高于聚类算法及孤立森林算法,能够对异常用电行为进行准确识别。     

基于网络特征与用户行为分析的联合窃电检测方法

随着电力行业的迅速发展,窃电手段呈现出更复杂隐蔽的特点,给反窃电带来了很大考验.基于此,提出一种基于网络特征与用户行为分析的联合窃电检测方法.一方面,从网络特征分析角度出发,根据当前的电力网络测量数据,基于标准化残差搜索法识别与估计异常参数,准确定位疑似窃电用户所在支路,实现横向窃电检测;另一方面,从用户行为分析角度出发,利用用户的历史用电数据,结合粒子群算法(particle swarm optimization, PSO)和支持向量机(support vector machine, SVM)算法,提高窃电检测分析精度,实现纵向窃电检测.仿真结果表明,利用该联合窃电检测模型能够准确确定窃电异常支路并定位该支路上的窃电用户,有效筛选出电力网络的窃电嫌疑用户.     

深度森林研究综述

深度森林算法首次开启了非神经网络结构的深度学习模式,并因具有非微分形式基学习器和无须大量训练数据的优良特性,已经成为工业界和学术界的重要研究方向,因此,对现有深度森林算法进行归纳和总结,综述了其主要结构及特点.首先,介绍深度森林结构及其性质;接着,将目前深度森林的研究分为引入特征工程、改进表征学习、修改基学习器、修改层级结构和引入权重配置等5个方向进行分析和总结;然后,介绍深度森林算法在不同领域中的最新应用现状,并给出深度森林算法所面临的挑战及未来研究方向;最后,对本文工作进行总结.     

一种改进的图像旋转算法

在图像处理中,有时需要对图像进行旋转变换,但是图像在小角度多次旋转变换后,会产生失真．改进的算法是在图像旋转过程中先将图像旋转回原始的位置,再旋转到目标位置．利用该算法对图像进行多次旋转变换实验,实验结果表明,与以步进方式的旋转算法相比,改进算法在旋转的同时较好地保持了图像的细节信息,减小图像的失真．     

基于改进ORB算法的VSLAM特征匹配算法研究

针对传统特征匹配算法耗时较长、匹配率不高的问题,提出一种改进ORB的图像特征匹配算法。首先对FAST特征检测算法进行改进,构建非线性尺度空间,采用非线性扩散滤波方法,对金字塔进行构建,通过快速显示扩散形式(FED)进行求解,得到尺度空间上的图像,并采用灰度质心法方法,对特征的角点方向进行计算。然后对FREAK算法采样模式进行优化,采用改进的描述子构建特征向量。最后采用GMS匹配算法剔除伪匹配点对,有效降低误匹配概率。实验证明,相比SIFT、SURF、FREAK、BRISK和ORB算法,本文改进的算法在耗时和匹配率方面均有明显效果,并在旋转、尺度、光照等变换条件下,具有较强的鲁棒性,适用于VSLAM系统。     

基于神经网络集成的旋转人脸快速检测系统

提出了一个基于神经网络集成的旋转人脸检测系统,与其它类似系统只能检测正面直立的人脸不同,本系统用于检测在图像平面内任何旋转角度的人脸。首先用"预处理"网络处理每个输入窗口,以确定窗口中是否含有人脸及其旋转角度,其输出结果再经一个或多个"检测"网络窗口处理。对两种类型的网络都提出了相应的训练方法,对各个网络进行敏感度分析,并做了大量实验。实验结果表明,本系统在准确率和检测速度方面均有较好表现,特别是检测速度大大高于单个网络的系统。     

基于CNN-LSTM混合模型的多类别窃电行为检测

针对复杂电网环境下窃电行为难以准确检测的问题,提出一种基于CNN-LSTM混合模型的多类别窃电行为检测方法。首先基于卷积神经网络（CNN）良好的特征抽象能力提取一维用电数据的非周期性的局部特征,通过长短时记忆网络（LSTM）捕捉每日电能消耗数据间的相关性,提取周期性的用电特征建立特征融合层网络,再将CNN与LSTM提取的特征向量横向拼接获得新的融合向量,据此实现多类别窃电行为的准确检测。实验结果表明,本文提出方法能准确识别多类别窃电行为,相比现有检测方法检测结果更加全面准确。     

窃电行为检测方法研究综述

电力系统中因窃电行为对电网公司造成的非技术损失一直是电网公司迫切解决的难题。伴随电网大量部署智能电表,利用电力计量自动化系统采集的用户侧数据开展窃电行为准确检测受到研究者和电网公司的普遍关注。首先,介绍用户窃电行为基本分类情况、评价指标与现有窃电检测数据集;然后,从基于电网状态分析、机器学习、博弈论以及硬件4个方面对现有窃电行为检测方法进行全方面整理、剖析与对比,总结出各方法基本思路和优缺点;最后,对当前窃电行为检测领域研究中存在的挑战深入分析,并对未来研究工作重点进行展望。     

一种改进的图像边缘检测算法

对传统的微分边缘检测算法的缺陷进行分析和评价,并针对微分边缘检测算法的缺陷,提出了一种改进 的边缘检测算法。新算法摈弃了传统边缘检测算法中将每个像素单独进行考虑的模式,而是将待检测像素及与 其相邻的像素作为一个整体来考虑,通过将待检测像素为中心的某个领域进行整体计算,得出能够反映这个领 域性质的某些参数,并以此作为边缘检测的判据,进行检测。此算法充分考虑到了中心像素与周围像素之间的 关系,从而增加了梯度运算的可靠性。实验表明:新算法能够检测到更细的边缘,并且在椒盐噪声的情况下要优 于常用的微分边缘检测算法。     

基于锚框变换的单阶段旋转目标检测方法

为解决现有目标检测方法在检测无人机航拍图像中的交通目标时存在的水平包围框与目标真实轮廓贴合度较差、目标的水平包围框重叠度高导致相互抑制、目标发生旋转时,常规卷积操作的采样点落于目标之外等问题,在单阶段目标检测网络YOLOv3的基础上,提出了一种基于锚框变换的单阶段旋转目标检测网络(ATB-YOLO).特征提取网络部分,...     

基于改进随机森林算法的铁磁材料硬度预测

为了提高基于巴克豪森噪声信号的铁磁材料硬度预测方法的精度并使其自动化,提出一组基于巴氏噪声自回归（auto regression,AR）谱一阶导数、二阶导数的预测特征;设计一种特征抽取算法,以统一频域特征的维度;通过改进随机森林算法的群投票机制减少噪声干扰与运算复杂度.通过2种金属的硬度预测实验,获得预期的结果,采用本文特征与算法的预测方法均方误差仅分别为60.3、81.3,与经典时域预测方法的均方误差229.8、298.7相比,所提出的特征与算法的预测方法具有明显的精确度和优越性.

     

基于合群度-隶属度噪声检测及动态特征选择的改进AdaBoost算法

为了提高AdaBoost集成学习算法的数据分类性能,提出基于合群度-隶属度噪声检测及动态特征选择的改进AdaBoost算法. 综合考虑待检测样本与邻居样本的相似度及与不同类别样本集的隶属关系,引入合群度和隶属度的概念,提出新的噪声检测方法. 在此基础上,为了更好地选择那些能够有效区分错分样本的特征,在传统过滤器特征选择方法的基础上提出通用的结合样本权重的动态特征选择方法,以提高AdaBoost算法针对错分样本的分类能力. 以支持向量机作为弱分类器,在8个典型数据集上分别从噪声检测、特征选择及现有方法比较3个方面进行实验. 结果表明,所提算法充分考虑了噪声样本和样本权重对AdaBoost分类结果的影响,相对于传统算法在分类性能上获得显著提升.     

基于改进Kruskal算法的WSN故障节点检测方法

提出了一种基于改进Kruskal算法的无线传感器网络（WSN）故障节点检测方法. 该方法首先通过集中式的改进Kruskal最小生成树算法来获取可信的节点集合,之后依据可信节点,采用邻居节点比较算法对传感器节点的感知值进行分布式分析和处理,判定发生故障的传感器节点. 同时为了容忍节点的临时故障,引入了时间冗余. 仿真结果表明,在节点故障率高达35%时,该方法依然能快速定位故障节点,并且同时保证很高的检测精确度.     

一种基于改进ReliefF算法的入侵检测模型

针对现有入侵检测算法中特征提取不充分、未考虑特征权重的影响、模型分类不够精确等问题,提出一种基于改进ReliefF算法的入侵检测模型。通过优化入侵数据特征权重计算,提出改进的ReliefF算法;根据计算特征的Pearson相关系数,建立特征相关性量表。只保留其中一个相关性高的特征,以实现特征的二次优化;对最优特征子集分别使用决策树(decision tree,DT)、k-最近邻(k-nearest neighbor, KNN)、随机森林(random forest, RF)、朴素贝叶斯(naive bayes, NB)和支持向量机(support vector machine, SVM)5种分类器评价该方法的分类性能和准确性。在NSL-KDD和UNSW-NB15两个数据集上的试验结果表明,该方法不仅具有较好的检测性能,还能有效降低特征维度,对分类器的计算复杂度有积极的影响。