基于变分自编码器的视频异常事件检测方法

异常事件检测由于其在视频监控场景中的重要性而引起了广泛的关注。但是由于缺乏异常标注样本,使得这个问题较难解决。提出了一种新的部分监督学习方法,仅采用正常样本训练检测模型以进行视频异常事件检测和定位。假设所有正常样本的分布符合一个高斯分布,那么异常样本在这个高斯分布中将以较低的概率出现。该方法基于变分自编码器(VAE),通过端对端的深度学习技术,将正常样本的隐层表示约束成一个高斯分布。给定测试样本,通过变分自编码器获得其隐层表示,计算其隐层表示属于高斯分布的概率,并根据检测门限判断其是否异常。在两个公开的数据集(UCSD dataset和avenue dataset)上的实验结果表明,所提出的方法达到了92.3%的帧级AUC和82.1%的帧级AUC,以及571 fps的检测速度,在性能和效率上明显高于现有检测方法。     

旋转机械转子自动平衡仿真研究

介绍了一种自动平衡效果，并在建立非线性双盘转子动力学模型基础上，研究了具有强非线性油膜力转子系统的自动平衡方法，提出了无需系统辩识的坐标轮换寻优控制策略。通过理论分析和计算机仿真研究证明：在以轴承振动幅值平方和为控制目标函数的情况下，该方法对非线性转子系统的平衡具有较好的收敛性，且具有较高的平衡精度。     

基于正则自编码器及Optuna寻优的异常用电数据清洗研究

为有效解决用电信息采集系统中电量数据丢失问题,提出基于正则自编码器的缺失数据填补方法。首先,根据正则自编码器学习到的特征重构电量数据,实现缺失数据的修复。然后,通过对损失函数增加L21范数及正交约束实现正则化,提升模型的泛化能力,并采用Optuna实现超参数的自动寻优。最后,实际数据集的测试结果表明：与其他自编码器相比,正则自编码器能够较为准确地补齐缺失数据。     

旋转编码器与单片机的接口电路

介绍了旋转编码器与单片机的接口电路及其编程方法,该电路可避免因机构振动而产生的计数误差。     

基于增强稀疏自编码器与Softmax回归的医学诊断

为了提升医学诊断的预测精度,设计了增强稀疏自编码器和Softmax回归的特征学习和分类阶段组合方法.在稀疏自编码器(SAE)网络的特征学习中,通过惩罚网络的权重实现稀疏性,结合反向传播学习方法将变化向后传递并迭代优化成本函数.在Softmax回归分类阶段中,利用带动量的小批量梯度下降法来优化Softmax分类器的交叉熵...     

基于变分自编码器的WLAN定位方法

基于无线局域网络(WLAN)的定位是当前室内定位领域的主流技术之一。提出一种基于变分自编码器的WLAN定位方法,具备定位通路和接受信号强度(RSS)信号指纹重构通路,使得该方法既具备定位能力,也具备重新生成RSS信号指纹或指纹地图的能力。利用开源的数据集进行验证,证明了该方法在定位通路上,相比稀疏重构定位方法和传统k最邻近(kNN)定位方法,误差分别下降了约14%和24%;能够对指纹地图(RM)进行重新生成,利用重构的RM进行定位,相比于利用稀疏重构生成的RM定位误差下降了约11%。     

基于卷积变分自编码器的日负荷曲线聚类研究

用户日用电数据可以反映用户的用电行为特征,聚类任务能够从大量运行数据中提取典型用户日负荷曲线为电力系统的规划与调度等任务提供依据。针对传统聚类方法在数据量庞大、数据维度较高的日负荷数据场景中具有效率低下、提取潜在表征困难等问题,提出基于卷积变分自编码器(variational autoencoders,VAE)的聚类方法对负荷曲线进行聚类。该方法首先通过卷积变分自编码器降维提取日负荷数据的潜在特征,并配合K-means进行负荷聚类任务,最后基于各负荷曲线与聚类中心的距离通过加权修正每一类聚类中心以得到更具代表性的典型日负荷曲线。利用UCI数据集中的葡萄牙用户实际采集数据进行算例验证,结果显示该方法的戴维森堡丁指数(Davies-Bouldin Index, DBI)相较于传统聚类方法 K-means、PCA+K-means等下降明显,说明类内更加紧密,类间更加远离,提高了聚类质量。然后利用高斯距离加权改进了聚类中心,提取到更加典型日负荷曲线,使得分析用户用电行为特征更为精确。验证了卷积变分自编码器聚类方法在日负荷曲线中的有效性。     

基于虚拟仪器网络化旋转机械状态监测系统设计

文中介绍了一个基于虚拟仪顺的网络化状态监测系统的设计,给出了系统的硬件结构设计和软件设计的思路。本系统符合工厂应用要求,组态灵活。     

基于小波-稀疏自编码器的输电网虚假数据检测方法

被攻击者精心设计的虚假数据符合电力系统运行规律和基尔霍夫定律,可以绕过不良数据的检测,使控制中心误以为系统在正常运行中,从而做出错误决策,影响电网正常运行.考虑状态估计和电网数据的非线性结构,结合状态数据的时间连续性,提出了一种小波变换和稀疏自编码器相结合的虚假数据注入(FDIAs)检测方法.小波变换可在频域展示连续时间信号的局部特征,易于发现数据的异常变化.将经由小波变换的特征向量作为自编码器的输入,训练表征电力系统正常运行模式的自编码器,然后在线运行输出攻击检测结果.最后,使用IEEE 39和IEEE 118验证了所提方法的准确性和有效性.     

基于负荷尖峰特征LSTM自编码器的窃电识别方法

近年来,面向高损线路的窃电检测方法得到大面积工程应用,对降低窃电检测误报率和推动数据驱动窃电检测的工程应用起到了重要作用。但如何准确检出非高损线路的专变窃电用户,仍是亟待解决的难题。基于实践经验中部分窃电用户存在用电量异常尖峰这一特点,提出基于负荷尖峰特征长短期记忆（LSTM）自编码器的用户窃电识别方法。首先,分析典型窃电用户曲线形态,提炼了区分正常及窃电用户的用电量尖峰特征。然后,结合该特征和用户分时数据周期性规律,构建LSTM自编码模型重构输入得到拟合值,基于拟合值与真实值的均方误差设定自适应阈值,从而识别窃电嫌疑用户并提供具体预警尖峰时段。最后,应用实际专变用户用电数据进行算例分析,结果表明所提方法在准确率、命中率和误报率上均优于对比方法。     

一种简易霍尔旋转编码器的设计

以检测绝对位置为目的,研制一种简易霍尔旋转编码器。基于霍尔电路设计了双极性霍尔取样系统,以微控器为核心的信号处理电路,实现了起始零点和顺序控制点的识别。编码脉冲以串行方式输出,对表示起始位置和循序位置的脉冲编码作了约定。     

基于半监督堆叠自编码器的轧制力预报建模研究

随着计算机运算能力的提升,数据驱动技术被广泛应用于冶金工业过程中。基于该技术的轧制力预报有助于缩短带材的头尾长度,提高成材率。为了解决数据驱动模型在预训练过程中因特征提取盲目导致预测精度较低的问题,提出了一种基于半监督堆叠自编码器（SS-SAE）的深度分层监督预处理框架,用于轧制力预报建模研究。在SS-SAE中,依次训练多个半监督自编码器（SS-AE）,分级提取目标相关特征。每个SS-AE将来自前一隐藏层的特征作为新的输入,以生成高阶特征。通过堆叠多个SS-AE的方式,可逐步学习深层目标相关特征,同时深度网络结构将逐步减少不相关信息。仿真结果表明,该模型预测精度可控制在2%以内,实现了轧制力的高精度预测。     

旋转机械未完全启机故障诊断方法的研究

旋转机械在启动过程中由于某种故障无法达到额定转速的情况下,数据采集的不完整造成故障诊断系统无法正常工作。提出用分割截取的方法自动提取旋转机械三维谱图特征形成数据网码,用于神经网络的训练和识别,以使故障诊断在非常状态下得以完成,用于２００ＭＷ汽轮发电机组证明该方法是可行的     

基于GAL16V8的旋转编码器抗干扰设计

旋转编码器是应用于角度定位或测量的,但是由于受外界(如风力)的影响,旋转轴的晃动可能引起波形的不规则输出,从而导致计数误差。本文介绍了一种利用GAL16V8的可编程特点的电路设计,滤除了可能引起的误差。     

基于信息融合技术的旋转机械故障诊断

对多传感器信息融合技术作了简要介绍,并结合旋转机械振动故障诊断系统的要求与特点,探讨了信息融合技术用于故障诊断系统的基本层次结构。将信息融合的层次与故障诊断的功级相对应,提出了旋转机械振动故障诊断的信息融合模型,神经网络和证据理论相结合应用于故障诊断的新方法,提高了故障诊断系统的灵活性,故障诊断的效率和准确性。     

自监督瓷砖表面异常检测与定位

针对瓷砖表面异常检测中人工检测效率低、成本高和自动检测标记样本不足、漏检率高等问题,提出了一种自监督学习模型,无需大量缺陷样本,即可实现瓷砖表面常见异常的检测与定位。自监督学习通过样本扩充产生负样本,利用分布增强对比学习提高数据不规则性和扩展样本分布,进而降低对比表示的均匀性,使表示特征分布与分类目标保持一致。在自监督学习表示基础上,构建一类分类器实现了准确的异常检测与定位。实验结果表明,在异常检测标准评估度量(AUROC)准则下,该方法相比其他两种先进方法异常检测率分别提高了371%和274%;异常定位率分别提高了122%和401%,且具有更可靠的检测性能。     

交流旋转机械的状态监测

在综述了各种交流旋转机械的状态监测方法后,对小波变换新技术进行了介绍,并通过小波变换对暂态非平稳信号的分析,阐明了小波变换在分析暂态信号方面,比传统的Ｆｏｕｒｉｅｒ变换更具优越性。交流旋转机械随着运行状态的劣化,会产生一些暂态信号。因此,利用小波变换来监测交流旋转机械的状态,具有良好的应用前景。