基于深度信念网络的短期电力负荷预测

对电力负荷预测的原理、步骤及方法做了简要分析,对深度信念网络做了细致描述,在此基础上,提出了用深度信念网络的方法预测短期电力负荷,并做了相应的实验,深度信念网络的预测值十分逼近实际值,预测误差的绝对值范围小,为0~0.08,且误差范围波动较小,预测稳定。表明基于深度信念网络的短期电力负荷预测模型预测精准,具有很高的预测精度和预测稳定性。     

基于深度学习的节约型园林电能耗预测模型

为了精准预测节约型园林电能耗,提出了基于深度学习的节约型园林电能耗预测模型.该模型选取平均气温、最高气温、最低气温、霜点温度、平均湿度五个气候因素和历史电能耗作为输入变量,节约型园林电能耗作为输出变量,通过无监督预训练以及监督微调两部分实现电能耗预测.测试结果表明,该模型预测节约型园林短期、中期以及长期电能耗均具有较高...     

基于深度学习的银行卡交易反欺诈技术研究

银行卡交易的反欺诈技术旨在检测出欺诈风险较高的交易,通常采用神经网络进行反欺诈预防.传统神经网络只有一层隐藏层节点,对复杂多变的欺诈特征泛化能力较差.为提高欺诈交易预测的准确度,将深度信念网络模型应用到银行卡交易反欺诈中.构建了一个五层的深度信念网络模型,逐层训练并反向调优后获取到欺诈交易的特征,并通过分类器对交易进行分类.实验表明深度学习模型在银行卡交易欺诈预测方面比传统神经网络具有更高的准确性.     

基于Gamma深度信念网络的飞行员脑疲劳状态识别

飞行员疲劳状态识别面临两个重要问题,如何提取表征疲劳的特征以及如何对疲劳特征建模学习.首先提取脑电信号节律波,计算基于仿射伪平滑Wigner-Ville分布的瞬时频域信息,构建疲劳状态指标.其次,基于脑电信号各通道的周期性变化提出Gamma深度信念网络的疲劳状态分类算法,与采用卷积与池化运算的学习网络不同,Gamma深度信念网络没有将图像或信号按尺度分割,但在底部的隐藏层已经可以有效地学习特定区域的特征,且当层数增加时,可有效提取特征的区域增多,学习到的特征更为一般化.然后改进用于训练深度信念网络的Gibbs采样算法,提出向上向下Gibbs采样以推断网络参数.最后,实验结果显示,本文的Gamma深度信念网络在识别准确率、稳定性、迭代用时等方面均达到了令人满意的效果.     

移动传感网节点位置预测方法研究

针对现有稀疏传感网中移动节点位置预测精度较低,提出一种基于深度信念网络的移动未知节点位置预测方法。首先利用深度信念网络强大的特征学习能力,分析不同信号强度向量样本集;其次在深度信念网络的最后一层级联一层支持向量机,将所学习到的信号强度分布特征作为顶层支持向量机的输入,构建距离预测模型;最后预测未知节点与其相邻节点之间的距离,判断其可能位置所在区域,计算得出未知节点的预测位置。仿真实验结果表明,文中所提出的位置预测方法与RBF神经网络位置预测方法相比,预测精度提高了19.3%;与支持向量机预测方法相比,预测精度提高了23%;与改进的MCL相比,预测精度提高了33.4%,且有较强的鲁棒性,适用于稀疏传感网络节点位置预测。     

基于特征提取相似日的ELM短期负荷预测研究

为解决短期电力负荷预测中预测精度差、计算时间长等问题,提出一种基于自组织特征映射网络进行特征提取相似日的极限学习机短期电力负荷预测方法。通过自组织特征映射网络找出与预测日同类型的历史数据作为训练样本;并采用预测能力强、计算时间短的ELM网络进行预测。以某市电力负荷数据进行仿真,并将上述方法与传统神经网络进行对比。仿真算例表明,基于特征提取相似日的ELM方法具有较高的预测精度,泛化性能好,且运算时间短。     

基于地标空间信息的高光谱遥感图像分类

高光谱遥感图像同时具有光谱与空间特征信息,充分利用空间特征能够有效提高分类结果.高光谱图像上同类像素点的邻域空间信息差异较大会影响分类效果,针对这个问题提出了一种新的空间信息利用方法,记作地标空间信息.将光谱信息与地标空间信息结合使用,通过深度信念网络提取特征.实验表明地标空间信息能够有效提高深度信念网络以及对比方法的分类结果.     

基于深度信念网络的光通信网络数据异常识别研究

为提高光通信网络数据传输能力，基于深度信念网络研究光通信网络数据异常识别方法。先构建光通信网络数据传输模型，采用深度信念网络进行传输信道均衡控制，利用模糊多分类支持向量机提取数据异常特征，构建数据分类学习模型，实现对数据异常重构和关联规则挖掘，采用深度信念网络对光通信网络数据进行异常张量切片重组，用张量对多关系网络进行建模，实现对光通信网络数据异常识别。仿真结果表明，所提改进方法的能量开销仅为1.2 kJ,生命周期为55.75 h,且识别时间仅为1.0 ms,优于其余两种方法，具有更大的应用价值。     

基于多尺度主线方向特征的DBN分类方法

针对深度信念网络（DBN）结构自身未考虑到二维图像空间结构信息、分类准确识别率不高等问题,提出了一种基于多尺度主线方向特征的DBN网络图像分类新方法（MSMD-DBN方法）。该方法首先提取多尺度的线方向特征图和能量图,再通过二值化、细化能量图得到主线方向特征图,然后在可视层输入端加入多尺度主线方向信息特征图,并利用深度信念网络进行图像分类识别。旨在通过增加输入信息的维度,来达到提升图像分类性能的目的。在CIFAR-10和MNIST两个数据库上对不同样本的图像进行分类实验,结果表明,与采用传统DBN网络和DBN的改进算法相比,本文算法的分类性能取得了显著的提高。     

基于时空卷积的机会网络拓扑预测

机会网络拓扑的高动态性导致其拓扑预测极具挑战。现有拓扑预测方法主要关注网络长期时空依赖，忽视了短期时空特征。综合考虑机会网络长短期时空依赖关系，提出一种基于动态时间规整算法与时空卷积的机会网络拓扑预测方法（DTW-STC）。基于动态时间规整算法确定切片时长，将机会网络切分为快照，用快照的链路状态矩阵表征其拓扑信息；采用时序卷积神经网络获取短期时序特征，结合网络变化构建时空图表征短期时空关系，利用图卷积运算提取网络的短期时空特征，经过多次卷积的堆叠，得到网络长短期时空特征；基于自编码器结构实现向量空间切换，预测下一时刻网络拓扑。3个真实机会网络数据集ITC、MIT以及Asturias-er上的实验结果表明，DTW-STC方法的预测性能优于基线方法。     

基于卡口上下文和深度置信网络的车辆轨迹预测模型研究

针对车辆轨迹预测中节点序列的时序特性和实际路网中的空间关联性,该文提出一种基于深度置信网络和SoftMax (DBN-SoftMax)轨迹预测方法.首先,考虑到轨迹在节点集合中的强稀疏性和一般特征学习方法对新特征的泛化能力不足,该文利用深度置信网络(DBN)较强的无监督特征学习能力,达到提取轨迹局部空间特性的目的;然后,针对轨迹的时序特性,该文采用逻辑回归的预测思路,用当前轨迹集在路网特征空间中的线性组合来预测轨迹;最后,结合自然语言处理领域中的词嵌入的思想,基于实际轨迹中节点存在的上下文关系,运用节点的向量集表征了节点间的交通时空关系.实验结果表明该模型不仅能够有效地提取轨迹特征,并且在拓扑结构复杂的路网中也能得到较好的预测结果.     

基于卡口上下文和深度置信网络的车辆轨迹预测模型研究

针对车辆轨迹预测中节点序列的时序特性和实际路网中的空间关联性,该文提出一种基于深度置信网络和SoftMax (DBN-SoftMax)轨迹预测方法。首先,考虑到轨迹在节点集合中的强稀疏性和一般特征学习方法对新特征的泛化能力不足,该文利用深度置信网络(DBN)较强的无监督特征学习能力,达到提取轨迹局部空间特性的目的;然后,针对轨迹的时序特性,该文采用逻辑回归的预测思路,用当前轨迹集在路网特征空间中的线性组合来预测轨迹;最后,结合自然语言处理领域中的词嵌入的思想,基于实际轨迹中节点存在的上下文关系,运用节点的向量集表征了节点间的交通时空关系。实验结果表明该模型不仅能够有效地提取轨迹特征,并且在拓扑结构复杂的路网中也能得到较好的预测结果。     

基于深度置信网络的互联网流量预测方法

对未来网络流量负荷的预测有助于运营商精确预估网络使用情况,优化网络资源,提高用户满意度。本文提出了基于深度置信网络(DBN)的三种不同架构的网络流量预测模型来预测未来1小时的互联网流量,首先,介绍了DBN的网络结构;然后构建了三种不同架构的DBN拓扑结构,最后通过实验对比,发现隐藏层的神经元数量对更深层次的网络至关重要,该模型被证明是一种有效的预测模型。本文所采用的方法在模拟流量数据模式和随机要素的同时,提供了准确的网络流量预测,使测试数据集的均方根误差(RMSE)值为0.028。     

公共建筑能耗监测模型探究

本文针对公共建筑中存在的能耗问题,提出了一种实时监测模型.所提模型首先对建筑运行的能耗模式进行识别,并以此建立能耗模式判定树;然后利用模式匹配方法对实时采集得到的能耗数据和相同能耗模式下采集的历史能耗数据进行匹配,从而得到当前状况下的能耗是否处在正常状态.实验论证本算法较为实用.     

A design of predictive manufacturing system in IoT-assisted Industry 4.0 using heuristic-derived deep learning

The predictive maintenance function is ensured with the earlier detection of errors and faults in the machinery before reaching its critical stages. On the other hand, the challenges faced by Internet of things (IoT) devices are the security problem because they can be easily attacked by comparing the other devices such as computers or portable devices. It cannot solve the high-dimensional issues and imbalanced data. The computation cost is very expensive when using the modern sampling method. In addition, the conventional methods for predictive maintenance are incorporated with a single method. So, the maintenance and prognostic tasks are very hard to address simultaneously. Thus, a new predictive manufacturing system in Industry 4.0 for examining the machines is proposed. In the initial stage, the data are collected from IoT industry sensors. Considerably, the data cleaning is carried out, and deep features are extracted through the “Multi-Scale Dilation Attention Convolutional Neural Network (MSDA-CNN).” Further, the deep, weighted features are extracted, where the weight is optimized using the hybrid algorithm named Probabilistic Beetle Swarm-Butterfly Optimization (PBS-BO). In the end, the weighted features are given to the Optimized Hybrid Fault Detection (OHFD) that is performed by the “Deep Neural Network (DNN) and Deep Belief Network (DBN).” Finally, if any faults in machines are predicted, then the system sends alerts to the industrialists for suitable decision-making. The efficiency of the suggested model is evaluated on a set of real measurements in Industry 4.0.     

基于深度置信网络的随机脉冲噪声快速检测算法

为提高现有随机脉冲噪声(RVIN)检测算法的检测准确率和执行效率,该文试图从构建描述能力更强的特征矢量和训练非线性映射更为准确的预测模型两个方面入手,实现一种基于训练策略的快速RVIN检测算法。一方面,提取多个不同阶的对数绝对差值排序统计值并结合一个能够反映图像边缘特性的统计值作为刻画图块中心像素点是否为噪声的特征矢量。在计算量增加极少的情况下,显著提升了特征矢量的描述能力。另一方面,基于深度置信网络(DBN)训练RVIN预测模型(RVIN检测器)将特征矢量映射为噪声类型标签,实现了比浅层预测模型更为准确的映射。大量实验数据表明：与现有的RVIN检测算法相比,所提算法在检测准确率和执行效率两个方面都更有优势。

     

Simultaneous wireless information and power transmission-based power transfer and energy prediction for efficient communication with golden Taylor sea lion optimization in wireless sensor network

Wireless Sensor Network (WSN) is an emerging lower cost and resourceful solution, which enables controlled observation of the environment. The high amount of energy is required in wireless networks during the transmission of data. Here, Golden Ant Lion Whale Optimization (GALWO) and Golden Taylor Sea Lion Optimization (GTSLnO) techniques are presented for cluster head (CH) selection and prediction of neighbor nodes' age. The six stages performed in this work are setup, steady-state, prediction, power transfer, communication or route discovery, and route maintenance stages. In the setup level, CH selection is carried out by GALWO, which is the combination of Ant Lion Whale Optimization (ALWO) with Golden Search Optimization (GSO). Moreover, ALWO is an integration of Ant Lion Optimizer (ALO) with the Whale Optimization Algorithm (WOA). In the steady state, the distance, energy, delay, throughput, and trust update are considered as objective functions. In the prediction stage, the Deep Convolutional Neural Network (Deep CNN) is utilized for age prediction of neighbor nodes, wherein Deep CNN is tuned by employing GTSLnO. The GTSLnO is an incorporation of GSO and Taylor series with Sea Lion Optimization (SLnO). Then, the power transfer stage is done utilizing simultaneous wireless information and power transmission (SWIPT). Thereafter, the communication/route discovery stage is conducted for path selection through neighbor node, and lastly, the route maintenance stage is carried out. The GTSLnO–Deep CNN achieved a minimal delay of 0.089 s, maximal residual energy, throughput, and trust of 0.500 J, 98,843 kbps, and 0.452 for DoS attack.     

基于绿色建筑全生命周期的成本效益探究

随着经济的不断发展,人口的不断增加,城市化建设的步伐也大大加快,建筑业也开始蓬勃发展,随着建筑业严重的资源消耗,及带来的环境污染,偏离了我国可持续发展的战略。为应对环境污染,实现我国的可持续发展,引入绿色节能建筑理念。绿色建筑成本严重阻碍绿色建筑的发展,因此绿色建筑全生命周期的成本效益分析就变得尤其重要。
　　绿色建筑成本效益以全寿命周期理论为基础,构建绿色建筑全寿命周期技术效益及增量成本模型,进行技术经济分析和效益分析,为绿色节能建筑的推广起到了推动作用。     

一种改进的BP神经网络在手写体识别上的应用

传统的浅层学习神经网络虽然结构简单,算法速度快,但错误率较高,且容易陷入局部最小。文中采用深度结构的深度置信网,优化基于传统BP神经网的初始值,以获得较好的检测结果,并利用Dropout技术改进BP网络隐层单元,获得较快的运算速度。实验证明,经过DBN和Dropout改善后的网络错误率有明显降低,并且算法实时性得到了一定改善。     

运营商能耗预算管理体系之探索

通过对典型局房进行分项计量,建立科学的能耗预算模型,实现对全网能耗的预算,对运营商能耗问题的发现以及节能效果后评估有着重要作用。