基于改进CURE聚类算法的网络用户异常行为识别方法

由于传统异常行为识别方法无法对随时变化的异常行为实现精准识别，因此对CURE聚类算法作出改进，针对网络用户异常行为提出了一种新的识别方法。通过改进CURE聚类算法将用户的上网行为分为正常行为簇和异常行为簇，标记正常行为簇，并利用超矩形建模方式识别数据，分析正常行为簇在每个维度上的正常值域，判断其是否包含在所建立的超矩形内。如果在判定用户行为为正常，反之判断其为异常行为。仿真实验选取了学生上网行为数据，分四个时间段注入异常行为数据，结果表明，所提方法识别结果与设定情况一致，没有出现误识别或不识别现象，改进CURE聚类算法的网络用户异常行为识别精度较高，而且具有超高的效率。     

基于复杂CNN的人脸微表情识别算法

传统人脸微表情识别算法忽略了数据集的预处理，导致表情误识率偏高，且识别耗时较长。为有效解决上述问题，提出基于复杂CNN的人脸微表情识别算法。预处理人脸微表情数据集，以降低网络样本训练过程中过拟合风险。通过复杂卷积神经网络(CNN)分别提取微表情视频序列在64fps和128fps两个时间尺度特征。采用支持向量机(SVM)完成决策级融合分类，以有效实现人脸微表情识别。实验结果表明，实验过程中所提方法的表情误识率低于0.1%,识别耗时不高于5ms,相比之下所提方法具有更好的应用效果。     

基于统计特征混合与随机森林重要性排序的桥梁异常监测数据识别方法

准确识别结构健康监测系统中的异常监测数据对降低监测系统误报和正确评判结构服役状态十分重要。为降低不同模式异常数据样本量的非均衡性和相同模式异常数据样本间的差异性对监督学习分类训练的影响,提出了包含基于前向差分求导进行样本数据增强、基于随机森林特征重要性指标进行样本统计特征指标集排序和多特征混合降维原始样本的异常数据识别方法。针对某座大跨度斜拉桥的实测正常数据和6类异常数据,计算了均衡化处理后增强数据的10类统计特征重要性指数。在7种特征混合输入方式下,分别采用K邻近法、支持向量机、决策树和随机森林作为分类器,检验并比较了所提方法用于识别异常数据的效果。测试集的平均识别准确率表明,相较直接对原始样本进行分类训练,所提方法可显著提升异常数据识别的准确率,且最高识别准确率达到了97.10%。     

基于改进KNN算法的网络数据流异常识别方法

传统识别方法未对异常数据流进行分类，导致识别正确率不高，提出基于改进K最邻近（K-Nearest Neighbor,KNN）算法的网络数据流异常识别方法。通过预处理异常数据流，提取异常数据流的特征，并以此作为基础，利用KNN算法统计异常数据流的类别，并分类所出现的异常数据。之后，通过计算不同网络环境下识别异常数据的时长，完成网络异常数据流的识别。在仿真实验中，与以往的网络数据流异常识别方法相比，提出的基于改进KNN算法的网络数据流异常识别方法具有更好的识别效果，识别正确率更高。     

基于B/S的电网配网运维检修管理系统

为了获取更加全面的运维信息，提高电网检修效率，提出一种基于B/S的电网配网运维检修管理系统。定义运维检修数据属性，明确集成目标，设计数据库，包括生产库、管理库和归档库，为集成数据提供储存空间；分割历史运维数据，引入离群度概念判断离群点，通过层次聚类法提取正常样本簇；使用边界样本异常识别算法制定识别规则，获取不同边界点间的距离值，通过识别半径判断出数据是否异常；经过归一化操作、关键词提取、冗余项删除等步骤，分析数据项之间关联度；在B/S架构下，建立具有应用层、中间层以及数据层的集成模型，达到数据集成目的。仿真实验表明，所提方法具有较好的异常数据识别功能，可提高资源利用率，集成后数据更方便运维检修的检索和分析。     

基于K-Means聚类算法的HDMA数据挖掘方法

为了提高高维混合属性数据挖掘效果,提出基于K-Means聚类算法的高维混合属性数据挖掘方法.通过分析数值型数据和分类型数据相似度,获取高维混合属性数据度量标准,将簇中心点设为簇里点的平均数值或质心,引入最大距离自动生成k值策略与坐标转换策略,优化聚类结果;依据欧几里得距离聚类剩余数据,根据最大间距对应的数据中心点坐标与半径,实现数据集聚类划分;通过判定聚类后数据噪音类别,计算各类别中类异常因子,经过降序排列,挖掘并标记异常数据.仿真结果表明,所提方法对高维混合属性数据具有理想的聚类优势与较好的挖掘稳定性.     

基于不相关性检验的大数据异常抽取算法

针对当前大数据异常抽取方法存在耗时长、精度低的问题,提出新的大数据异常抽取算法.构建基于Hadoop的大数据异常风险监测系统,对大数据流量分流处理,使用预处理端与储存端监测异常数据风险,利用最小二乘支持向量机计算风险趋势;引入Fisher函数,构建不相关性检验模型;利用模糊遗传方法算出异常数据流汇聚于多层空间内的模糊聚类中心,获取异常数据属性集分类增益方程,完成大数据异常抽取.根据实验结果可知:所提方法的最高耗时为9s,明显低于传统方法,且所提方法的抽取结果与实际情况一致.可得结论为:所提方法具有高速率、高精度优势,为大数据安全传输与应用提供技术基础.     

面向移动传感网的攻击风险监测系统

提出基于稳定性、安全性、簇大小选择和簇首节点合理选择的方法,从逻辑上对整个网络进行了簇的划分并选出最佳簇首节点,引入基于自回归模型的间隙性异常识别,实现了在簇首节点上执行自动检测网络流量异常和自动报警的功能。实验证明了该方法的有效性。     

基于网格区域化DBSCAN聚类的数字PCR液滴分类方法

针对数字PCR系统的配套软件缺少多重实验液滴分类功能的不足,提出了一种网格区域化DBSCAN聚类算法.首先对数据进行网格映射,建立网格索引;然后计算网格间权值并进行深度搜索扩张;最后将网格空间的聚类结果映射回数据空间.人工数据集的仿真实验表明,所提算法能够有效识别簇边缘区域且具有优良的运行效率.在此基础上,提出了基于网格区域化DBSCAN聚类的数字PCR液滴分类方法,经由对比实验及有效性测试,结果表明所提方法能够便捷、准确地进行液滴分类.可见所提方法适用于数字PCR液滴分类.     

基于视频异常特征提取的变电站安全智能控制研究

为准确识别无人值守变电站异常行为，保证变电站安全运行，提出基于视频异常特征提取的变电站安全智能控制方法。使用基于改进数学形态学滤波的变电站监控图像增强方法，改善变电站监控图像质量；使用变电站监控图像特征提取方法，提取增强处理后变电站监控图像的颜色特征与纹理特征；由基于异常特征分类的变电站监控图像异常检测方法，将所提取的变电站监控图像特征作为分类目标，提取异常特征，完成变电站视频监控图像异常识别，从而启动应对措施，实现安全智能控制。经实验验证：所提方法可改善变电站监控图像质量、提取视频图像中的异常特征，异常特征提取准确率高于90.2%,能够准确识别变电站异常行为，虚警率低于5.24%,保证变电站安全运行智能控制。     

基于用电大数据的低压电力客户电费异常识别模型

针对传统电费识别模型中电费异常识别耗时较长、误差较大等问题,提出基于用电大数据的低压电力客户电费异常识别模型。将低压电力客户用电数据转换为数据集形式,清洗该数据集中脏数据,通过多阶拉格朗日内插法修补日负荷曲线的缺失值;利用流聚类技术设置阈值,获取用电数据集中初始簇的中心,采用平方和误差最小函数确定具有最大关联特征的用电数据;通过对n维空间中所有电力特征参数的处理,获取时间序列矩阵,构建低压电力客户电费异常识别模型。实验结果表明：采用所提模型识别低压电力客户电费异常的耗时最短约为0.1 s,且误差最高约为2.1%。     

面向典型作业场景的现场安全监管数据库风险识别方法

针对现场安全监管数据库风险识别错误率较高、识别效率较低的问题,提出面向典型作业场景的现场安全监管数据库风险识别方法。针对典型作业场景现场安全监管数据库中存在的异常数据,根据异常数据类型,分别采用移动平均线法和AR模型法对数据进行预处理;通过灰色关联聚类算法提取数据风险特征;引入树突状细胞算法,将MAP作为抗原综合评价指标实现现场安全监管数据库风险识别。实验结果表明,所提方法风险识别错误率更低、识别效率更高,具有较好的应用价值。     

改进SMOTE的不平衡数据集成分类算法

针对不平衡数据集的低分类准确性,提出基于改进合成少数类过采样技术（SMOTE）和AdaBoost算法相结合的不平衡数据分类算法（KSMOTE-AdaBoost）。首先,根据K近邻（KNN）的思想,提出噪声样本识别算法,通过样本的K个近邻中所包含的异类样本数目,对样本集中的噪声样本进行精确识别并予以滤除;其次,在过采样过程中基于聚类的思想将样本集划分为不同的子簇,根据子簇的簇心及其所包含的样本数目,在簇内样本与簇心之间进行新样本的合成操作。在样本合成过程中充分考虑类间和类内数据不平衡性,对样本及时修正以保证合成样本质量,平衡样本信息;最后,利用AdaBoost算法的优势,采用决策树作为基分类器,对平衡后的样本集进行训练,迭代多次直到满足终止条件,得到最终分类模型。选择G-mean、AUC作为评价指标,通过在6组KEEL数据集进行对比实验。实验结果表明,所提的过采样算法与经典的过采样算法SMOTE、自适应综合过采样技术（ADASYN）相比,G-means和AUC在4组中有3组最高;所提分类模型与现有的不平衡分类模型SMOTE-Boost,CUS-Boost,RUS-Boost相比,6组数据中：G-means均高于CUS-Boost和RUS-Boost,有3组低于SMOTE-Boost;AUC均高于SMOTE-Boost和RUS-Boost,有1组低于CUS-Boost。验证了所提的KSMOTE-AdaBoost具有更好的分类效果,且模型泛化性能更高。     

基于模糊聚类的电力供应链安全风险监测研究

在电力供应链安全风险监测中,针对传统方法下的电力供应链稳定性较低的问题,提出一种基于模糊聚类的电力供应链安全风险监测方法,利用模糊聚类算法对电力供应链中存在的不良数据进行辨识,利用不良数据并结合电力供应链的自身特点,建立基于不良数据的电力供应链安全风险识别模型对电力供应链进行安全风险识别,对安全风险识别数据进行归一化处理与分类处理,实现电力供应链的安全风险监测。为了验证该方法下的电力供应链稳定性,与传统方法进行对比实验,得出结果为该方法与基于决策树规则提取的电力供应链安全风险监测方法、基于稳定特征向量的电力供应链安全风险监测方法、基于Relief算法的电力供应链安全风险监测方法下的电力供应链稳定性分别为86.2%、72.2%、63.3%、42.6%,通过比较可知,该方法能够使电力供应链保持较高的稳定性。     

基于互信息选择聚类集成的网络流量分类方法

针对互联网流量标注困难以及单个聚类器的泛化能力较弱,提出一种基于互信息(MI)理论的选择聚类集成方法,以提高流量分类的精度。首先计算不同初始簇个数K的K均值聚类结果与训练集中流量协议的真实分布之间的规范化互信息(NMI);然后基于NMI的值来选择用于聚类集成的K均值基聚类器的K值序列;最后采用二次互信息(QMI)的一致函数生成一致聚类结果,并使用一种半监督方法对聚类簇进行标注。通过实验比较了聚类集成方法与单个聚类算法在4个不同测试集上总体分类精度。实验结果表明,聚类集成方法的流量分类总体精度能达到90%。所提方法将聚类集成模型应用到网络流量分类中,提高了流量分类的精度和在不同数据集上的分类稳定性。     

基于趋势特征表示的shapelet分类方法

Shapelet是一种具有辨识性的时间序列子序列,通过识别局部特征达到对时间序列准确分类的目的。原始shapelet发现算法效率较低,大量工作关注于提高shapelet发现的效率。然而,对于带有趋势变化的时间序列,采用典型的时间序列表示方法进行shapelet发现,容易造成序列中趋势信息的丢失。为了解决时间序列趋势信息丢失的问题,提出一种基于趋势特征的多样化top-k shapelet分类方法：首先采用趋势特征符号化方法对时间序列的趋势信息进行表示;然后针对序列的趋势特征符号获取shapelet候选集合;最后通过引入多样化top-k查询算法从候选集中选取k个最具代表性的shapelets。在时间序列的分类实验中,与传统分类算法相比,所提方法在11个数据集上的分类准确率均有提升;与FastShapelet算法相比,提升了运行效率,缩短了算法的运行时间,并在趋势信息明显的数据上效果显著。结果表明,所提方法能有效提高时间序列的分类准确率,提升算法运行效率。     

一种基于聚类的无监督异常检测方法

为了解决无监督异常检测方法无法检测突发性的大规模攻击的问题,提出了一种基于聚类的无监督异常检测模型,该模型从多个聚类器中选取DB指数最小的分簇结果,并利用最小簇内距离、最大簇内距离对每个簇进行分类,从而识别出攻击。实验表明该模型明显提高了检测率、降低了误报率。     

常识辅助细粒度数据增强方法

数据增强的代表性研究主要针对ImageNet等常规分类数据集展开。考虑到细粒度识别数据集中测试样本类内及类间关联性与常规分类数据集差异明显,因此针对细粒度识别的数据增强方法尚待深入研究。为此,从细粒度识别任务以及数据集的特殊属性入手提出基于常识辅助的细粒度语义图块混合策略。所提方法利用常识知识挖掘样本标签间潜在关联,以此为基础设计结构化图像混合策略的多支路卷积神经网络结构,使图像混合过程更关注目标的细微差异。通过大量性能测试可验证所提方法的性能明显优于主流的基于图像混合的数据增强方法。同时,通过实验验证,所提出的常识知识有助于多种基于混合图像类的数据增强模型性能提升。     

基于新的森林优化算法的特征选择算法

针对传统的基于森林优化算法的特征选择算法在初始化阶段、候选森林生成阶段和更新阶段存在的问题,提出了一种新的基于森林优化算法的特征选择算法。该算法在初始化阶段采用皮尔森相关系数和L1正则化方法代替随机初始化策略;在候选森林生成阶段,采用优劣树分开和差额补足的方法解决优劣树不完备问题;在更新阶段,将与最优树精度相同但维度不同的树木添加到森林中。在实验中,所提算法采用与传统的基于森林优化算法的特征选择算法相同的实验数据和实验参数,分别测试了小维度、中维度和大维度数据。实验结果表明,在2个大维度数据和2个中维度数据上,所提算法的分类精度和维度缩减能力均高于传统的基于森林优化算法的特征选择算法。实验结果验证了所提算法在处理特征选择问题的有效性。     

基于图神经网络和注意力的双模态情感识别方法

针对生理信号情感识别问题，提出一种基于图神经网络（GNN）和注意力的双模态情感识别方法。首先，使用GNN对脑电（EEG）信号进行分类；然后，使用基于注意力的双向长短期记忆（Bi-LSTM）网络对心电（ECG）信号进行分类；最后，通过Dempster-Shafer证据理论融合EGG和ECG分类结果，从而提高情感识别任务的综合性能。为验证所提方法的有效性，邀请20名受试者参与情感激发实验，并收集了受试者的EGG、ECG信号。实验结果表明，所提方法的二分类准确率在valence维度和arousal维度分别为91.82%和88.24%，相较于单模态EEG方法分别提高2.65%和0.40%，相较于单模态ECG方法分别提高19.79%和24.90%。可见，所提方法能够有效地提高情感识别的准确率，为医疗诊断等领域提供决策支持。