基于k-最近邻的支持向量预选取方法

在所有的训练样本中只有支持向量(SVs)能对支持向量机分界面优化结果产生显著影响.基于七一最近邻规则.提出了一种训练样本的预选取方法.针对一些典型人工数据集、公用基准数据集以及TM遥感数据的实验结果表明.该方法能够有效减少训练样本数目.显著加快学习速度,并保证理想的分类精度.     

基于基因库的新型检测器生成方法

提出一种新的检测器生成方法。由于非我样本中存在着关于非我空间的信息,提出通过统计非我样本中各属性的分布情况来构建基因库,并应用基因库来生成检测器的方法来检测入侵。应用KDDCup1999数据集,通过实验证明该方法能够生成检测率更高的检测器集。     

数据解读石油和化工行业信息化状态

为了增加更多的"理性"色彩,为读者解读石油和化工行业信息化的"定量"分析,我们特别呈现出一份系统性的石油和化工行业信息化调查报告.该调查从2007年5月份开始,历时5个月,通过面访、电话访谈以及e-mail交流,共成功回收有效样本48份.     

在癌症分类中基于PPS抽样的集成神经网络算法

针对样本重组的有效性和合理性问题,将PPS抽样技术引入样本重构,提出了基于PPS抽样的集成神经网络算法,以提高个体神经网络的准确性与差异度,并实现动态选择个体神经网络的神经网络集成新方法.最后在结肠癌数据集上进行实验,实验结果表明,该方法与采用多个互相合作互相竞争的个体神经网络集成方法相当,但计算量更小,所用运算时间更少,效率更高.     

核子类凸包选样的核最近邻凸包分类器

为了保证核最近邻凸包分类器有效地处理大训练集的应用问题,本文提出一种与该分类器相结合的核子类凸包样本选择方法.核子类凸包样本选择方法是一个类内迭代算法,该算法在核空间里每次迭代选择一个距离选择集样本张成子类凸包最远的样本.在Head Pose Image Database系列1图像集上的实验中,本文方法不但可以取得较高的识别率,而且与未经选样的核最近邻凸包分类器相比,其执行速度要快许多.     

一个实用脱机手写汉字笔迹库的建立

建立一个实用的脱机手写汉字笔迹库是研究笔迹鉴别技术的基础,论文结合笔迹图像与书写者信息设计了一个脱机手写汉字笔迹库系统,详细介绍了笔迹样本采集方案及系统的主要功能,阐述了部分关键问题的解决方案。     

计及分布式电源注入谐波的单相接地故障联合选线

随着配电网线路安全运行要求的提高,分布式电源注入的谐波会使得现有的选线方法失效,且单一判据的故障选线方法愈加难以胜任复杂配电网系统发生单相接地故障后的选线工作。因此文中提出了计及分布式电源注入谐波的谐振接地系统单相接地故障联合选线。针对谐振接地系统中出现单相接地故障后,故障线路与健全线路的暂态零序电流相位、周期变化不同的特点,先根据低频周期差异用多尺度交叉样本熵计算暂态零序电流,再根据高频相位差异用加权暂态能量法及同步挤压小波变换计算高频暂态零序电流的重构误差。此外,使用加权暂态能量法控制计算量并通过多尺度交叉样本熵、加权暂态能量和重构误差3个判据判定故障线路。实验结果显示,文中的联合选线法受不同故障条件的影响小,准确性高,抗干扰性强。     

基于噪声融合的黑盒攻击优化方法

当前,基于迁移性的黑盒攻击通常使用较高的扰动系数生成具有较强可迁移性的对抗样本,导致对抗扰动较易被防御者察觉,因此提出了一种基于噪声融合的黑盒攻击优化方法来提高对抗样本的隐蔽性。该方法从常用的图像噪声中筛选出了最适用于优化对抗样本迁移性的噪声,并降低了对抗样本的黑盒攻击能力与扰动系数的耦合程度,即在不修改扰动系数的情况下增强了对抗样本的可迁移性。在Image Net数据集中的实验结果表明,通过噪声增强后的对抗攻击在黑盒攻击强度上有显著提升。此外,通过实验从高斯噪声、高斯白噪声、泊松噪声、椒盐噪声、乘性噪声和单形噪声中筛选出了最佳噪声,其能根据相同的扰动系数将待优化攻击算法的黑盒成功率平均提升12.64%。     

新型电力系统中信息网络攻击行为辨识方法

为提高新型电力系统信息网络的安全性和稳定性,需预防其中存在的攻击行为。为此,提出一种针对新型电力系统信息网络的攻击行为辨识方法。首先,分析攻击行为入侵信息网络的原理;其次,根据压缩感知理论对网络信息展开去噪处理;然后,利用去噪后的信息数据建立数据源矩阵及信息网络的样本协方差矩阵,并获取矩阵的最大特征值;最后,设定阈值函数,通过比较最大特征值与阈值函数来辨识新型电力系统信息网络中存在的攻击行为。实验结果表明该方法具有较高的辨识精度,能有效辨识出拒绝服务、端口扫描和协议异常三种攻击行为。     

小样本条件下永磁同步电机深度迁移学习性能预测方法

使用深度学习算法建立代理模型可实现电工装备性能的快速预测与分析,但其训练过程需大量样本。而现代电工装备的标签样本稀缺,导致模型预测精度低,制约了算法的工程应用。考虑到历史任务中积累的标签样本充足,且此类样本与目标任务的样本间存在相关的知识信息,建立了一种深度迁移学习性能预测方法,将历史电机样本中积累的性能预测知识迁移应用于目标电机性能分析中。首先使用目标域无标签样本对深度置信网络（DBN）进行逐层无监督训练,然后借助源域有标签样本建立参数共享的预训练网络,最后通过少量目标域有标签样本进行适配层训练和全网络微调的方法实现模型迁移。通过结构差异程度不同的Prius电机进行案例验证,结果表明,所提方法能够在满足一定预测精度的情况下,使用较少的标签样本完成目标电机的性能预测任务,为现代电工装备的性能分析与优化提供了新的思路和实践方法。