并行PSVM算法及其在入侵检测中的应用(英文)

基于并行PSVM(proximal support vector machine)分类法,利用ε-支持向量与原数据集等价的特点,将PSVM和cascade SVM模型高效结合,加速训练入侵数据集.提出一种新的PSVM增量学习方法,它能快捷更新分类器.通过大量基于著名的KDD CUP1999数据集实验,研究表明,该算法相对其他SVM方法,在保证较高检测率和较低误报率的同时,其训练时间降低80%,且能通过增量学习新数据集来有效更新分类器.     

基于改进区域全卷积网络的电网图像自主识别及运行态势感知模型研究

针对基于先验特征的电网图像自主判读机制存在的诸多不足,提出了一种基于改进区域全卷积网络的电网图像自主识别及运行态势感知模型。首先构建电网运行图像特征数据池;然后构建电网运行图像异常特征全息感知机制;最后实现电网运行异常态势精准感知。模型效能分析结果表明,模型可以自主学习辨识换流站运行图像异常特征知识,换流站运行图像异常自主识别均值准确率达93.27%,换流站运行异常态势感知均值有效率达96.65%,为电网一线运维工作者提供了良好辅助。     

基于传感技术的电池全周期管控系统优化与检测

为提高锂钴充电蓄电池使用的安全性,提出基于深度学习的蓄电池检测系统,并建立蓄电池异常故障检测与分类模型。试验结果表明,窗口尺寸越大,输入数据包含的故障信息越多,蓄电池故障检测效率越高,且延迟故障检测效果最好,精度及准确率等指标均达到100%,其次为蓄电池重放故障。且基于深度学习模型可以检测到电池之间发生连接故障,并可预测电池的故障发生率会进一步增加。且随着检测时间,测量值和检测值之间的误差逐渐增大,进一步说明所建立的深度学习模型,可以检测到电池退化特征,从而为电池健康状况检测提供参考。