基于改进K-means的电力数据异常检测算法

异常检测方法在电力领域有着广泛的应用,如设备故障检测和异常用电检测等.改进了传统Kmeans聚类随机选择初始聚类中心的策略;结合数据对象的密集度与最大近邻半径,选择更加接近实际簇中心的数据点作为初始聚类中心,并在此基础上提出了一种基于改进K-means算法的电力数据异常检测新方法.实验表明,上述算法具有更优的聚类效果和异常检测性能,并且在应用于电力领域时,算法可以有效地检测出异常电力数据.     

基于内容优化的分层次实验教学改革与实践

在《电子处理系统》实验教学环节中存在着实验内容单一、重复、学生实验积极性没有充分调动等问题。随着实验教学改革的深化,对现有的实验教学中的不足之处,提出了相应的改革措施,主要体现在优化重组实验内容、规范化实验环节、注重过程和能力以及结合竞赛的合理化考核制度等。实践表明,以上措施与方法有效地提高了《电子处理系统》实验教学效果。     

基于构件技术的中间件研究

阐述了构件技术的核心问题,分析了中间件在现实软件发展中的地位和其在系统组织层次中所起的作用,说明了构件技术对中间件的促进作用,以及中间件中构件的特征和开发过程,并提出了未来基于构件技术的中间件研究的重点和难点问题.     

融合GAN与深度神经网络的混合信用评估方法

随着信用卡和个人贷款业务在金融业的快速增长，如何在信息有限的情况下检测潜在违约或坏账业务已经变得极其重要。信用评分领域面临的主要困难是样本不平衡以及分类器性能不佳，为此本研究首先提出了一种基于表格数据的生成对抗网络Tab-GAN，从原始数据中生成足够的违约样本；随后设计了一种基于CNN-LSTM的混合深度学习模型用于特征提取，该模型包含卷积神经网络(Convolutional Neural Networks，CNN)和长短期记忆神经网络(Long Short-Term Memory，LSTM)两个子模型，分别从用户数据中提取静态局部特征和动态时间特征，并加入时空注意力模块对模型的输出进行重要度计算，从而抽取更关键的信息；最后在分类器层面引入焦点损失函数改进轻量级梯度提升机(Light Gradient Boosting Machine,LightGBM)分类器，实现违约风险的概率输出。在两个真实世界数据集中验证风险预测模型，实验结果表明生成对抗网络可以有效解决样本不平衡问题，CNN-LSTM+LightGBM模型在各项分类评价指标上均优于信用评分领域的其他先进算法，证明了该模型在信用评分领域的有效性和可移植性。