基于用电特征分析的异常用电检测方法

针对目前异常用电检测中存在的专变用户窃电率高、窃电模式难以察觉、使用窃电检测模型查找窃电用户过程中训练集不足的问题,提出了一种基于用电特征分析的无监督方式异常用电检测方法.该检测方法引入离群点查找算法,量化了海量数据中不同异常用电行为,将其提取为异常用电特征序列,并且根据专变用户不同计量方式和用电特点,构建了基于局部离...     

非负稀疏编码收缩法的自然图像消噪

非负稀疏编码（NNSC）算法仅依赖自然图像数据的统计特性,具有自适应性.利用NNSC算法可以成功地提取自然图像的特征基向量;作为对特征基的一个实际应用,提出了一种新颖的用非负稀疏编码收缩技术消除自然图像中的高斯加性噪声的方法.实验表明,提取的特征基向量在时域和频域上都有方向性和局部性,表现了输入自然图像的边缘特性;而且与独立分量分析（ICA）法相比,NNSC法提取的特征基有更清晰的边缘特征.目视效果和归一化信噪比证明了NNSC收缩法的消噪效果要优于稀疏编码（或ICA）收缩法、小波收缩法和Wiener滤波等方法.     

基于CNN-LG模型的窃电行为检测方法研究

针对当前电网单一学习器窃电检测方法准确率低、实时性差且无特征提取的问 题,提出一种基于卷积神经网络轻梯度提升机（CNN-LG）模型的窃电行为检测方法. 通过卷积 神经网络（CNN）提取用户用电数据电力特征,将提取特征输入以决策树为基学习器的轻梯度 提升机（LG）分类器对数据进行训练,据此建立基于卷积神经网络轻梯度提升机模型的窃电行 为检测方法 . 采用基于卷积神经网络轻梯度提升机模型对国家电网和爱尔兰智能能源径 （ISET）数据集分别进行窃电行为检测 . 实验结果表明,本文提出方法可快速准确实现电网中 各类窃电行为检测,相比于现有检测方法具有更高准确度、更优泛化性能和实时性.     

基于深度卷积稀疏自编码分层网络的人脸识别技术

面对海量人脸图像识别,传统特征提取方法难以提取有效特征,造成人脸识别准确率较低。提出了一种鲁棒的人脸特征提取算法,即利用深度卷积稀疏自编码网络自动学习人脸中丰富且识别力高的特征。该方法将卷积操作融入自编码网络中,同时加入稀疏化思想,从而形成深度卷积稀疏自编码分层网络(hierarchical deep convolution sparse autoencoder,HDCSAE);用该网络自动提取海量人脸图像的高层鲁棒特征,并将提取的特征作为SVM分类器的输入得到分类结果。在FERET人脸数据库下对该方法进行测试,识别率达到99.47%,比传统的基于提取人为定义特征的人脸识别方法的识别率有所提高。     

基于稀疏编码空间金字塔模型的零样本学习

针对目前零样本图像分类均采用图像底层视觉特征训练属性分类器而导致分类精度较低的问题,提出一种基于稀疏编码空间金字塔模型的零样本学习方法,给出系统结构流程图.首先从原始视觉图像中提取SIFT特征,并进行SIFT特征点提取;然后构建空间金字塔最大池化模型,对已提取的SIFT中间特征进行稀疏编码;最后建立间接属性预测模型.给出基于稀疏编码的空间金字塔最大池化模型的零样本学习算法步骤,完成对目标图像的属性预测,从而达到零样本图像分类的目的.在Shoes数据集与OSR数据集上进行了对比试验.结果表明:试验证实了文中算法的有效性;相对于传统算法,试验耗时减少,图像属性预测精度增加,图像分类识别率提高.     

移动互联网金融下签名认证静态特征提取技术

在签名图像预处理研究的基础上,提出了通过提取图像形状特征、不变距特征以及基于Gabor滤波纹理方向特征而得到签名图像静态特征的方法,并通过基于稀疏表示的L1范数分类方法在提取的特征样本集上进行签名鉴别。实验结果表明,在相同10组样本的特征集下,稀疏分类最小残差法的平均FRR和平均FAR分别为9.25%和4.63%,明显低于经典KNN法的12.15%和8.67%,也明显低于经典SVM法的13.31%和7.26%。该文的研究成果达到了移动互联网金融业务的性能要求。     

基于TLSmote-SVM的非均衡用户窃漏电诊断算法

针对支持向量机(support vector machines,SVM)检测异常用电用户精度受样本非均衡性和核函数选择影响的问题,提出一种基于TLSmote-SVM(tomekLink-smote-SVM)的窃漏电诊断模型.首先基于用电用户数据分布,利用Smote方法扩充少数类样本,同时采用Tomek-link剔除噪声...     

基于图像处理的车辆识别系统设计

为了实时了解道路交通信息,及时处理交通事故,在一定程度上缓解交通事故频发的状况,设计了基于方向梯度直方图（HOG）特征与支持向量机（SVM）的车辆检测系统.在收集大量的车辆样本,构建正、负样本集之后,提取出每一个正、负样本的HOG特征向量并汇总,进而形成检测所用的SVM分类器模板.在视频检测过程中,提取视频中每帧图像的HOG特征送到训练好的分类器中与模板进行对比,并用矩形框标注检测出的车辆目标.利用实际道路监控视频进行车辆检测系统测试,结果表明,对于不同的路况、天气和光线下的道路环境,该算法都可以完成实时且准确的检测,有较强的实际场景应用能力.     

基于稀疏编码投影特征的布匹瑕疵检测

为了改善传统算法通用性不强、计算量较大的缺点,提出了基于稀疏编码投影特征的布匹瑕疵检测算法。采用稀疏编码来训练得到特征提取的过完全字典,使得不同种类布匹纹理的特征选取具有充分的灵活性。利用布匹图像在字典上的投影代替稀疏表达作为特征,提高了特征的鲁棒性,有效地减小了算法的计算量和时间复杂度。最后,根据待检测图像块特征和标准之间的距离,得出检测结果。对德国TILDA样本库的实验结果表明,该方法得到的特征更加的稳健,对不同种类布匹的适应能力更强,检测时间更短,对比其他算法的检测率也有明显优势。     

基于新迭代规则的稀疏CNMF人脸识别方法

针对凸非负矩阵分解(CNMF)人脸识别方法的运行时间长且识别率不高的问题,提出一种可收敛的易于计算的新目标函数,并引入阈值稀疏约束,得到新的迭代规则,可有效提高识别率和减少计算时间.首先,图像经预处理后得到低频训练样本,经由新迭代规则的稀疏凸非负矩阵方法分解,得到特征的稀疏基矩阵和权值系数矩阵;然后,基于稀疏特征基矩阵对测试样本进行分解,得到测试集的特征权值系数矩阵;最后,使用一对一支持向量机对该特征权值系数矩阵进行识别分类.基于新规则的稀疏化基矩阵数据更为集中,因此相应系数矩阵中特征的权值也更为集中,易于进行分类识别.实验结果表明:基于新迭代规则的稀疏CNMF方法的识别率可达到100%,比凸非负矩阵分解、稀疏非负矩阵分解、多层非负矩阵分解方法分别提高了33.0%,10.0%和5.5%,并且识别时间更短,图像重构误差更小.     

基于多维行为分析的窃电高风险客户精准定位方法

窃电行为对国家电力系统及供电公司造成了极大的损失,故反窃电技术是电力行业的重要研究方向之一。传统的窃电用户定位方法存在定位不准确、查处效率低等问题,为了解决上述问题,提出基于多维行为分析的窃电高风险客户精准定位方法。首先通过相关矩阵R及特征值谱熵正则化完成用户数据去噪,其次在UFS-MI模型内提取用户数据特征,分析用户用电的多维行为,最后根据逻辑回归算法完成窃电高风险客户的精确定位。实验结果表明,所提方法的窃电高风险客户定位精准度较高,误判率较低,整体定位效果较好。     

基于熵权法集成异质分类器的窃电检测

针对传统检测模型仅通过单一方法进行窃电检测具有局限性且用电数据中存在类不平衡的问题,从集成学习的角度出发,本文提出一种基于熵权法融合异质分类器的窃电检测模型。首先,通过少数类样本合成过采样技术（synthetic minority oversampling technique,SMOTE）处理用电数据不平衡的问题,其次综合考虑个体分类器之间的多样性以及各自的检测性能和训练机理进行基分类器的优选,最后,引入信息熵的概念,基于各个基分类器分类结果的分散程度,计算其权重占比,并以该权重占比集成各基分类器的输出。实验结果表明,对比传统的窃电检测模型,本文所提模型在多项评价指标下表现较好,具有良好的检测性能。     

基于大数据的防窃电模型与方法

针对常见的窃电现象及方法，分析了窃电方法的本质特征；利用鱼骨图表示特征参量的方法建立了多维度电参量的相关特征参量集合，并构建了多维度电参量的窃电本质特征模型来揭示窃电方法、本质特征和特征参量三者的关联关系；提出了基于大数据的防窃电模型与方法，包括数据预处理、大数据的防窃电结构化模型；最后通过用电信息系统采集的数据验证了本文结构化防窃电模型与方法的有效性。本文研究成果可为解决大数据条件下窃电行为监控问题提供有效的途径和方法。     

基于稀疏编码的提取人脸整体特征算法

为了提高特征的分类效果 ,提出了一种新的基于稀疏编码的人脸特征提取方法。稀疏编码是去除图像冗余的一种有效方法 ,适于描述具有 non- Gaussian分布的图像集合。和基于主成分分析 (PCA )的传统方法相比 ,利用稀疏编码提取的特征具有更好的分类特性。根据稀疏编码的聚类特性 ,利用模糊 C均值聚类对稀疏编码基函数进行初始化以进一步提高特征的可分性。人脸识别的试验结果表明 ,该方法明显优于传统的“特征脸”方法 ,是一种有效的图像整体特征提取方法     

基于逻辑回归的增量式异常用电行为检测方法

用户异常用电行为的检测是电力公司需要重点解决的问题。目前异常用电检测通常采用数据分析的方法,主要包括聚类和分类两种,在处理固定数据集时校测准确率和效率均较高。但是此类方法在处理增量数据时,每次数据增量更新时均需要将增量数据与原始数据合并后重新建模才能获得新的检测模型,而用户的用电数据是频繁更新的且最新的数据更能体现出用户的用电习惯,因此在异常用电行为检测时必须考虑增量数据,而现有检测方法在进行增量式异常用电行为检测时效率很低。为解决数据增量式更新的情况下异常用电行为检测方法性能低下的问题,提出了一种基于逻辑回归的增量式异常用电行为检测方法,仅需对增量数据进行建模即可得到面向全局数据集的检测模型,无需对全局数据进行重新建模,提高检测算法的执行效率。当用户电量数据产生增量时,仅需对增量数据构建检测模型,再与原始数据的检测模型相结合,即可得到基于全部数据的检测模型。实验结果表明,该方法在保证检测结果准确性的同时,极大地提高了算法执行效率,且对计算和存储资源的需求较低。     

基于层次分析法的加权LOF窃电检测方法研究

为解决传统窃电检测方法的局限性,本文提出一种基于层次分析法的加权LOF窃电检测方法。该方法首先通过对窃电现象的系统分析,提出新的用电特征指标,构建合理的窃电嫌疑评价体系;其次针对各电气指标数据异常所能代表窃电的不同概率,采用层次分析法合理量化各电气指标的权重,并结合加权LOF算法对海量用户数据进行加权离群分析,使用综合离群因子表征用户窃电嫌疑程度。最后通过实测数据验证,结果表明所提检测方法相较传统LOF算法在较低检测率时能够挖掘出更多的窃电用户,进而提升采集系统的窃电检测效率。     

基于稀疏编码和多核学习的图像分类算法

提出了一种基于稀疏编码和多核学习的图像分类算法.首先从图像中提取Dense-SIFT（Dense Scale Invariant Feature Transform）和Dense-SURF（Dense Speeded Up Robust Feature）2种特征,使用稀疏编码对特征点进行处理,得到一系列高维向量,然后对这些高维向量应用max-pooling算法,将图像表示成单个向量.最后,使用改进的多核学习方法对这些向量进行分类,对于不同的特征,使用不同核的组合以达到最好的分类效果.实验结果表明,该算法作为词袋（BoW）模型的改进,能够提高分类准确率.
     

基于KPCA及SVM的蛋白质O-糖基化位点的预测

为了提高蛋白质O-糖基化位点的预测准确率,提出了把核主成分分析（KPCA）与支持向量机（SVM）相结合的方法。实验样本用稀疏编码方式编码,窗口长度为21。首先,用核主成分分析提取了样本的核主成分（特征）;然后,在特征空间中用改进的支持向量机（ISVM）进行分类（预测）。在使用支持向量机分类时,设置了一个边界系数来减少运算的复杂度。实验结果表明,使用KPCA ISVM的方法预测的效果优于PCA SVM的预测效果。预测准确率为87%。更进一步,用不同长度的样本做实验(w=5,7,9,11,21,31,41,51),使用多数投票法综合各子分类器的优势。结果表明,组合分类器的预测准确率优于子分类器的预测准确率,预测准确率为88%。     

基于心理声学及支持向量机的扬声器异常音检测算法

目前扬声器异常音检测中,主要使用人工听音和工程师依据经验设置门限法,受主观因素影响大,且不能实现扬声器异常音的分类。为此,提出了一种新的扬声器质量评价方法,即基于心理声学模型和粒子群优化的支持向量机扬声器异常音检测方法。提取并标记扬声器声音响应信号,将其输入心理声学模型,得出心理声学能量均值并输入支持向量机;利用粒子群算法进行调优,最终得到具有最优参数的支持向量机。经试验验证,该模型的检测准确率达到98%。与音色特征法相比,其检测准确率得到较大的提高并实现了异常音分类。