基于改进VMD和CNN的滚动轴承故障诊断方法

针对现场采集的滚动轴承信号易受噪声影响而使微弱故障特征难以提取的问题,基于灰狼优化算法(GWO)、变分模态分解(VMD)和卷积神经网络(CNN),提出了一种滚动轴承故障诊断的新方法.首先,利用GWO优化VMD实现其分解层数及二次惩罚因子2个重要参数的自适应选择;其次,提出有效加权相关稀疏度指标(EWCS),并以此筛选VMD分解的有效本征模态函数(IMF);最后,使用GWO优化CNN参数,并采用2层卷积模块的CNN进行识别分类.基于所提方法,对滚动轴承4种不同运行状态的样本进行了分类识别,并与其他几种诊断方法进行比较.结果表明,该方法用于滚动轴承故障诊断是可行的,且具有更高的分类准确率.     

基于CNN-LSTM的综合能源系统负荷预测模型

负荷的准确预测是综合能源系统设计、运行、调度和管理的前提。现有的负荷预测模型中大都考虑了气象、日期因素,却没有考虑系统中电、冷、热负荷间的相关性,这会对模型的预测精度造成影响。使用了科普拉理论对系统中3种负荷之间的相关性进行分析。从分析结果看,它们之间具有强相关的关系。基于上述分析结果,提出了一种基于深度学习的智慧综合能源系统负荷预测模型,该模型使用卷积神经网络(convolutional neural network,CNN)来提取系统中电、冷、热负荷间的耦合特性相关的特征量。将得到的特征量转换为时间序列后,输入到长短期记忆(long short-term memory,LSTM)网络中进行负荷预测。实验显示,所提出的CNN-LSTM组合模型的预测精度更为精准,可为综合能源系统的负荷预测提供参考。     

基于VMD的CNN-BiLSTM-Att的短期负荷预测

为提高短期电力负荷预测精度,提出了基于变分模态分解(VMD:Variational Mode Decomposition)的CNN-BiLSTM-Att(Convolutional Neural Network-Bidirectional Long Short-Term Memory-Attention)的短期负荷预测模型。该模型将历史的负荷数据使用VMD分解成多个子序列负荷并结合天气、日期、工作日类型等因素作为输入特征,得到各个子序列负荷的预测值,然后相加重构组成实际负荷预测曲线。通过与其他模型实验对比,VMD-CNN-BiLSTM-Att模型在测试集上相比于其他模型均有所降低,在连续的周负荷预测中,日负荷预测的平均绝对百分比误差基本维持在1%～2%之间。在复杂负荷变化的非工作日中,平均绝对百分比误差相比CNN-LSTM降低0.13%。证明VMD-CNN-BiLSTM-Att短期负荷预测模型能提高电力负荷预测的精度。     

基于二次模态分解的LSTM短期电力负荷预测

为进一步提高短期电力负荷的预测精度,需要更深层次发掘负荷数据中隐藏的非线性关系。提出一种基于信号分解技术的二次模态分解的长短期记忆神经网络(long short-term memory network, LSTM)用于电力负荷的短期预测。所提算法先对原始负荷序列进行自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),再将CEEMDAN分解后分量中的强非平稳分量进行变分模态分解(variational mode decomposition, VMD),同时用中心频率法对VMD分解个数进行优化,然后将两次分解后得到的负荷子序列送入LSTM中进行预测,并将所得分量预测结果进行叠加。结果表明,本文所提方法对短期电力负荷预测结果精度和模型性能都有较大提升。     

基于CNN和LSTM的图像隐写分析

为了进一步降低隐写分析算法的检测错误率,文章提出一种基于卷积神经网络(convolutional neural network, CNN)和长短期记忆网络(long short-term memory, LSTM)的隐写分析算法。该算法利用CNN捕获载体图像的结构特征,同时利用LSTM捕获图像的前后时序特征。为了验证混合神经网络的有效性,该算法以XuNet和SRNet为基准隐写分析网络,探讨CNN与LSTM的有效组合方式。实验结果表明,所提方法可以有效提高隐写分析算法的检测能力。     

变分自动编码器的潜变量空间解耦方法

针对潜变量空间解耦具有可选择性地调整数据属性,实现更可控的数据生成的特性,提出一种提高解耦任务度量指标的方法. 该方法在编码器阶段,运用自注意力机制和残差网络,使模型更有效地捕捉长期依赖关系,增强模型的维度适应性. 在训练阶段,提出新颖损失函数使潜变量空间编码维度与属性值趋向单调关系,从而更好地调节损失函数所处区间范围,达到优化目的. 通过对比实验表明,本模型和方法在图像的潜变量空间解耦生成上优于变分自编码机(variational auto encoder,VAE)及属性正则化(AR-VAE）模型模型,且具有更为轻量级的网络架构.     

基于VMD-DTW聚类的配电网故障选线方法研究

提出了一种基于VMD-DTW聚类的小电流接地系统故障选线方法.通过变分模态分解法(VMD)提取和增强原始信号,而后引入动态时间归整法(DTW)实现不同线路零序电流相似性测度和聚类,根据聚类结果区分故障线路和健康线路,从而实现故障选线的目的.最终的仿真试验结果证明,本文所提方法在不同场景下的适应性较强,特别是在接地电阻大...     

基于CEEMDAN和TCN-LSTM模型的短期电力负荷预测

针对短期电力负荷数据随机性强,难以实现准确预测的问题,提出了一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和时间卷积网络-长短期记忆网络(temporal convolutional network-long short-term memory network, TCN-LSTM)混合模型的预测方法。所提算法先使用CEEMDAN方法将负荷数据分解为一系列相对平稳的子序列。同时为了降低后续计算规模,通过引入排列熵的方法将各子序列进行重组。然后,将各个重组序列输入到TCN-LSTM组合模型中,利用TCN模型提取特征并构建序列的特征向量,再基于LSTM模型对其进行训练及预测。最后把全部预测值进行相加得到完整的预测负荷值。通过使用欧洲某地真实负荷数据进行验证。结果表明：所提算法与其他常见的预测算法相比具有更高的预测精度,可为负荷预测等研究工作提供相关参考。     

基于VMD与改进DAE人车地震动包络信号识别算法

为解决在野外环境中使用传统模式识别方法对低信噪比(signal-noise rate, SNR)的人车地震动信号进行分类时应用不便,效果不佳的问题,提出了通过基于包络检波、变分模态分解(variational mode decomposition, VMD)和改进的深度自编码器(deep auto-encoder, DAE)的特征提取算法。首先对目标的地震动信号进行希尔伯特变换以获取信号的平滑包络线,然后进行变分模态分解得到本征模函数(intrinsic mode function, IMF)信号,并利用皮尔森相关系数对分解得到的IMF信号进行筛选,之后将相关度较高的分量加权为高信噪比的中间信号,再使用改进的深度自编码器对其进行特征提取,最后使用泛化性能好的随机森林算法充当分类器,从而实现对人车目标的识别和分类。结果表明：所提算法有效缓解了其他传统算法的部分缺陷,综合识别正确率有所提高,且更加方便应用。     

基于CNN-BiLSTM-Attention的超短期电力负荷预测

在长短期记忆神经网络(LSTM)的基础上,运用双向的长短期记忆神经网络(BiLSTM),结合卷积神经网络(CNN)提出了一个预测模型,对超短期电力负荷预测.运用合肥市2019年全年数据对该模型进行训练及预测,结果显示,CNN-BiLSTM预测精度高于CNN-LSTM预测模型,为进一步提升预测精确度,在BiLSTM神经网络后面连接了一个Attention在输出,发现其预测精度进一步提升了.     

基于Attention机制和ResNet的CNN-BiLSTM短期电力负荷预测模型研究

短期电力负荷预测有利于电力系统的高效运行,对电力市场实现有效调度有重要意义。短期电力负荷受多种因素影响,波动性大、随机性强,使得其预测准确率低。双向长短期记忆网络和卷积神经网络难以在短期负荷序列中提取足够多的信息,本文提出了一种结合注意力机制和残差网络的卷积神经网络-双向长短期记忆网络短期负荷预测方法。首先利用基准模型卷积神经网络-双向长短期记忆网络对输入特征进行信息提取,然后利用注意力机制突出提取到的关键信息,最后通过残差网络创建残差层以充分学习时序特征。通过某公开数据集进行实验,结果表明该方法的平均绝对百分比误差达到2.80%,均方根误差达到2.15,并与常用的五种模型预测结果对比,验证了所提模型的准确性及有效性。     

基于LSTM的钓鱼邮件检测系统

提出了一种基于LSTM的钓鱼邮件检测方式.该方式主要由两部分构成:分别为数据扩充部分及模型训练部分.数据扩展部分中,通过KNN与K-means算法扩大训练数据集,保证数据的数量能够满足深度学习算法的需要.在模型训练部分中,通过对数据进行预处理并将其转化为词向量矩阵,最后将转化完词向量通过训练得到LSTM神经网络模型.最终,可以根据训练好的LSTM模型将邮件分为正常邮件以及钓鱼邮件.通过实验对提出的算法进行了评估,实验结果显示提出的算法准确率可以达到95%.      

CNLSTM模型预测城市积水

物联网平台能够为积水预测提供海量的传感器时间序列数据基础.为了精准且快速地预测城市内涝点积水趋势,提出一种基于神经网络的组合时序预测模型(CNLSTM),对多变量积水时间序列数据进行建模预测.此模型利用卷积神经网络(convolutional neural network,CNN)提取多变量数据之间的空间特征,得到具有...     

基于CNN-LSTM的脑电情感四分类研究

为深入研究脑电信号时空特征之间的关联,解决因手动提取特征导致的脑电情感识别准确率较低问题。将卷积神经网络（Convolutional neural network, CNN）和长短时记忆网络（Long short- term memory, LSTM）相结合,构造出了CNN-LSTM模型。首先,提取了5个频段的5个不同特征：功率谱密度(PSD)、差分熵(DE)、差分不对称(DASM)、理性不对称(RASM)和差分熵差分(DCAU)。其次,将特征输入CNN-LSTM模型,在DEAP数据集中的效价和唤醒两种情感维度上展开四分类实验。最后,将堆栈自编密码器(SAE),卷积稀疏自编码器(CSAE),深度置信网络(DBN)分别与LSTM组合,构造SAE-LSTM,CSAE-LSTM,DBN-LSTM三种混合模型同CNN-LSTM进行分类准确率比较。实验结果表明,DE特征的分类识别效果在五种特征中占最优,β和γ频段上所有特征的识别准确率远高于其他频段,尤其是γ频段。CNN-LSTM模型获得了最高的平均分类准确率92.48%,充分证明了CNN-LSTM模型的有效性。     

基于Hadoop分布式计算的混合神经网络负荷分类模型

为了对电力物联网背景下的海量负荷数据进行精细化分析,从中提取用电模式,提出一种基于Hadoop分布式并行计算的混合神经网络分类模型。首先,基于时间维度的一维卷积神经网络(1DCNN)搭建“负荷特征提取器”;其次,使用长短期记忆网络(LSTM)搭建“序列分类器”;最后,将该“混合神经网络分类方法”在Hadoop平台上搭建,实现算法的并行化运行,以适用于海量负荷曲线的高效辨识。使用标准时序数据与真实负荷数据测试该方法的分类性能,算例结果表明所提分类方法具有较高的分类精度,经并行化处理后有效提高了负荷数据的处理效率。     

中国投资者多角度舆情分析及其在股市预测中的作用

股市中存在与投资者舆情有关的非理性现象，舆情与股市关系的量化研究对发掘股市规律和辅助投资预测具有重要意义.本文基于论坛中的投资者发言，创新性地建立CNN-TLDA混合模型对舆情进行多角度量化分析，从积极度和关注主题两方面探究投资者舆情和股市的相互影响关系，并基于长短时记忆(LSTM)网络对舆情在股市预测中的作用进行探讨.研究表明:中国股市投资者普遍悲观，投资者乐观度和关注主题都与股市高度相关.多角度舆情分析使预测误差下降至41%.研究成果能够辅助投资者的投资决策，也能为股市中个体投资者舆情的分析与利用提供科学参考.     

基于改进型残差网络烟雾图像识别

摘 要：当前在深度学习上对烟雾图像和视频识别较少,目前存在的问题是烟雾视频图像第一帧识别率低,覆盖范围小,自适应较差的情况。本文算法改变了ResNet结构,实现精确的烟雾区域检测。在实验中经过5000张不同烟雾图像的数据集学习,实验结果准确地识别了烟雾图片,为大范围的火灾烟雾报警提供了一种有效方案。     

基于DTW-SC与Bi-LSTM网络的电动公交短期充电负荷预测

对电动公交车进行较为精准的短期充电负荷预测,有利于电网合理调度,从而在一定程度上缓解大规模电动公交车接入对电网冲击的影响。因此,提出一种基于DTW-SC与Bi-LSTM网络的电动公交短期充电负荷预测方法,以提高负荷预测精度。首先,结合电动公交车充电负荷具有的间歇性和波动性特点,提出基于动态时间规整(dynamic time warping, DTW)的改进谱聚类(Spectral Clustering, SC)方法,对公交车日充电负荷曲线进行聚类;其次,对每类负荷综合考虑时间、日类型、温度及历史负荷值等影响因素,利用双向长短期记忆(bi-directional-long short-term memory, Bi-LSTM)构建电动公交车短期充电负荷预测模型;最后,利用某市实际天气数据和历史负荷数据进行仿真验证,并与其它预测方法进行对比分析。实验结果表明,所提方法能提高短期充电负荷预测准确度。     

IBF神经网络电力负荷预测模型研究

运用Matlab神经网络工具箱建立了一个RBF神经网络,依据某地实际的历史电力负荷数据和天气数据作为训练样本和测试样本,进行了考虑历史天气状况因素的电力系统短期负荷的预测和仿真,预测结果平均相对误差较小,满足精度要求,并将此RBF负荷预测模型与BP神经网络建立的短期电力负荷预测模型的预测结果进行了比较,显示了在相同预测条件下,RBF神经网络相比于BP神经网络在电力系统短期负荷预测方面的优越性．