基于改进的半监督阶梯网络SAR图像识别

针对目前SAR(Synthetic Aperture Radar)图像中样本人工标记成本高、传统算法分类识别较低的情况,提出一种基于改进半监督阶梯网络(Semi-supervised Ladder Network,SSLN)的SAR图像分类识别方法 .首先在原SSLN模型的解码器网络中使用卷积神经网络代替全连接层,对编码器输出的每层数据进行全局深度特征提取,这样做有利于图像降噪,实现对输出数据的重构.其次,为解决SAR图像各类数据集分布不均衡的问题,同时提高网络的泛化性能,对阶梯网络训练层中各类别损失函数的权重进行优化,根据各类别样本数所占总样本数的比重,对少样本类别损失函数调高权重,对多样本类别损失函数调低权重.在公开数据集MSTAR(Moving and Stationary Target Automatic Recognition)上的实验表明,改进后的半监督阶梯网络分类的识别准确度明显优于SSLN算法,且具有更好的泛化性.     

基于改进损失函数的实体类别平衡优化算法

针对自然语言处理(Natural Language Processing, NLP)任务中,命名实体识别(Named Entity Recognition, NER)存在实体类别样本不平衡的问题,提出一种基于改进损失函数的实体类别平衡优化算法。新算法是对神经网络模型中的损失函数进行优化处理,通过分析命名实体识别数据特点,在平衡正负样本的基础上引入平滑系数和权重系数,保证模型在梯度传递的过程更关注于实体类别较少和带有嵌套的难识别样本,同时减少对样本数较多的、易识别样本的关注。利用公共数据集ACE05、MSRA进行实验对比,结果表明改进的损失函数在数据集ACE05和MSRA上,F1值分别提高1.53%和0.91%。上述结果表明改进的损失函数能够较好地缓解实体中正负难易样本的不平衡。     

基于小波包神经网络分析的滚动轴承故障诊断

针对轴承故障识别率低、故障信号不平稳的问题,提出了改进小波包能量特征提取和神经网络的故障诊断方法.首先利用改进小波包算法将轴承内圈、外圈、滚动体三个部位的采集信号进行三层分解与重构;然后通过小波包能量谱提取不同节点能量,形成故障特征集;最后依次建立BP和Elman神经网络故障分类模型,将所得的小波包节点能量作为特征向量输入到故障模型,进行轴承不同故障状态的分类识别.实验结果表明,本文算法可准确分类并预测轴承运行状况,提高了诊断准确率.     

基于LSTM的舰船软件运行健康状态预测

针对舰船任务系统的复杂环境,综合考虑舰船软件自身性能、外在环境和运行工况等数据的影响,采用长短期记忆网络模型(LSTM)预测软件运行健康状态,并针对样本类别分布不均衡导致的预测效果不佳等问题,提出了一种加权焦点损失函数(WFL).实验结果表明:基于WFL与包含三个隐含层的LSTM模型(LSTM3-WFL)不仅比传统的机器学习算法能够更好地学习到特征在时间维度上的变化规律;而且相较于基于交叉熵损失函数的LSTM模型,该模型更容易学习到样本个数较少的类别信息,并最终在测试集上达到98.2%的准确率与0.947的宏平均F1-Socre值,在舰船软件运行健康状态的预测问题上有很高的应用价值.     

一种用于提升深度学习分类模型准确率的正则化损失函数

针对现有深度学习分类模型存在由标签边缘化效应引起的过拟合问题,提出了一种新的正则化损失函数——得分聚类损失函数.该函数为每个类别学习一个得分中心,将同类别样本的得分向得分中心聚集.得分中心经过softmax函数归一化后的概率向量,即为最佳的平滑标签.该函数避免了根据经验手工设置标签平滑系数,起到了自动平滑标签的作用,从而减轻了模型过拟合的风险.给出了得分聚类损失函数的定义和推导,并在刚性和非刚性图像分类任务上与其他正则化损失函数进行了实验比较.实验结果表明,应用本文的得分聚类损失函数能显著提高分类模型的准确率.     

基于BS＿Bagging-cLightGBM模型的电动汽车故障预测方法

针对因电动汽车故障数据样本类别不平衡引起的机器模型分类性能欠佳、故障查全率低的问题，本文提出一种以LightGBM为基学习器改进的Bagging集成电动汽车故障预测模型：在Bagging集成学习中使用Borderline＿SMOTE方法对训练集重新采样，改善训练子集的数据不平衡程度，避免小类样本信息缺失；将权重系数和正则化项嵌入LightGBM基学习器的损失函数中，提高训练中小类样本的错分类代价。实验结果表明，该模型可有效提高故障查全率、宏平均和AUC值，其中AUC值达到0.898 4，故障样本的查全率为0.808 3，在电动汽车不平衡数据集上的故障分类性能显著优于传统单一模型和其他对比算法。     

基于领域BERT模型的服务文本分类方法

针对BERT模型领域适应能力较差，无法解决训练数据类别数量不均衡和分类难易不均衡等问题，提出一种基于WBBI模型的服务文本分类方法。首先通过TF-IDF算法提取领域语料中的词汇扩展BERT词表，提升了BERT模型的领域适应性；其次，通过建立的BERT-BiLSTM模型实现服务文本分类；最后，针对数据集的类别数量不均衡和分类难易不均衡问题，在传统焦点损失函数的基础上提出了一种可以根据样本不均衡性特点动态调整的变焦损失函数。为了验证WBBI模型的性能，在互联网获取的真实数据集上进行了大量对比试验，实验结果表明：WBBI模型与通用文本分类模型TextCNN、BiLSTM-attention、RCNN、Transformer相比Macro-F1值分别提高了4.29%、6.59%、5.3%和43%;与基于BERT的文本分类模型BERT-CNN、BERT-DPCNN相比，WBBI模型具有更快的收敛速度和更好的分类效果。     

基于域适应神经网络的调制方式分类方法

针对深度学习进行调制方式识别领域测试样本与训练样本存在分布差异的问题,提出了基于域适应神经网络的调制识别方法。首先采用VGG16深度卷积神经网络提取信号小波变换后系数图像特征;然后利用自编码器对高维特征进行降维处理;再计算训练样本特征与测试样本特征之间的CORAL损失;最后联合优化分类损失和CORAL损失使模型达到最优。通过仿真实验证明,在信号类别存在差异或信道环境存在差异的条件下,引入域适应技术可提高待测信号识别准确率5%以上。     

基于知识蒸馏的不平衡数据下入侵检测方法研究

基于深度学习的网络入侵检测模型面临模型结构复杂、部署效率低及流量数据类别不平衡的问题.针对这些问题,提出了1种结合知识蒸馏和类别权重焦点损失的网络入侵检测方法.该方法以精度高、参数量较多的入侵检测模型作为教师模型,与小型学生模型生成蒸馏损失;引入增加类别权重的焦点损失函数作为学生损失;结合蒸馏损失与学生损失生成总的损失函数优化学生模型.实验结果表明,该方法性能相较于非蒸馏模型在各项指标上均有一定提升.     

基于改进AlexNet的可变形卷积皮肤病变识别算法

为了有效解决类间相似度高、类内差异化大、数据类别不平衡的皮肤病变识别,提出了基于改进AlexNet的可变形卷积网络皮肤病变识别算法. 构建改进的AlexNet可变形卷积网络模型,增加采样偏移量,使不同位置的卷积核采样点可根据图像内容自适应变化,自动调整不同尺度或感受野,提取比标准卷积更精细的特征. 使用交叉熵损失函数和焦点损失函数的加权损失函数,削弱易分类样本在训练中所占的权重,使模型专注于相似度高、易错分的样本,解决样本比例不平衡的问题,优化模型的识别率. 在HAM10000数据集上进行仿真实验,主客观的实验结果表明, 提出的方法在7种皮肤病变上的识别优于现有方法,具有更高的准确性、特异性和鲁棒性.      

基于人工蜂群的WSN故障数据挖掘算法

为了有效提高无线传感器网络中故障数据的判别能力,本文结合人工蜂群算法提出了一种新的挖掘算法FDMA(Fault Data Mining Algorithm)。该算法首先利用小波变换降低故障数据的突发性,以达到对故障数据的标准化处理。其次,基于关联系数来划分故障数据分布区间,并建立了数据挖掘的目标函数,同时利用人工蜂群算法对目标函数进行优化。最后,通过实际传感器样本数据进行仿真实验,对比研究了FDMA算法与其它算法之间的性能状况(包括吞吐量、延迟时间、丢包率和能耗),结果发现FDMA算法具有较好的适应性。     

不平衡数据分类问题的基于间隔放大损失的支持向量机

针对不平衡数据分类问题,提出了一种带有间隔感知标签分布损失函数的支持向量机,称为基于间隔放大损失的支持向量机(support vector machine with margin magnification loss,MM-SVM)。考虑各类样本的分布情况以及数据不平衡比,设计了一种间隔放大损失函数,最小化基于间隔的泛化误差界;将间隔放大损失函数应用于SVM模型中,增强了少数类样本对分类超平面的影响,实现对少数类样本的准确分类。在Keel和UCI数据库上的实验表明,MM-SVM在不平衡数据分类精度和时间效率上均优于其他5种对比方法,实现了对不平衡数据的有效分类。     

基于小波包相关频带谱能量熵的滚动轴承性能退化评估方法

滚动轴承在使用过程中会经历不同的性能退化状态。提出小波包相关频带谱能量熵以评估滚动轴承初始性能退化程度。以滚动轴承全寿命周期数据为支撑,对数据进行小波包分解,并利用相关系数法提取包含主要故障信息的时频分量,然后沿时间轴计算各频带幅值谱,再计算谱能量熵。通过实验与时域典型指标均方根值（RMS）,以及小波包频带幅值谱熵和小波包频带谱能量熵评估指标进行对比,验证了所提方法在滚动轴承性能退化评估中,对初始故障的评估具有一定的优越性。     

降噪自编码器在机械设备故障预警中的应用

针对目前复杂机械设备大多采用单特征值门限报警法,无法实现提前预警的现状,提出一种基于降噪自编码器（denoising autoencoder,DAE）的特征自学习方法,将高维监测数据编码成低维特征,作为设备运行状态的特征表示,通过度量待测样本编码特征与基准的距离实现故障预警。实验结果表明,本文方法能够区分正常样本特征与任意故障样本特征,并能降低变工况及环境噪声干扰的影响;工程应用案例表明,本文方法能够发现设备故障发生前的微弱征兆,实现提前预警。     

基于流类型的SDN数据平面故障恢复算法

软件定义网络(software defined networking,SDN)的网络拓扑中,链路故障恢复目标是保证故障恢复时延在可容忍范围内、减少数据包丢失和节约交换机存储资源.现有研究方法对链路故障恢复考虑了恢复时延、数据包丢失率、网络吞吐量等因素,没有考虑数据流对网络带宽的要求及运营商/用户的一些特殊限制.为了解决以上问题,同时满足故障恢复时延要求和运营商/用户定制化需求,提出了基于流类型的SDN数据平面故障恢复算法(failure recovery algorithm based on flow type in SDN data plane,FR-FT).该方法根据服务质量要求将数据流分为3类,将运营商/客户的定制化需求绑定到不同数据流上,根据对应约束条件对不同类型数据流制定不同故障恢复策略.仿真结果表明,该方法可以减少交换机流表项消耗、故障恢复时延、数据包丢失率.     

长春地区配电网三相不平衡现状分析

结合详细的数据计算分析了长春地区三相不平衡台区情况,总结出三相的负荷分配情况不同对线损的具体影响,通过分析和计算该地区三相不平衡台区情况,找出影响三相不平衡的主要因素,作为研究的主要对象,整合出对三相不平衡调整时存在的技术、管理方面的问题,消除由这些因素带来的三相分布不平衡进而引起的供电系统的不平衡,降低线损引起的能耗。     

基于证据理论加权融合的无线传感器网络路由算法

针对当前无线传感器网络路由算法存在数据传输成功率低、 网络时延长和丢包率高等缺陷, 为获得更优的数据传输结果, 提出一种基于证据理论加权融合 的无线传感器网络路由算法. 首先引入聚类分析算法对无线传感器网络进行分簇, 使簇首的分布更均匀, 解决簇首过于集中、 簇成员节点分配不合理的问题; 然后采用证据理论计算剩余能量、 节点间通信距离、通信能耗的权值, 并根据权值对每个节点的性能进行综合评价, 根据综合评价结果选择每个簇最合理的簇首; 最后与其他无线传感器网络路由算法进行对比测试. 测试结果表明, 相对于对比算法, 该算法数据时延均值和丢包率均大幅度减少, 改善了数据传输成功率, 使节点之间的能耗更均衡, 延长了无线传感器网络的生存周期, 建立的无线传感器网络路由可靠性更高.     

基于证据理论加权融合的无线传感器网络路由算法

针对当前无线传感器网络路由算法存在数据传输成功率低、 网络时延长和丢包率高等缺陷, 为获得更优的数据传输结果, 提出一种基于证据理论加权融合 的无线传感器网络路由算法. 首先引入聚类分析算法对无线传感器网络进行分簇, 使簇首的分布更均匀, 解决簇首过于集中、 簇成员节点分配不合理的问题; 然后采用证据理论计算剩余能量、 节点间通信距离、通信能耗的权值, 并根据权值对每个节点的性能进行综合评价, 根据综合评价结果选择每个簇最合理的簇首; 最后与其他无线传感器网络路由算法进行对比测试. 测试结果表明, 相对于对比算法, 该算法数据时延均值和丢包率均大幅度减少, 改善了数据传输成功率, 使节点之间的能耗更均衡, 延长了无线传感器网络的生存周期, 建立的无线传感器网络路由可靠性更高.     

基于EEMD和小波包变换的早期故障敏感特征获取

提出一种基于总体平均经验模态分解和小波包变换的方法,进行早期故障敏感特征的获取,构建早期故障诊断模型. 该方法首先应用EEMD对现场采集的振动信号进行分解,分离出不同频率成分的特征信号,选择与原信号相关系数最大的 IMF分量进行信息重构;面向重构的IMF分量采用WPT进行分解,得到各个节点的小波系数;最后使用Hilbert变换提取小波包系数的包络,计算功率谱,准确获得早期故障的敏感特征. 通过对仿真信号的分析验证了该方法对故障诊断的有效性. 将该方法应用于实测的滚动轴承的内圈、外圈和滚动体故障诊断,诊断结果均表明该方法可有效提取早期故障敏感特征,故障诊断快速准确.      

一种改进的代价敏感随机森林算法

随机森林在分类不平衡数据时,容易偏向多数类而忽略少数类,可以将代价敏感用于分类器的训练,但在传统代价敏感随机森林算法中,代价函数没有考虑样本集实际分布与特征权重,且在随机森林投票阶段,没有考虑基分类器的性能差异。本文提出一种改进的代价敏感随机森林算法ICSRF,该算法首先根据不平衡数据集的实际分布构造代价函数,并将权重距离引入代价函数,然后根据基分类器的性能采取权重投票,提高分类准确率。实验结果表明,ICSRF算法能有效提高少数类的分类性能,可以较好的处理不平衡数据。