融合残差网络的CR-BiGRU入侵检测模型

针对当前网络攻击的复杂性和多样性,传统模型提取流量特征不足且准确率较低的问题,提出一种融合残差网络改进的CR-BiGRU混合模型的网络入侵检测方法.首先将数据集进行归一化以及独热编码处理,然后利用基于残差网络的卷积神经网络提取空间特征,最后使用双向门控神经网络提取时间特征,完成模型的训练并实现异常网络的入侵检测.为表明模型的适用性,基于数据集NSL-KDD和UNSW-NB15进行对比分析实验,结果表明,该方法基于上述数据集准确率分别达99.40%和83.79%,明显优于经典网络入侵检测算法,能有效提升检测网络入侵的精度,从而更好保证网络数据的通信安全.     

一种全连接粒神经网络分类方法

全连接神经网络需要大量的数据支持，才能训练好一个分类网络，往往现实中没有提供大量的数据供给网络训练。针对全连接神经网络缺少数据训练会使网络分类效果不佳这个问题，研究粒计算理论，从不同角度增广数据并进行粒化，提出一种全连接粒神经网络的分类方法。首先，该网络对所有样本进行单特征参照样本相似度粒化，形成参照样本粒子。同时引入邻域判别函数进行邻域粒化，形成邻域粒子。一个样本上的多个特征粒子构成一个粒向量，将构造的粒向量输入到该网络进行分类，进而提出了全连接粒神经网络。在多个UCI数据集上实验，用全连接粒神经网络和不同的分类算法进行比较，其结果表明了所提出的全连接粒神经网络分类方法的正确性与有效性。     

四阶段端到端的用户异常用电模式检测网络

为减少输配电过程中用户异常用电行为所造成的经济损失,提出了一种新颖的端到端的用户异常用电检测网络模型,该模型基于主成分分析网络（Principal Component Analysis network,PCANet）.与传统PCANet不同的是,其中采用四阶段特征映射模型.通过前三阶段特征映射提取网络获取用户用电数据中的正常、异常用电序列特征.该过程中,为了提高PCANet的检测精度,将第一阶段PCA所获取的特征通过下采样嵌入到第二阶段PCA中.将第三阶段PCA输出作为第四阶段小波神经网络（Wavelet neural networks,WNN）的输入,从而进一步了提高模型的检测精度.通过实验对比分析文中所提方法与传统异常用电检测方法表明：所提出的方法具有更高的检测准确性与鲁棒性,可以有效检测出用户异常用电行为.     

基于混合神经网络的机械设备健康度预测

为了建立安全高效的机械健康监测系统,提出一种数据驱动的机械设备健康度预测方法.首先,结合幅值域与频域分析方法提取振动信号特征;然后,构建以偏最小二乘回归法和深层神经网络为两层架构的混合神经网络模型;最后,采用该模型提取设备特征,并预测机械设备健康度.将所提出模型与传统单层架构模型进行实际工业数据验证,结果表明所提出的基于振动信号分析的混合神经网络健康度预测模型具有更好的预测趋势及更高预测精度.     

传感器网络数据流异常数据检测与修正

提出一种通用于传感器网络应用的数据流异常时空综合检测与修正的方法,将基于小波的时域滤噪方法与基于BP神经网络的空域数据融合相结合,并在此基础上提出了基于小波尺度的异常检测与修正方法,通过时间阈值确定数据融合所采用的时间窗口．利用小波变换的时分和频分特性,将异常检测与修正和异常数据持续时间相联系,通过多传感器数据融合的结果对传感器网络异常数据进行修正,从而剔除传感器网络中的异常数据。     

基于深度学习的通信网络数据关键特征挖掘

深度学习是挖掘数据关键特征的重要技术手段,为准确分析通信网络数据特征,并保障质量,提出基于深度学习的通信网络数据关键特征挖掘方法。选取接入率、可用性以及覆盖率等七个指标作为通信网络质量核心性能指标,将卷积神经网络与径向基神经网络相结合,构建深度学习网络结构,将该性能指标作为标签参数,将所得到的标签参数的聚类与求和结果作为深度网络的标签数据,通过前向传播将标签数据输入卷积神经网络的输入层内,经过不同隐层的变换与映射至输出层位置,并采用量子粒子群算法求解深度学习网络最优参数,输出通信网络数据关键特征挖掘结果。经实验结果表明,所提方法的通信网络数据关键特征挖掘率在95%以上,能够准确预测未来短时间段内的通信网络质量。     

基于RGB-D图像和深度学习的场景语义分割网络

近年来,深度卷积神经网络应用于图像语义分割领域并取得了巨大成功。本文提出了一个基于RGB-D(彩色-深度) 图像的场景语义分割网络。该网络通过融合多级RGB网络特征图和深度图网络特征图,有效提高了卷积神经网络语义分割的准确率。同时,本文利用带孔的卷积核设计了具有捷径恒等连接的空间金字塔结构来提取高层次特征的多尺度信息。在SUN RGB-D数据集上的测试结果显示,与其它state-of-the-art的语义分割网络结构相比,本文所提出的场景语义分割网络性能突出。     

污水处理过程的QSOM出水水质预报

针对活性污泥污水处理过程中微生物活动的不确定性、生化反应的复杂性及工艺参数的强耦合和大滞后等特性,提出一种量子自组织特征映射神经网络（QSOM）方法来进行出水水质预报。该方法将出水水质在异常情况下所对应的进水数据样本转换成量子态形式提交给网络输入层,通过计算量子输入与相应权值的相关系数作为网络的最佳输入匹配,学习规则中采用量子门更新网络权值。最后通过某污水处理厂生化处理过程中的实际运行数据的实验表明所提预报方法是有效的。     

基于自注意力机制的网络流量异常检测方法

网络中异常流量的有效检测对网络安全至关重要.以机器学习方法为主的异常流量检测技术,对流量数据采用特征选择方法进行降维并提取最优特征,但容易忽略数据特征之间的关联性,存在异常流量的检测率低、误报率高等问题.为了提高异常流量检测性能,论文在提取流量数据特征的过程中引入自注意力机制进行相关性学习,并结合深度卷积神经网络提出一种有效的网络流量异常检测模型.实验结果表明：通过引入自注意力机制,论文所提出的检测方法能够提取更准确的流量特征,并使得异常流量检测率高、误报率低.     

移动边缘网络中深度学习任务卸载方案

为了缓解网络带宽的压力、降低网络延迟,克服移动设备资源匮乏等问题,推动深度学习应用在移动终端的部署,提出一个基于移动边缘计算的深度学习任务卸载方案。基于深度神经网络专用加速芯片Eyeriss的架构,对深度学习任务的计算功耗进行建模,提出了一个基于混合l_1/l_2范数诱导的三阶段组稀疏波束成形(group sparse beamforming, GSBF)框架,通过对计算任务优先级的精心设计,尽可能地删除基站端冗余的计算任务,实现对整体网络功耗(包括发送功率损耗和计算功率损耗)的优化。针对该框架,提出了一个加速优化方案。仿真实验表明,在该场景下,所提出的框架在优化整体网络功耗方面具有显著优势,而加速算法可以进一步提升框架的性能。     

基于彩色-深度图像和深度学习的场景语义分割网络

近年来,深度卷积神经网络应用于图像语义分割领域并取得了巨大成功。提出了一个基于RGB-D(彩色-深度)图像的场景语义分割网络;该网络通过融合多级RGB网络特征图和深度图网络特征图,有效提高了卷积神经网络语义分割的准确率。同时,利用带孔的卷积核设计了具有捷径恒等连接的空间金字塔结构来提取高层次特征的多尺度信息。在SUN RGB-D数据集上的测试结果显示,与其他state-of-the-art的语义分割网络结构相比,所提出的场景语义分割网络性能突出。     

基于多尺度特征融合的语音频带扩展

针对现有的深度学习模型在语音频带扩展领域数据特征利用不充分、训练周期长以及生成语音质量不高等问题,提出了一种新型的端到端神经网络模型,该模型通过融合不同数据维度特征促使网络模型利用更少的数据特征量,获取更多的低高频映射关系解,从而减少模型的整体训练周期．为了提高长时序数据中关键特征的权重占比,设计了一种残差多头自注意力机制,从而达到数据特征利用率的最大化．此外,提出了一种基于时频域和Mel频谱的混合损失函数对模型进行优化．实验结果表明：该方法重构的宽带语音在主客观的评价中均优于传统方法和近年来的一些基于神经网络的语音频带扩展方法．     

大规模MIMO组网场景中的网络时延预测

针对5G网络规划与优化存在的问题,提出一种融合系统仿真和深度神经网络模型的网络时延预测方法.基于射线追踪模型、高清地图、工程参数等构建时延仿真模型,利用时延仿真模型获取大量时延数据.基于无线通信理论提出三视图特征模型,此模型用于输入特征提取.通过深度神经网络学习时延数据特征,训练神经网络模型,利用神经网络模型预测网络时延.实验结果表明该方法具有可行性和有效性.     

基于混合生成网络的软件系统异常状态评估

针对现有软件系统异常状态评估方法过度依赖数据标注、对时序数据的时间依赖性关注较低和系统异常状态难以量化等问题,提出一种基于混合生成网络的软件系统异常状态评估方法.首先,通过对长短期记忆网络（long short-term memory network, LSTM）与变分自动编码器（variational auto-encoder, VAE）的融合,设计一种LSTM-VAE混合生成网络,并以该网络为基础构建基于LSTM-VAE混合生成网络的系统异常状态检测模型,由LSTM对系统数据的时序特征进行提取并由VAE对系统数据的分布进行建模.然后,由LSTM-VAE异常状态检测模型处理系统关键特征参数,获取系统关键特征参数的异常度量值.最后,利用耦合度方法对传统的线性加权和方法进行优化,通过加权耦合度优化方法计算得到软件系统异常状态的量化值,从而实现对软件系统的异常状态评估.实验结果表明,本文模型对软件系统的异常时序数据具有较好的检测能力,其对系统异常状态的评估结果更为合理、有效.     

基于QPSO小波神经网络的网络异常检测

为了提高网络异常检测中,对异常状态的检测率,降低对正常状态的误判率,提出一种基于量子粒子群优化算法训练小波神经网络进行网络异常检测的新方法.利用量子粒子群优化算法(QPSO)训练小波神经网络,将小波神经网络(WNN)中的参数组合作为优化算法中的一个粒子,在全局空间中搜索具有最优适应值的参数向量.实验数据采用KDD CUP99数据集,实验结果表明:该学习算法与传统的梯度下降法(GD)和粒子群算法(PSO)相比,收敛速度快,具有更好的全局收敛性,提高了异常检测的准确性,同时该方法对于新的异常也有较高检测率.     

基于数据的轨道电路故障诊断的混合算法

提出一种基于数据的神经网络混合算法故障诊断网络,用于轨道电路的故障诊断.考虑铁路信号需求,设计出符合神经网络训练快速性和有效性要求的BP-LM-PSO-GA混合算法,就是将轨道电路复杂网络分解设计为许多小的神经网络组态,通过综合这些小的神经网络诊断结论,得出最终结果,以解决单独设计神经网络带来的运算量问题;然后以广泛使用的ZPW-2000A型轨道电路为例,验证了该算法网络训练的快速性及故障诊断的有效性.最后给出了该诊断网络对轨道电路的诊断步骤.仿真结果表明该诊断网络具有可行性和有效性,为轨道电路故障诊断的应用提出了一条新途径.     

一种极化合成孔径雷达图像分类的混合方法

为了更好地对极化合成孔径雷达图像进行分类,提出了一种基于神经网络的混合方法.特征集包括图像的5个H/α系数和基于灰度共生矩阵的6个参数.采用主成分分析方法压缩特征维数,利用3层BP神经网络进行分类,并将Levenberg-Marquardt法与共轭梯度算法相结合求解网络权值.利用该算法对San Francisco地面的实测数据进行分类,实验结果显示该算法能有效分辨地形,且性能优于Wishart最大似然估计方法.     

一种基于局部与全局表征交叉耦合的脑卒中病灶分割网络模型

由于脑卒中严重程度不同,病灶位置、形状和面积有较大差异,导致目前基于深度学习的分割方法仍还不够理想.针对脑卒中病灶特征,提出了一种新的U型分割网络,该网络的编码器是一个结合Transformer和卷积网络的双分支混合架构,该结构特点是在构建图像层次化特征过程中将基于Transformer的全局特征和基于卷积网络的局部特征进行交叉学习,促进编码器在训练和推理过程中将两种风格的特征相互增强.此外,为了增强小目标、弱边缘的特征表达,构建了合并模块将编码器得到的两种风格的层次化特征进行融合,并将融合后特征输送到一个级联的上采样器中预测病灶区域,以及设计了一个结合Dice函数和Focal函数的损失函数用以缓解小病灶区域造成的前景与背景数据之间的数据不平衡问题.所提出的方法在一个开源脑卒中数据集进行了验证,与其他相关方法相比,所提出的方法在分割精度、效率等方面均表现出较好的性能.     

基于域适应学习的非侵入式负荷分解问题研究

基于神经网络的非侵入式负荷分解方法需要利用大量的先验数据对神经网络进行训练,针对某一特定设备在大量的先验数据参与训练的情况下,可达到较好的分解效果,然而将该模型应用于其他设备时,分解精度会迅速下降,因此具有较大的局限性,不利于基于神经网络的非侵入式负荷分解方法在智能电网中的大规模部署。针对此类问题,提出了一种域适应深度学习方法,该方法从训练数据角度出发,混合源域数据与目标域数据对网络进行训练,极大提升了非侵入式负荷分解网络模型的泛化性能。依据现有公开数据进行实验测试,本文所提方法显示出了良好的效果。     

基于多流卷积和数据增强的声场景分类方法

针对单特征输入时,现有声场景分类方法分类准确率不高且泛化能力不强的问题,提出了一种基于多流卷积和数据增强的声场景分类方法．首先,介绍了卷积神经网络和混合数据增强的基本原理;其次,基于网络并行输入理论,设计了一种多流卷积神经网络模型以期实现多流特征融合,其由特征提取模块和特征融合模块组成;然后,为进一步提升模型的准确率并降低模型过拟合的概率,提出了一种多维混合数据增强方法以实现特征数据的平滑处理;最后,采用9种特征组合方案,基于Urbansound8K,ESC50和ESC10数据集分别开展了声场景分类实验．实验结果表明：模型的准确率分别为88.29%,77.75%和96.25%,验证了当使用该方法进行声场景分类研究时,模型具有较高的准确率和较强的泛化能力．