基于改进生成对抗网络的抽油机故障诊断方法

针对抽油机故障数据不足、样本分布不均衡的问题,提出一种基于自注意力机制的条件深度卷积生成对抗网络(CDCGAN:Conditional Deep Convolutional Generative Adversarial Networks)模型。该模型在CDCGAN的基础上引入自注意力机制,并在损失函数中加入约束生成图像分布的正则项,提高了生成图像的质量和多样性,有效地防止了模式崩溃的发生。采用Alexnet、VGG16等网络对生成的抽油机故障样本进行分类测试,实验结果表明,改进网络的生成数据质量更高,能够有效平衡抽油机故障数据,进一步提升了抽油机故障诊断的准确率。     

基于Mixup数据增强的LSTM-FCN时间序列分类

在时间序列分类任务中,针对时间序列数据少和多样性导致深度学习模型准确率不高的问题,提出Mixup数据增强的长短期记忆网络–全卷积网络(LSTM-FCN)时间序列分类算法.该算法首先使用Mixup对原始数据进行数据增强,通过简单的线性插值对时序数据进行混合,得到新的混合之后的增强数据;然后使用增强数据训练LSTM-FCN...     

热带终轧温度计算的逐步回归分析模型

基于大量现场工程记录数据,考虑轧制速度、精轧入出口厚度、机架间水量等影响热带终轧温度的主要因素,采用逐步回归分析法进行热带终轧温度计算模型的多元线性回归建模,在模型系数未进行学习时采用线性模型进行模拟计算,将计算结果与工程记录数据进行比较,模型计算结果与记录数据之差小于15℃范围内的达70.1%,表明该模型计算效果能够满足终轧温度控制精度要求.针对线性回归模型的局限性,对该模型系数自学习方法进行了讨论.     

一种基于深度融合模型的滚动轴承故障诊断方法

针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于深度学习融合网络的轴承故障识别新方法。该方法首先对轴承振动信号进行一定程度的随机损坏,并将加噪后的数据输入卷积降噪自编码器(convolutional denoising autoencoder, CDAE)中对网络进行训练,目的是降低信号中的噪声干扰并提取浅层特征;然后,利用深度信念网络(deep belief network, DBN)学习深层特征并建立轴承状态识别模型,输出故障识别结果。在融合模型中,将卷积降噪自编码器作为网络的第一层以增强网络的抗干扰能力,提高故障的识别精度。使用凯斯西储大学(CWRU)滚动轴承数据对所提模型进行验证,结果表明提出的融合模型在噪声环境下能够较好地实现轴承的故障状态识别。     

一种基于深度融合模型的滚动轴承故障诊断方法

针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于深度学习融合网络的轴承故障识别新方法。该方法首先对轴承振动信号进行一定程度的随机损坏,并将加噪后的数据输入卷积降噪自编码器(convolutional denoising autoencoder,CDAE)中对网络进行训练,目的是降低信号中的噪声干扰并提取浅层特征;然后,利用深度信念网络(deep belief network,DBN)学习深层特征并建立轴承状态识别模型,输出故障识别结果。在融合模型中,将卷积降噪自编码器作为网络的第一层以增强网络的抗干扰能力,提高故障的识别精度。使用凯斯西储大学(CWRU)滚动轴承数据对所提模型进行验证,结果表明提出的融合模型在噪声环境下能够较好地实现轴承的故障状态识别。     

一种MCSEM数据噪声压制方法

针对海洋可控源电磁(MCSEM)信号在勘探中极易受各种噪声干扰,影响后期反演以及数据处理准确性的问题,提出一种注意力机制引导的卷积自编码器海洋可控源电磁数据消噪方法.首先基于自编码器,构建基于卷积自编码器的海洋可控源电磁数据消噪网络,然后根据数据中存在噪声的特点对其进行优化,加深网络深度、引入注意力机制,使网络能更关注数据中的有效信号特征,增强特征提取能力,构建网络模型,实现对海洋可控源电磁数据噪声的压制.实验结果表明,在对海洋可控源电磁数据噪声压制中,该方法比db8小波消噪方法和变分模态分解消噪方法信噪比更高、均方误差更低,同时应用到实测数据中仍能较完整地保留信号特征并增加偏移距的可解释范围,证明了该方法在海洋可控源电磁数据噪声压制中的有效性.     

基于MeAEG-Net的异常流量检测方法研究

异常流量检测现有方法大都是基于有监督的学习,在现实生活中获取并标记异常流量数据样本是极为困难的,存在诸多限制.此外,由于网络异常数据的多样性和复杂性,各种检测方法的自适应性较差,对新出现的异常流量难以判断.针对上述问题,本文设计了一个基于生成对抗网络和记忆增强模块的半监督异常流量检测框架MeAEG-Net（Memory Augment Based on Generative Adversarial Network）,通过只训练正常流量样本数据,比较生成器模块输入流量底层特征的重构误差来达到检测异常的目的.在模型中使用生成对抗网络来更好地训练生成器,生成器采用自编码器加解码器的结构来解决自编码器易受噪声影响的问题,并在自编码器子网络中添加记忆增强模块来削弱生成器模块的泛化能力,增大异常流量的重构误差.实验证明,本文提出的方法能在只学习正常流量数据样本的前提下达到很好的异常流量检测效果.     

基于生成对抗网络与深度学习的少数据云资源预测

精确的云资源预测对计算平台实现安全运行具有十分重要的意义,针对新公司的云计算资源缺乏足够数据样本而造成预测模型精度降低的问题,本文提出一种基于WasserStein生成对抗网络和双向门控循环单元网络的少样本云计算资源预测模型。通过生成对抗网络去学习原始少样本数据的分布规律,以高斯噪声作为输入生成与原始数据具有相同分布的新样本数据,实现数据增强的行为;由于传统门控单元网络无法完全利用数据的时间信息,本文采用双向门控循环单元网络对数据的前向、反向时间信息进行双向提取并预测。以Google公开数据集进行仿真,对无增强数据和增强数据后的不同机器算法模型的预测结果进行对比。实验结果表明,使用WasserStein生成对抗网络数据增强后的双向门控循环单元网络模型精度的达到98.3%,所提方法适用于少样本数据的云计算资源预测。     

基于记忆增强的对抗自编码器异常检测算法

深度自编码器是异常检测领域中被广泛使用的深度学习模型.记忆增强的自编码器模型(Memory-augmented Autoencoder Model,MemAE)通过记忆增强模块解决传统自编码器泛化能力过强的问题,并取得了良好的效果.针对自编码器对于训练数据的正常模式提取能力有限这个问题,通过融合对抗自编码器(Adver...     

非局部特征增强的遥感图像目标检测方法

针对采用感兴趣区域形变器(RoI Trans)检测排列密集、方向性显著的遥感图像目标性能较差且推理速度较慢等问题,采用逐步增强旋转候选框的定位精度以及对特征的非局部增强,提升遥感图像目标检测性能.首先,通过基于区域建议网络的实时目标检测器(faster RCNN)与RoI Trans构建逐步回归网络模型,以实现从粗粒度到细粒度的精确定位,采用引导性锚框区域建议网络(GA-RPN)增加水平候选框向旋转候选框转换过程中正样本的数量.其次,提出非局部特征增强模块以提高网络特征的表达能力.最后,分别在DOTA和HRSC2016遥感数据集上开展测试,并分别取得了77.46%和90.04%的平均均值精度(mAP),显著优于对照组.     

CERNET网络业务的自相似性及性能分析

针对真实网络业务的自相似性问题，分析了ＣＥＲＮＥＴ网络业务数据，证实ＣＥＲＮＥＴ网络业务具有典型的自相似性，并用这些数据对自相似业务下的队列系统性能进行了仿真研究，结果表明，定标律对理解自相似性给网络性能带来的影响具有重要意义。     

基于参数优化残差网络的皮革缺陷分类

针对皮革缺陷分类存在误判、成本较高及目前关于皮革缺陷的研究主要是针对皮革做缺陷检测,未进行缺陷分类的问题,采用一种参数优化的残差网络来实现皮革缺陷的自动分类。首先通过多层卷积、池化操作进行特征提取,并引入残差模块解决深层网络的梯度消失问题;然后依据所提取特征进行缺陷分类;最后根据皮革数据集优化关键网络参数,使用数据增强方法对数据集进行扩充,有效避免了网络模型因样本不足易产生过拟合的问题。实验结果表明该方法可对皮革缺陷进行有效分类,分类精度达到92.34%。     

一种抗窃听和污染攻击的网络编码方案

网络编码的应用能够有效地提高网络整体性能,如提高网络吞吐量、均衡网络负载、提高带宽利用率、增强网络的鲁棒性等,但是单纯地利用网络编码不能较好地解决窃听(被动攻击)和污染(主动攻击)两大安全问题.针对以上安全问题,提出一种抗窃听和污染攻击的网络编码方案,该方案通过对数据进行编码,使得对信道进行窃听的敌手无法得到原始数据信息,进而有效地抵抗了窃听攻击,并且利用列表译码算法有效地抵抗污染攻击.通过理论分析证明了该方案能有效地增强网络安全性,并且能够提高网络鲁棒性.     

采用运动传感器的人体运动识别深度模型

针对传统机器学习方法在采用运动传感器数据的人体运动识别领域中识别效果严重依赖人工特征且准确率受限的问题,提出一种改进的卷积网络与双层长短期记忆网络的深层混合(VGGLSTM)模型以实现特征自提取并进行运动识别。该模型结合传感器数据层状、时序的结构特点,将多维传感器数据类比于图像的RGB矩阵进行适应性处理;由一维串联卷积网络与双层长短期记忆网络复合而成。实验结果表明,在开源的人体运动识别(HAR)数据集和无线传感器信息控掘(WISDM)数据集上采用该模型的人体运动识别方法的平均准确率分别达到了97.17%和96.53%,该模型可以有效避免复杂的特征工程,在人体运动识别问题中具有很好的准确性和适应性。     

基于Attention机制改进TimeGAN的小样本时间序列预测方法

利用深度学习进行时间序列预测时所表现出的优越性能在很大程度上得益于数量庞大的训练样本。然而，实际过程中普遍存在数据难以收集而无法准确建模的问题。为了解决时间序列预测中的小样本问题，本文提出了一种基于注意力机制并融合时间卷积网络与长短期记忆网络的数据增强网络(ATCLSTM-TimeGAN)，通过在时间序列过程生成对抗网络(TimeGAN)中加入Soft-Attention机制来解决其动态信息丢失的问题。针对生成器的输入一般为随机向量，采用时间卷积结构与Self-Attention机制融合，获得更好的数据生成效果。为了验证生成数据的真实性与有用性，比较了不同的数据增强方法所生成数据的分布差异以及合成数据用于预测时的预测效果。实验结果表明，相比于其他方法，ATCLSTM-TimeGAN能够更好地覆盖原始数据的分布，有效地降低了小样本下的预测误差。     

引入Huber损失函数的睡眠脑电数据增强模型研究

针对目前睡眠脑电数据的标记仍以专家评判为主,导致数据标记不足,以及影响睡眠状态自动评估的不同阶段睡眠脑电数据类不平衡等问题,提出了一种基于生成式对抗网络（generative adversarial network,GAN）的数据增强模型,用以扩充不同睡眠阶段的脑电数据．通过引入Huber函数来改进辅助分类器生成式对抗网络（auxiliary classifier GAN,ACGAN）模型的损失函数,解决数据模糊等品质问题．该模型无须对数据进行特征提取,其生成和判别网络都采用一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN),并以一维噪声和类别向量为生成器输入信号．分别采用手写体数字图像数据集与睡眠脑电数据集评估该模型的性能．将改进前的模型与其他损失函数模型进行了对比试验,结果表明改进模型的数据增强效果与睡眠分期效果,从可视化评估到定量评估均优于其他模型．研究结果以期为深度学习引入睡眠脑电分析中提供一种行之有效的方法．      

恶劣天气下基于锚点的多尺度融合车道线检测及优化方法

针对黑夜和大雾天气下车道线检测的问题,在数据预处理阶段采用改进的自适应伽马变换对过暗或漂白的图片进行增强,并利用暗通道先验法对大雾场景下的图像进行数据增强,从而降低干扰. 在特征提取阶段,采用改进的rotation forest block（RFB）网络提取车道线的特征信息,并通过基于锚点的分类方法实现了快速而准确的车道线检测功能.     

基于CT-GAN的半监督学习窃电检测方法研究

针对电网公司获取有标签数据成本高、难度大,而获取的无标签数据难以训练有效窃电检测模型的问题,提出了在少量有窃电标签数据场景下基于联合训练生成对抗网络（Co-training Generative Adversarial Networks, CT-GAN）的半监督窃电检测方法.首先,探究了生成对抗网络及半监督生成对抗网络的原理与结构.其次,提出了采用Wasserstein距离取代JS（Jensen-Shannon）散度和KL（Kullback-Leibler）散度距离以解决生成对抗网络因梯度消失和模式崩溃原因导致的模型训练不稳定和生成数据质量低的问题,并构建了多判别器联合训练模型,避免了单个判别器分布误差高的问题,同时增强了GAN生成标签样本数据的能力,通过扩充标签样本数据集,提升了模型检测准确度和泛化能力.最后,采用爱尔兰电网数据集验证了该方法的准确性和有效性.     

一种基于自注意力信息补偿的服装分类算法

针对传统基于内容的服装分类对图像特征有较高的要求,当服装款式较多时,其准确率难以满足服装分类应用需求的问题,提出一种基于深度学习方法的平行自注意力分类网络.该网络在ResNet50的基础上增加了平行自注意力补偿分支,该分支能提升服装分类任务中的特征提取质量,逐步补充深层网络缺失的浅层细节信息.在数据集DeepFashion上进行了对比实验,实验结果证明了该方法的有效性.     

一种改进yolox_s的火焰烟雾检测算法

针对目前在火灾预警方面还存在火焰烟雾检测效果差、误报率高等问题,在YOLOX框架下提出改进YOLOX＿S目标检测算法。首先在数据集建立方面,采用的数据集包括Bilkent University公开的数据集和部分自建数据集,共计9 621张图片。并且通过对数据集采用Mosaic数据增强的方式,增加数据的多样性。其次对backbone部分采用swin-T骨干网络来代替原来的CSPDarkNet骨干网络,能够更好的捕捉不同尺度下的特征,有效地提升了目标检测的精度。然后对网络模型引入加权双向特征金字塔网络(bidirectional feature pyramid network, BiFPN)特征融合网络,提高检测的效率和网络模型的适应性,在复杂背景下同样可以保持较高的检测精度。最后引入CA注意力机制来加强此算法的特征提取能力。经过对比实验表明,改进后的YOLOX＿S的火焰烟雾检测算法具有较高准确性,其mAP@0.5(预测框与真实框重合程度的阈值为0.5时的平均检测精度)达到81.5%,相比原网络提高了5.3%。改进后的YOLOX＿S网络模型在火焰烟雾检测方面具有更高准确性和更低的误报率。