基于多层多核卷积神经网络的非侵入式负荷监测方法研究

非侵入式负荷监测仅依靠测量得到的总负荷的电压、电流与功率等承载电力信息的信号就实现负荷监测,无需额外的计量装置和线路改造,因此得到广泛研究。针对传统深度神经网络分解模型准确度仍不能满足实际需求的现状,本文提出了一种基于多层多核卷积深度神经网络分解模型。为体现不同设备的特性,模型在数据分割时采用不同的序列长度。然后,模型将分割后的数据先通过高维映射将输入的功率时间序列映射到高维向量,再利用多层卷积法与多核卷积法共同构建出的深度神经网络对生成的信息向量进行特征提取,经多次迭代学习生成负荷分解模型。与多种用于非侵入式负荷分解的深度学习方法相比,本模型对负荷识别准确率提升效果显著,在REDD数据集上的识别准确率达到99.41%。     

基于大数据分析的智能用电非侵入式负荷分解模型

为准确从电网电流数据中分解出单独的负荷叠加信号,基于大数据分析构建一种新的智能用电非侵入式负荷分解模型。应用大数据分析技术建立时间序列数据集,确定时间区域断点均值,并在大数据内部提取非侵入式负荷信号,通过迭代计算提取智能用电设备运行状态。根据线性解码计算结果构建负荷分解数学模型,分析负荷电流信号独立性,检测电流信号和负荷电流信号的近似系数,实现分解操作。实验结果表明,所构建模型分解后的电流与负荷的电流信号之间的相关系数达到0.999 9,加快了收敛速度,保证分解效果。     

基于复合特征的非侵入式电力负荷识别方法研究

目前电器种类迅速增多,各类电器的负荷特征相似度随之提高,难以准确辨识。针对这一现状,提出了一种基于复合特征的非侵入式电力负荷识别方法。该方法对传统单目标函数进行了改进优化,并且基于电器功率和正交电流谐波特征,进一步建立了基于遗传算法的复合特征目标函数模型,通过遗传迭代多目标寻优获得最优个体,实现精确的负荷识别。实验结果表明,所提出的基于复合特征的非侵入式电力负荷识别方法识别准确率较高,可以满足实际应用需求。     

基于注意力机制和EMD-GRU模型的电力负荷预测

为提高非平稳性电力负荷的预测精度以及充分挖掘历史负荷数据的时序特征,本文提出了基于注意力(Attention)机制和经验模态分解(EMD)以及门控循环神经网络(GRU)组合的负荷预测方法.首先使用EMD对原始负荷数据进行EMD分解,继而得到有限个具有本征模态函数(IMF)的分量;然后考虑到各分量间的相关性,使用多层GRU网络对IMF分量进行多输入多输出预测,同时引入注意力机制,深入挖掘历史负荷数据的时序相关性特征;最后对多层神经网络输出的有限个分量预测结果进行重构得到最终的负荷预测值.算例分析采用贵州电网某地实际负荷数据,经过与不同模型进行预测误差分析和对比,本文所提方法能够有效提高预测精度.     

基于FCN和LSTM深度学习模型的电力终端负荷预测方法

针对目前研究的电力终端负荷预测方法在预测过程中,未考虑负荷终端时序性和非线性的特点,存在预测精度较低,速度较慢的问题,提出了基于FCN和LSTM深度学习模型的电力终端负荷预测方法。利用循环神经网络,建立电力终端负荷预测模型,分析记忆状态,对电力终端数据进行预处理,并编码非数字特征,确定预测模型。利用均方误差公式得到的电力终端负荷预测模型的损失函数,通过数据预处理、优化数据参数、训练电力终端负荷预测模型完成负荷预测。实验结果表明,基于FCN和LSTM深度学习模型的电力终端负荷预测方法充分分析了终端时序性和非线性特点,有效确保预测精度,提高预测速度。     

住宅用电非侵入式电力负荷监测与识别

在住宅用电的非侵入式负荷监测与识别过程中,对负荷的投切时间检测与负荷类型的准确识别是重要的研究部分,本文提出了一种住宅用电非侵入式电力负荷监测与识别算法.首先,提出了一种基于短期环比变点检测算法,能够准确的检测出负荷的投切时间,进而对负荷的稳态特征进行高精度的提取;其次,利用融合莱维飞行与黄金正弦的蚁狮优化(LGSA?LO)支持向量机算法,实现家用电力负荷识别.实验结果表明,本文所提出的变点检测算法和负荷识别方法在实际应用过程中具备较高的准确率.     

基于PAU-LSSVM模型融合多特征变量的电力负荷预测

为了有效地提高电力负荷的预测精度,应对电力负荷的海量数据,同时兼顾负荷数据时序性和非线性,提出了一种基于PAU-LSSVM模型融合多特征变量的电力负荷预测方法。首先,基于偏最小二乘法（PLS）分析影响负荷变量间的相关性,提取影响负荷变化的特征变量。然后,根据特征变量的实时变化特征对LSSVM的模型参数进行自适应更新,建立了PAU-LSSVM负荷预测模型,并与其他深度学习方法建立的负荷预测模型进行对比。结果表明,PLS能够辨识出关键影响变量,降低训练样本矩阵维数,所提PAU-LSSVM模型能够随着工况迁移准确地预测负荷,具有较高泛化能力和工程应用价值。     

基于ＬＳＴＭ和序列到点模型的非侵入式负荷分解技术

随着深度学习在 NILM （Non-intrusive Load Monitoring,NILM）的应用,对于负荷的识别与功率分解能力有所提升,但是对于多状态用电负荷依旧存在负荷分解准确度低、算法泛化性能低、分解耗时等问题。为此,文中提出了一种基于长短期记忆网络(Long Short-Term Memory,LSTM)和序列到点（Sequence-to-point ,S2P）的负荷分解模型,滑动总功率数据序列来映射目标设备在功率数据窗口中点的功耗。首先,采用基于滑动窗口的事件探测算法,提取激活负荷样本作为序列到点模型的输入数据;利用卷积神经网络(Convolutional Neural Networks ,CNN)自动提取输入负荷总功率的负荷特征,引入长短期记忆网络挖掘序列中点前后相关度最高的信息完成负荷辨识。为了验证模型的有效性,将所提出的模型应用于实际家庭能源数据集UK-DALE,并与目前领先的模型进行了比较,综合性能提升了28.8%,结果表明所提出的深度学习模型可以有效地提高模型的预测能力。     

基于事件驱动的车道线识别算法研究

动态视觉传感器(Dynamic Vision Sensor,DVS)相比于传统彩色相机有更高的时间分辨率、动态范围,且功耗更低、带宽更低,在自动驾驶领域有很好的应用前景,因此吸引了越来越多研究者的注意.然而由于事件驱动的数据是异步的且缺少一种统一的表示形式,在复杂的交通场景下,以车道检测为代表的基于事件驱动数据的交通场景分割任务难以应用传统的语义分割算法.针对以上问题,本文提出了一种三通道的事件数据编码方式,综合考虑事件数据的时空特征,将其作为卷积神经网络的输入;提出了一种基于编解码模型的事件数据车道检测算法,在基于事件驱动的车道线检测数据集DET上,本文方法的mIoU(mean Intersection over Union)达到了58.76％,比基准方法提高了4.4％.     

基于深度LSTM辅助卷积网络的新型自动调制分类

自动调制分类在无线频谱异常检测和无线电环境感知中将发挥重要作用。随着深度学习算法的突破,调制分类任务可利用神经网络达到前所未有的高分类精确度。文中提出了一种新颖的神经网络,称为长短期卷积深度神经网络(LCDNN)。该网络创造性地结合了长短期记忆网络(LSTM)、卷积神经网络(CNN)和深度网络体系结构的优点。该模型无需人工提取特征,并可直接从训练数据集中的原始时域幅度和相位样本中学习。仿真结果表明,该模型在高信噪比下的分类精确度达到93.5%。此外,对模型的噪声敏感性进行了研究,并证明在一定信噪比范围内,LCDNN模型较现有的基础模型在噪声破坏方面更具弹性。最后,为降低模型计算的复杂度,提出了一种结构更为简洁的LCDNN模型,该模型仅使用原始LCDNN模型的0.6%的参数即可实现高精确度的分类准确率。     

基于深度学习的配电网无线通信入侵检测系统

在采用无线通信接入的配电网中,入侵检测系统（IDS）通过分析通信网中传输数据来判断入侵事件.为提高检测的准确性,本文将深度学习理论应用于IDS,提出了一种面向配电网无线通信网络新型入侵检测系统,由带有门控循环单元、多层感知器和Softmax的循环神经网络组成.攻击测试基准实验结果表明IDS防御的有效性,在KDD99测试数据集上,其误报率为0.06%,总检出率为96.43%;在NSL-KDD测试数据集上,其误报率低至0.86%,总检出率则为99.33%.     

基于深度学习的异常事件检测

面对复杂场景下异常事件检测的准确率偏低的情况,本文提出一种基于深度学习的异常事件检测方法,并将此方法扩展为异常事件分类方法.利用神经网络模型提取特征,将群体发散聚集事件,群体密集聚集事件,群体逃散事件和追赶事件这4种异常事件进行检测和分类.通过PKU-SVD-B测试集对训练出来的模型进行测试实验,并在UMN数据集上与几种方法做了对比实验,验证了本文提出的基于深度学习的异常事件检测算法,在适应多种不同场景的前提下,对多种异常事件检测的准确率很高,表明训练出来的模型对异常事件检测具有极强的泛化能力.     

基于深度分离卷积神经网络的高速高精度SAR舰船检测

随着人工智能的兴起,利用深度学习技术实现SAR舰船检测,能够有效避免传统的复杂特征设计,并且检测精度获得了极大的改善。然而,现如今大多数检测模型往往以牺牲检测速度为代价来提高检测精度,限制了一些SAR实时性应用,如紧急军事部署、迅速海难救援、实时海洋环境监测等。为了解决这个问题,该文提出一种基于深度分离卷积神经网络(DS-CNN)的高速高精度SAR舰船检测方法SARShipNet-20,该方法取代传统卷积神经网络(T-CNN),并结合通道注意力机制(CA)和空间注意力机制(SA),能够同时实现高速和高精度的SAR舰船检测。该方法在实时性SAR应用领域具有一定的现实意义,并且其轻量级的模型有助于未来的FPGA或DSP的硬件移植。      

基于群卷积神经网络的恶意域名检验方法

针对恶意域名检测中存在的随机性大、现实样本少的缺陷,导致深度学习模型训练易出现过拟合的问题,提出了一种基于群卷积神经网络的恶意域名检测方法。首先将域名转换为嵌入词向量表示,然后通过随机维度组合生成随机数据集并构建卷积神经网络组,鉴于Inception结构优势将其加入到网络中,最后针对数据集易出现的类间样本失衡问题,引入了类间平衡系数以抑制模型训练过拟合,提高模型泛化能力。实验结果表明,在采集的域名检测数据集上,所构建的模型能够有效实现恶意域名检测;经过参数优化,相比于浅层模型组合分类器与典型深度神经网络模型LSTM-CNN,群卷积神经网络对所构建的域名检测集检测准确率分别提升了4%、1%,达到98.9%。     

基于多任务卷积神经网络的人脸识别技术研究

深度神经网络是目前计算机机器学习领域的一个关键技术,可应用于图像处理。其中,多任务卷积神经网络(Multi-task Convolutional Neural Network,MTCNN)是一种基于卷积神经网络的多任务人脸检测框架,这里采用MTCNN人脸检测模型代替传统的卷积神经网络,在深度学习框架TensorFlow上进行人脸识别。首先,在数据预处理阶段利用灰度化方法将图像集转变为灰度图,降低图像通道。其次,基于MTCNN构建人脸检测模型,并利用Softmax函数进行分类识别。最后,实验过程中选择不同迭代次数进行准确性对比,在模型趋于稳定的情况下,得到较高的准确性。     

网络管理中事件关联检测机制的研究

网络事件的关联检测是网络管理需要解决的一个关键问题,本文根据分布式网络管理的特点,首次明确定义了网络事件的基本关联关系,在此基础上提出了一种基于Petri Net的事件关联检测机制,实现了基于事件内容的细粒度关联检测,并且在事件检测中充分考虑了时间因素,有效地提高了事件关联检测的准确性。     

基于RFNN的复杂机动事件检测方法

针对态势评估中复杂机动事件检测的精度及实时性问题,提出了基于粗糙集-模糊神经网络(RFNN)的事件检测方法,通过粗糙集理论获取数据样本中的最简规则集,然后根据这些规则构造模糊神经网络各层的神经元个数及相关参数初始值,最后用BP算法迭代求出网络的各种参数.仿真结果证明RFNN用于复杂机动事件检测的有效性,同时可以发现其在...     

基于深度学习的探地雷达二维剖面图像结构特征检测方法

该文针对探地雷达(GPR) 2维剖面图像中目标特征提取困难及其识别精度较低等问题,采用深度学习方法来提取2维剖面图像中目标的特征双曲线。根据GPR工作的物理机制,设计了一种级联结构的卷积神经网络(CNN),先检测并去除回波数据中的直达波干扰信号,再利用CNN得到B扫描(B-SCAN)图像的特征图,并对特征信号进行分类识别以提取目标的特征双曲线。同时,为处理各种干扰信号影响目标特征双曲线结构完整性的问题,提出了一种基于方向引导的特征数据补全方法,提高了目标特征双曲线识别的准确率。与方向梯度直方图(HOG)算法、单级式目标检测(YOLOV3)算法和更快速的区域卷积神经网络(Faster RCNN)算法相比,在综合评价指标F上该文方法的检测结果是最优的。     

Optimized deep learning-based intrusion detection for wireless sensor networks

The technological innovations and wide use of Wireless Sensor Network (WSN) applications need to handle diverse data. These huge data possess network security issues as intrusions that cannot be neglected or ignored. An effective strategy to counteract security issues in WSN can be achieved through the Intrusion Detection System (IDS). IDS ensures network integrity, availability, and confidentiality by detecting different attacks. Regardless of efforts by various researchers, the domain is still open to obtain an IDS with improved detection accuracy with minimum false alarms to detect intrusions. Machine learning models are deployed as IDS, but their potential solutions need to be improved in terms of detection accuracy. The neural network performance depends on feature selection, and hence, it is essential to bring an efficient feature selection model for better performance. An optimized deep learning model has been presented to detect different types of attacks in WSN. Instead of the conventional parameter selection procedure for Convolutional Neural Network (CNN) architecture, a nature-inspired whale optimization algorithm is included to optimize the CNN parameters such as kernel size, feature map count, padding, and pooling type. These optimized features greatly improved the intrusion detection accuracy compared to Deep Neural network (DNN), Random Forest (RF), and Decision Tree (DT) models.     

基于干扰消除辅助稀疏连接神经网络的大规模MIMO信号检测

近年来,深度学习成为无线通信领域的关键技术之一。在基于深度学习的一系列MIMO信号检测算法中,大多未充分考虑相邻天线之间的干扰消除问题,无法彻底消除多用户干扰对误码率性能的影响。为此,该文提出一种将深度学习与串行干扰消除(SIC)算法进行结合的方法用于大规模MIMO系统上行链路信号检测。首先,通过优化传统的检测网络(DetNet)及改进ScNet检测算法,该文提出一种基于深度神经网络(DNN)的检测算法,称为ImpScNet。在此基础上,进一步将SIC思想应用到深度学习框架结构设计中,提出一种基于深度学习的大规模MIMO多用户SIC检测算法,称为ImpScNet-SIC。此算法在每个检测层上分为两级,其中,第1级由该文提出的ImpScNet算法提供初始解,再将初始解解调至相应的星座点上作为SIC的输入,由此构成该算法的第2级。此外,在SIC中也使用了ImpScNet算法估计传输符号,以便获得最优性能。仿真结果表明,与已有的各种典型代表算法相比,该文所提ImpScNet-SIC检测算法特别适合大规模MIMO信号检测,具有收敛速度快、收敛稳定及复杂度相对较低的优势,并且在10–3误码率上有至少0.5 dB以上的增益。