运动数据中的最优关联数据的分类分析

针对传统的分类方法在对运动数据的最优关联数据进行分类时,存在分类误差大、效率低的问题,提出基于决策树寻优的运动数据中的最优关联数据的分类算法。采用有向图模型构建运动数据的最优关联数据分布式结构模型,对采集的运动数据进行非线性时间序列特征重构,在重构的运动数据高维特征空间中进行运动数据的关联性映射,提取反映运动数据类别的属性特征,通过决策树寻优方法实现运动数据的自适应分类。仿真结果表明,采用该方法进行运动数据中的最优关联数据分类,其准确性较好、误分率较低,从而有效挖掘运动数据的关联信息,实现运动特征监测。     

面向业务域的数字化电网中台数据共享方法

为了解决数字化电网中台共享数据上传速度慢、共享安全性低的问题，提出面向业务域的数字化电网中台数据共享方法。通过划分数字化电网中台业务类型，确定需要挖掘的数字化电网业务域涉及的中台信息数据并进行自动挖掘；依据聚类原理，整合数字化电网中台信息数据；设置共享数据传输协议，上传密文与密钥，实现数字化电网中台数据共享。实验结果表明，设计方法的共享数据传输速率较快，丢失数据量较小，能够有效提高共享数据安全性和运行效率。     

基于粗糙集和决策树法的认知无线电知识挖掘

对粗糙集、决策树C4.5算法进行了研究,提出用粗糙集和决策树相结合的方法设计CR知识挖掘模型,并通过案例研究其可行性;利用基于MATLAB 802.11a物理层仿真平台收集的数据作为CR感知样值,通过样本值训练决策树序列,构建决策树提取知识,并用混淆矩阵法对设计模型的准确性及性能进行评价。实验结果表明,该方法设计模型的分类准确率高,增强了知识的可解释性,能够初步达到认知无线电知识挖掘和对以往经验学习的目的。     

数据挖掘方法在智能电网中的应用

智能电网接入设备的增加，使得全网数据量增大，导致电阿监测与数据分析的难度加大，利用先进的数据挖掘方法可以实现电网数据的有效使用。在分析了数据挖掘方法的流程基础上，结合电网稳态分析的设计过程，给出了面向智能电网的数据挖掘方法模型，并得到实验验证。     

基于关联规则的恶意程序多分类检测方法研究

传统多分类检测方法只考虑了数据的时序性，导致模型面对不同恶意程序时数据召回率较低，为此提出基于关联规则的恶意程序多分类检测方法。重新设置分簇路由协议，判定不同类型的恶意攻击；利用最优决策函数构建时序模型，采集静态信息时序特征；基于关联规则设计时序模型的约束条件，在分类过程中排查召回动态信息，实现对恶意程序的多分类检测。实验统计三次测试所得结果的平均值，基于关联规则的时序模型平均召回率比对照的三组模型分别高了0.1001、0.0993和0.086,能够在恶意程序多分类完成前，召回出现异变的数据。     

基于数据挖掘的政务数据安全风险检测系统

设计一种基于数据挖掘的政务数据安全风险检测系统。通过嵌入式数据采集单元获取电子政务平台数据并传输至预处理单元实施清洗、集成等处理；运用数据挖掘单元内Apriori算法挖掘政务数据的关联规则，获得正常数据与异常风险数据两种关联规则并分别存入关联规则库内；检测单元依据两种规则对政务数据实施安全风险检测，所检测异常数据由响应单元存至异常数据库，并向管理员实时反馈，完成政务数据安全风险检测。实验结果表明，该系统可有效提升电子政务平台运行安全性。     

基于双向长短时记忆网络和设备未来态的停电优化模型

随着电网精细化管理要求的不断提高，提供优质的连续供电电能是各电力企业追求的目标。对此，从时间维度、空间维度、元器件维度历史和未来状态，基于双向长短时记忆网络，提出了电网停电优化模型。首先，从时间维度，给出了元器件的健康状态及故障率模型；其次，提出了元器件关联分析的停电拓扑分析模型；第三，给出了以经济性和可靠性为目标的停电优化模型；第四，基于双向长短时记忆网络对上述模型进行求解；最后，以实际电网为例，表明了所提方法的有效性。     

云平台集群部署下电网设备运行环境实时预警方法

以提升电网设备运行环境安全预警的实时性为目的，设计云平台集群部署下电网设备运行环境实时预警系统。应用层内的电网设备运行环境预警中心利用非线性状态分析的预警方法构建预警模型后，形成预警估计值，有效预测电网设备运行环境；为了提高预警的实时性，引入非线性算子计算估计值的相似度，完成电网设备运行环境实时预警。实验结果表明：该系统实时预警的电网故障概率与模拟曲线重合度较高，残差浮动范围小，抗干扰能力强，且提高了预警实时性和准确性。     

基于卷积神经网络的关键输电断面故障诊断

关键输电断面是电网的薄弱环节，对关键断面状态监测、保障电力系统安全可靠与稳定运行有着重要作用。为避免大事故发生，通过卷积神经网络（CNN）故障识别进行“判面-判线-判相”。首先，以IEEE 14节点系统进行关键输电断面搜索，并用Matlab/Simulink批量获得输电断面故障样本数据，将样本数据归一化处理之后转化为灰度图；然后，通过不同层数网络结构及每层结构参数调试，用7种优化算法进行对比分析，选取充分适应电网故障诊断模型，并引入Dropout过拟合处理和Batch Normalization批标准化加速网络训练，利用选定好的卷积神经网络以交叉熵最小目标对故障样本数据的深层特征进行挖掘；最后，将获得的故障样本数据使用Anaconda平台实验，建立Keras框架设计卷积神经网络模型实现训练测试，并在实验中与AlexNet模型对比。结果表明该模型识别准确率分别提高了0.45%、0.8%、0.3%。     

基于差异化信息融合的语义信息检索模型

研究语义信息检索方法,提高检索的效率.差异化信息由于特征差异过大,在检索过程中存在较大排异现象,传统的语义信息检索模型针对大差异信息检索过程中,以多轮次检测为主,效率很低.为此,提出一种基于决策树算法的语义信息检索方法.根据多层次解析融合相关理论,计算窗口函数,并且根据窗口函数进行不同层次数据的融合,得到差异信息融合结果.根据上述结果,建立决策树,实现语义信息的检索.实验结果表明,利用改进算法进行语义信息检索,能够提高检索的效率.     

基于弱关联挖掘技术的电网故障自动诊断研究

针对电网故障进行诊断的过程中,故障信息存在不完整或不确定性,甚至存在关键信息丢失的情况,造成故障诊断难以得出正确结论的问题,提出一种基于弱关联挖掘技术的电网故障自动诊断方法。首先进行支持度计算,得到电网故障的表述参数,并将电网故障类别看作是贝叶斯网络的父节点,将挖掘的弱关联规则作为子节点,构建基于弱关联挖掘的贝叶斯网络模型,对各父节点的先验概率及各子节点的条件概率进行计算,完成对电网故障的自动诊断。仿真实验结果表明,采用所提方法对电网故障进行自动诊断,正确性高,容错性好,实用性强,具有很高的诊断精度。     

关联规则中基于模糊遗传算法的研究与改进挖掘技术

网络数据通常以爆炸式的聚集形式出现,导致曾提出的关联规则挖掘方法挖掘性能不好。基于上述原因,提出一种关联规则中基于模糊遗传算法的挖掘方法,此方法通过构建挖掘模型,将关联规则与模糊遗传算法融合在一起,进而给出待挖掘数据的适应度函数,并使用阈值对其进行限制。模糊遗传算法将对适应度函数进行交叉分配和编译分配,以改进方法的隶属度线性状态,获取更为有效的挖掘结果。实验结果表明,改进后的方法挖掘稳定性较强,挖掘精度较高,且挖掘时间较少。     

基于改进关联规则的网络入侵检测方法的研究

研究关联规则的高效挖掘算法对于提高入侵检测的准确性和时效性具有非常重要的意义.针对现行的入侵检测方法建立的正常模式和异常模式不够准确、完善,容易造成误警或漏警的问题,本文将改进后的关联规则挖掘算法-XARM和关联规则增量更新算法-SFUP应用于网络入侵检测,提出了新的入侵检测方法,该方法通过挖掘训练审计数据中的频繁项集建立系统和用户的正常行为模型以及入侵行为模型.     

基于混合模式的入侵检测系统研究与设计

关联分析和分类分析是数据挖掘的关键技术,但传统算法对入侵检测数据进行处理时有很多的不足,使用加权关联分析和核机器分类算法构造混合型入侵检测系统,设计后的系统框架分为检测客户端和检测服务端,检测客户端主要是对数据的预处理和生成检测模型;检测服务端主要是判断检测模型,进行入侵数据的二次挖掘.结果说明,该系统具有良好的入侵数据分类效果.     

大数据下多能互补园区电网容量节能配置方法

为有效检测出电网的电量负荷曲线，提出大数据下互补园区电网容量节能配置方法。通过拉普拉斯特征映射法降维处理电网高维数据；采用双层规划方法获取电网的电量平均负荷功率，构建电网容量最佳节能配置方案；利用综合资源战略规划(IRSP)方法构建多能互补园区的电网容量节能配置模型，通过PSO算法求解，完成电网容量节能配置。实验结果表明，运用该方法对电网容量进行节能配置时，可以有效检测出电网的电量负荷曲线，节能配置的成本较低、电量数据的覆盖性能较好。     

深度学习驱动的智能电网运行图像数据压缩技术

随着智能电网的快速发展,用于监视电网运行状况的测量设备大规模投入,其产生的海量运行图像等监视数据由于规模大、维度高、数据冗余等问题难以得到有效利用。为了进一步提高电力大数据的分析应用能力,文中提出一种基于深度学习的电网运行图像数据压缩方法,考虑电网图像监视数据在时序上的耦合关联,通过卷积神经网络对电网运行图像数据进行压缩,有效减少了电网运行图像数据的冗余度。与其他方法相比,基于卷积神经网络的图像数据压缩模型不依赖于人工的数据特征提取和工程经验,可以直接以电网中采集到的原始图像数据的灰度函数作为模型的输入,将数据的特征提取和分类合二为一,实现电网运行图像数据的高效、便捷压缩。通过仿真进行了文中所提方法有效性的验证,结果表明,与其他神经网络相比,所提方法在电网图像压缩效率及压缩精度中具有较强优势。     

基于入侵特征选择的网络异常数据检测模型

为了提高网络运动可靠性和安全性,针对传统的防火墙检测方法对网络异常数据检测准确性不高的问题,提出一种基于入侵特征选择的网络异常数据检测模型。对网络传输信道中的数据采用关联维求解方法进行特征挖掘提取,并对提取的关联维信息特征进行优选实现入侵信息识别和分类,结合模糊C均值聚类算法实现对网络异常数据的有效挖掘和检测。仿真结果表明,该检测模型能提高对网络异常数据和入侵信息的有效识别和检测能力。     

基于微积分分类数学模型的关联挖掘改进方法

基于弱关联挖掘模型的关联挖掘方法,依据大数据流信息间的局部关联实现数据挖掘,未考虑数据信息流间的互信息特征,挖掘效果差。研究大数据关联挖掘的改进方法,采用微积分分类数学模型改进关联挖掘过程。该方法提取混合云环境下数据信息流的互信息特征,依据该特征采集大数据流模型的最大Lyapunove指数谱特征,通过矩阵压缩方法使得高维矩阵转换成低维矩阵。在此基础上依据微积分极值原理构建大数据的微积分分类数学模型,该模型通过最大Lyapu-nove指数谱网格分布矩阵的奇异值分解方法,分解大数据特征向量矩阵行,将大数据关联挖掘过程转换成小规模并行运算过程,实现大数据挖掘中并行算法的改进。实验结果表明,采用该方法进行关联挖掘运算的时间开销的平均值为4.7 s,扩展率平均为0.7,挖掘效果佳。     

基于模糊序列电网异常检测建模方法与研究

采用序列模式挖掘算法构建电网异常检测模型,能够更好地表现电网异常行为。基于此进行了电网异常检测建模方法的研究,并提出了一个基于模糊序列模式的电网异常检测模型。通过理论分析和仿真实验证明,提出的模型不仅具有检测异常行为的实际能力,而且检测效率和检测性能都得到了很大的提高。     

贫油井出油时段智能挖掘算法研究与仿真

研究贫油井出油时段信号挖掘方法,提高挖掘的准确性。采油过程中,出油时间段随着采油过程不同会呈现非线性随机变化。传统的信号检测方法对这种非线性变化很难正常捕捉,造成出油时间段检测不准。为此,提出了一种基于特征关联挖掘算法的出油时间段信号挖掘方法。利用小波变换方法,提取温度状态信号特征,为信号挖掘提供依据。计算各状态信号特征之间的关联度,根据此信号区域关联模型实现出油时间段信号挖掘。实验结果表明,该方法进行出油时间段挖掘,可以极大地提高挖掘的准确性。