融合互信息估计和对抗自编码器的异常检测

无监督深度学习网络的训练目标从信息论的角度可解释为最大化训练样本及其表示之间的互信息.对抗自编码器（AAE）通过生成对抗的方式学习训练样本集的分布,据此可以由AAE建立基于正常样本集的半监督异常检测模型,但是AAE无法显式最大化正常样本及其表示间的互信息.为此,提出了一种互信息估计网络和AAE相融合（IAAE）的异常检测方法,该方法首先以重构误差最小化为目标,训练编码器和解码器;其次,在对抗正则化阶段将正常样本低维表示的聚集后验分布约束为先验分布,并最大化正常样本与其表示之间的互信息;最后由全连接神经网络估计正常样本与其表示之间的互信息.由待测样本的重构误差及其表示在隐空间中的众数散度计算其异常得分值.公开数据集上的实验结果表明,与已有典型相关的深度异常检测模型相比,IAAE模型在F1取值上具有更好的表现.     

用于协同过滤推荐的对抗栈式自编码器

建立了深度学习模型SAE-GAN,该模型融合了SAE、Item2vec以及GAN技术.GAN判别器采用三层感知机模型判别物品在给定genres标签集合上的分类概率,改进了判别器的输出反馈.基于策略梯度指导SAE第2层AE的隐层训练,改进了SAE的训练方式,最终学习到包含物品之间的结构特征和类型特征的物品隐向量,进而实现基于物品的协同过滤TOP-N推荐.在MovieLens数据集上,与Item2vec、SAE、IR-GAN和AE-GAN做了对比验证.     

基于数据标签的智能电网监控与异常检测

针对智能电网监控传输协议、计算处理效率和异常数据检测等存在的不足,提出了一种基于数据标签的SEG监控架构和异常数据检测算法。先对SEG数据标签监控与异常检测的框架进行设计;然后对异常检测流程、稀疏化与精简算法和检测算法进行设计,提出一种基于数据标签的数据精简和异常检测算法;最后进行SEG数据标签监控实例分析和对比仿真实验。通过实验,本文所设计的数据标签SEG监控与异常数据检测,其异常数据检测的准确率大于80%和召回率高于82%,而算法运行时间较参比算法少2.0-3.0秒。     

基于卷积自编码器的地震数据处理

引入以深度学习为代表的数据驱动方法,加速地震数据的处理流程,获得更精确的地下介质信息. 卷积自编码器方法在地震数据压缩降维的同时,利用数据的空间局部相关性自动提取信号特征,避免数学物理模型的假设依赖. 通过设计不同地质模型的地下速度结构,利用波动方程正演模拟构建大量不同特征的地震数据训练集和测试集. 与模型驱动的地震随机噪声压制和地震道插值方法不同,数据驱动下的卷积自编码器方法能够从含随机噪声地震数据和地震道缺失数据中,直接识别和提取出其中的有效地震信号,从而压制随机噪声以及重建原始地震数据,实验结果验证了该方法的有效性. 卷积自编码器方法不需要人工阈值控制,具有更高的处理效率.     

基于稀疏自编码器和高斯混合模型的手写数据集分类

深度学习模型训练需要大量的有标签数据进行训练,现实生活中数据大多没有标签,需要进行人工标注,对于小样本的训练存在过拟合现象,针对此问题,本文提出一种算法:首先采用稀疏编码器对数据进行降维处理,然后利用T-SNE算法继续将数据维度降低到二维空间,最后采用高斯混合模型对数据进行聚类分析。该算法采用无监督斱法,不需要预先对数据进行标签化。该算法对数据过拟合具有一定的泛化能力,在手写数据集的训练集取得0.89205的准确度,在测试集中取得0.896的精度。该算法为小样本的学习提供了新思路。     

基于数据融合的疲劳驾驶检测算法

为减少交通事故,采用基于数据融合的疲劳检测技术以提高疲劳检测精度. 通过驾驶行为与车辆跟踪技术研究现状分析,选择眼睑遮住瞳孔的面积超过80%的P₈₀和眨眼次数指标作为眼部特征参数、车辆越线指标作为驾驶行为特征参数. 将两个特征参数分为3类,分别为:清醒状态、轻微疲劳状态、疲劳状态;最后通过支持向量机算法建立基于数据融合的疲劳检测模型. 实验结果分别为灵敏度为86.45%,检测准确率为85.79%,特异度为84.63%,较单一数据源的疲劳检测方式精准,建立的融合模型提高了疲劳检测的准确性.     

基于生成对抗网络的音乐标签自动标注

针对如何快速有效地对音乐信息进行查询、检索和组织的问题,提出了一种基于生成对抗网络模型的多标签音乐自动标注系统.通过音乐自动语义标注技术,可以提高音乐检索系统的性能.利用LDA方法对音乐标签进行聚类以获取主题类别,再通过生成对抗网络,找到音乐的音频特征与语义特征之间的映射关系.应用于CAL500数据集的5次交叉验证实验结果表明,该方法的综合性能指标与现有方法相比有较大的提升.     

基于WPNN与数据融合的损伤检测方法

目的 为了有效利用结构健康监测系统中的多源传感器数据信息，对复杂结构的健康状况进行诊断进而提高确诊率．方法 利用概率神经网络(PNN)的贝叶斯推理与诊断能力及多传感器数据融合原理，将神经网络与数据融合有机结合，使两者优势互补，提出了复杂结构损伤检测技术及其在多层框架结构中损伤检测及诊断中的应用．结果 提出了基于小波概率神经网络(WPNN)与数据融合的损伤检测方法．结论 基于WPNN与数据融合的损伤检测方法是可行的、有效的．     

基于多传感器数据融合的入侵检测机制

针对特征复杂的入侵方式,设计了一种基于数据融合理论的新型入侵检测机制-DFIDS,结果提高了系统在检测复杂入侵行为时的确定性。DFIDS使用优化的并行分布式检测与决策融合系统模型,可以有效克服传统入侵检测系统因单检测器而在数据采集和分析方面的局限性,从而提高了检测的总体性能。文中建立了DFIDS的理论分析模型,并和传统入侵检测机制进行了对比,结果表明DFIDS在检测准确性方面具有更好的性能。     

基于光电编码器液位检测的设计

本文设计了一种基于光电编码器的液位传感器.通过浮子带动光电编码器转动,将光电编码器脉冲数输入PLC,经过程序计算,实现液位的测量,由于本机不产生任何电火花,所以适用易燃、易爆、酸碱度性大的环境中,如各种强酸、强碱反应塔、油罐等.具有测量精度高,抗干扰能力强、稳定性好、并带有深度记忆功能、报警功能等.本系统各项性能指标均达到了预期目标,具有广阔的应用前景.     

油料装备故障检测数据融合研究

为解决油料装备检测数据庞大、故障不易诊断的问题,对油料装备故障检测数据融合进行研究。提出基于神经网络的状态检测数据融合模型,采用三步训练法进行传感器验证。使用数据压缩技术,将整个数据集投射到低维空间,将模式识别和多元统计技术作为故障隔离的单个分类器,利用后验概率进行特定类Bayesian融合,执行融合中心与单个分类器的联合优化。提出基于阶乘隐Markov模型的动态多故障诊断方法,通过寻找最大后验配置实现多分类器动态融合。应用结果表明该方法可提高对油料装备故障的诊断率。     

基于改进生成对抗网络的飞参数据异常检测方法

针对民用飞行器安全性、可靠性要求严苛,实际民航运营中飞行参数的异常样本稀少,整体样本不平衡且缺少标注的问题,研究深度学习与生成对抗网络技术,提出基于改进生成对抗网络的飞参数据飞行级异常检测方法. 该方法不依赖样本数量与标签,实现无监督学习的检测方法. 针对飞参数据,输入正常数据样本,应用易收敛的WGAN-GP改进型生成对抗网络模型,模拟生成正常数据样本,计算输入数据与模拟正常数据的巴氏距离,实现对异常数据的检测. 通过美国国家航空航天局模拟飞参数据的人工合成数据集以及真实运营环境下采集的快速存取记录器数据构建的飞参数据集,开展试验验证. 结果表明,与常用无监督模型相比,提出方法在部分异常检测性能指标上有显著提升.     

基于图像处理的档案盒标签的检测技术研究

研究了一种基于图像处理的档案盒标签检测技术,通过摄像头拍摄存放在档案柜窗口区的一排档案以采集图像,利用U-Net网络对档案盒标签图片进行分割,经仿射变换矫正图片裁剪得到单本档案盒标签图片,最后利用surf匹配算法对库中档案盒标签进行检测. 实验结果表明,该方法测得的档案盒图像匹配正确率可达99.60%.     

基于数据融合滤波算法的EMA故障自修复策略

为了提高双余度机电作动器(EMA)伺服系统的可靠性和容错能力,分析了EMA系统中永磁无刷直流电机用线性可变差动变压器(LVDT)和旋转可变差动变压器(RVDT)及其辅助电路的故障在线自修复技术,提出了一种基于数据融合滤波算法的故障自修复控制策略。该方法可快速定位故障点,实现EMA伺服系统的故障检测与隔离(FDI),并对故障数据进行重组。该方法可有效提高EMA的可靠性、寿命和可维护性,满足EMA伺服系统的发展要求,推动其故障预测与健康管理的理论研究及技术应用进程。     

基于堆栈式自编码器的尾矿库安全评价

为有效评估尾矿库的安全状况,针对尾矿库数据的随机波动性、非线性和多数据源的特点,采用堆栈式自编码器算法对尾矿库进行安全评价.基于多层结构、稀疏性限制,该算法采用贪心逐层训练策略对网络权值进行优化,进而对尾矿库进行安全评价.结合淳安某尾矿库的数据进行了安全评价的仿真实验,结果表明:堆栈式自编码器算法能克服多层网络结构权值易陷入局部最小值的缺陷,有效刻画数据的非线性和随机波动性,具备良好的评价准确率.     

基于小波变换的遥感数据融合与边缘检测

介绍了小波图像的分解和重构方法以及小波融合过程。采用Symlet小波变换融合方法对西安地区鲸鱼沟 水库的TM4、TM5子图进行单尺度二维离散小波变换融合,并进行水库的边缘检测。对图像通过TM4分解的低 频图与TM5分解的高频图像融合再与TM4影像原图比较,融合图像提取细节效果明显优于TM4原图像。     

基于多传感器数据融合的机房火灾检测算法

针对机房传统单传感器报警系统存在漏报率高、准确率低等问题,提出了一种基于多传感器数据融合的机房火灾检测算法。该算法首先采用寻优能力强的麻雀搜索算法（SSA）优化极限学习机（ELM）的预测精度和准确度。其次通过SSA-ELM算法模型对机房内多传感器采集的温度、烟雾浓度、CO浓度进行特征层数据融合,输出各火情概率。最后利用模糊推理将输出的各火情概率和火灾持续时间在决策层中进行特征融合,决策出火情警报等级。仿真实验表明：本文算法能根据多传感器数据融合的结果并结合不同危险等级区域给出合理的警报决策,极大提高了机房火灾检测的灵活性和准确性。     

基于深度卷积和自编码器增强的微表情判别

为了判别微表情种类,提出基于深度卷积神经网络和迁移学习的微表情种类判别网络MecNet.为了提高MecNet在CASME Ⅱ、SMIC和SAMM联合数据库上的微表情种类判别准确率,提出基于自编码器的微表情生成网络MegNet,以扩充训练集.使用CASME Ⅱ亚洲人的微表情样本,生成欧美人的微表情样本.设计卷积结构实现图像编码,设计基于子像素卷积的特征图上采样模块实现图像解码,设计基于图像结构相似性的损失函数用于网络优化.将生成的欧美人的微表情样本加入MecNet训练集.实验结果表明,使用MegNet扩充训练集能够有效地提高MecNet微表情种类判别准确率.结合MegNet、MecNet的算法在CASME Ⅱ、SMIC和SAMM组成的联合数据库上的表现优于大部分现有算法.     

基于卷积自编码器网络的脉搏波分类模型

针对基于深度学习的脉搏波分类依赖大量标记数据,临床数据有限、标注成本高影响了脉搏波分类识别效果,设计一种基于卷积自编码器网络(CAE-Net)的脉搏波分类模型.首先,利用卷积神经网络(CNN)的局部特征提取能力和自编码器(AE)的压缩重构及降维特性构建卷积自编码器(CAE),结合脉搏波波形特点,在平均绝对误差损失函数中...