检索结果-南通市图书馆

深度学习滑坡识别算法中样本不平衡问题的研究

在线全文

学校读者我要写书评

暂无评论

测绘通报 2024年第5期 12-18页

作者：王丽霞喜文飞史正涛赵子龙钱堂慧赵磊马奕捷云南师范大学地理学部云南昆明650500 云南省高原地理过程与环境变化重点实验室云南昆明650500 云南海钜地理信息技术有限公司云南昆明650000

山体滑坡是一种常见的地质灾害,一旦发生会给自然生态系统和人类造成重大财产损失和人员伤亡,如何快速准确获取滑坡信息对防灾减灾至关重要。传统的深度学习方法对滑坡样本质量依赖性大,但现有的样本质量参差不齐,极少考虑滑坡样本不平... 详细信息

山体滑坡是一种常见的地质灾害,一旦发生会给自然生态系统和人类造成重大财产损失和人员伤亡,如何快速准确获取滑坡信息对防灾减灾至关重要。传统的深度学习方法对滑坡样本质量依赖性大,但现有的样本质量参差不齐,极少考虑滑坡样本不平衡问题对深度学习模型性能的影响。针对如何通过改善样本质量提升模型精度的问题,本文从样本质量出发,提出了一种基于多源不平衡样本的Faster R-CNN滑坡目标检测方法,通过对多种不平衡样本的集成训练,研究不同样本对模型综合性能的影响。结果表明:①在困难样本不平衡下模型的准确率为85.16%,F1值为0.69,精确率为56.96%,召回率为86.58%、漏检率为0.33,通过强化样本质量后准确率提升2.04%,精确率提升4.29%,召回率提升1.71%,漏检率降低0.04;②在正负样本不平衡下模型准确率为96.03%,F1值为0.78,精确率为64.50%,召回率为97.15%、漏检率为0.09,通过增加困难样本参与训练后,准确率下降8.45%,精确率下降6.93%,召回率下降7.25%,漏检率提升0.18。困难样本对模型综合性能影响更大,通过提高这部分样本质量可以提升模型检测精度。因此,本文提出的方法为解决深度学习中滑坡数据样本不平衡问题提供了参考。

关键词：深度学习滑坡检测 Faster R-CNN 不平衡样本 GF-2遥感影像

面向不平衡样本的物联网轻量级入侵风险识别方法

在线全文

学校读者我要写书评

暂无评论

自动化与仪器仪表 2024年第2期 68-72页

作者：钱游重庆城市职业学院科大讯飞大数据学院重庆402160

在不平衡数据的干扰下,物联网的节点负担增大,容易受到轻量级入侵,因此,提出面向不平衡样本的物联网轻量级入侵风险识别方法。基于一维卷积神经网络设计轻量级入侵风险识别模型,为弥补模型训练不够稳定的缺陷,应用DCGAN设计样本数据平... 详细信息

在不平衡数据的干扰下,物联网的节点负担增大,容易受到轻量级入侵,因此,提出面向不平衡样本的物联网轻量级入侵风险识别方法。基于一维卷积神经网络设计轻量级入侵风险识别模型,为弥补模型训练不够稳定的缺陷,应用DCGAN设计样本数据平衡算法实施样本数据增强处理。将增强后的样本数据作为模型训练中的基础数据,并对构建的轻量级入侵风险识别模型实施训练,实现轻量级的物联网入侵风险识别。测试结果表明,相比剪枝前,剪枝后模型有效参数量的变化幅度达到10倍,在训练中模型很快达到收敛,同时达到了接近1的训练精度,并且本方法的入侵风险识别精度得到了明显的提升,始终稳定在97%左右。

关键词：不平衡样本 DCGAN 物联网轻量级入侵风险一维卷积神经网络

不平衡样本下基于变异麻雀搜索算法和改进SMOTE的变压器故障诊断方法

在线全文

学校读者我要写书评

暂无评论

高电压技术 2023年第12期49卷 4993-5001页

作者：朱莉汪小豪李豪姜成龙曹明海湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室武汉430068 湖北工业大学电气与电子工程学院武汉430068

针对麻雀搜索算法同质化严重和变压器故障样本不平衡导致分类效果不佳的问题,提出了变异麻雀搜索算法优化支持向量机(variation sparrow search algorithm-support vector machine,VSSA-SVM)和改进合成少数过采样技术(improved syntheti... 详细信息

针对麻雀搜索算法同质化严重和变压器故障样本不平衡导致分类效果不佳的问题,提出了变异麻雀搜索算法优化支持向量机(variation sparrow search algorithm-support vector machine,VSSA-SVM)和改进合成少数过采样技术(improved synthetic minority over-sampling technique,ISMOTE)的变压器故障诊断方法。首先使用Tomek Link对数据集进行去噪,引入中心偏移权重(center offset weight,COW)改进SMOTE算法对不平衡数据集的少数类样本进行合成,得到平衡化处理后的变压器故障数据集。然后,基于变异的思想,构建VSSA-SVM的变压器故障诊断模型。最后,在413例油浸变压器的油中溶解气体分析(dissoived gas anaiysis,DGA)数据上,使用PSO-SVM、SSA-SVM和VSSA-SVM模型进行诊断,诊断结果分别为81.45%、88.71%和96.77%,同时与SMOTE-NND、SVM SMOTE、Borderline-SMOTE、SMOTE以及原始数据集方法相比,ISMOTE分别提升了3.22%、4.03%、6.45%、7.52%、11.29%。结果表明,该文所提方法能准确判别变压器的故障状态,有效解决故障数据不平衡导致分类精度低的问题,具有一定的工程实用价值。

关键词：变压器故障诊断不平衡样本改进合成少数过采样变异麻雀搜索算法

不平衡样本下基于迁移学习-AlexNet的输电线路故障辨识方法

在线全文

学校读者我要写书评

暂无评论

电力系统自动化 2022年第22期46卷 182-191页

作者：王建吴昊张博南东亮欧阳金鑫熊小伏输配电装备及系统安全与新技术国家重点实验室(重庆大学) 重庆市400044 国网新疆电力有限公司电力科学研究院新疆维吾尔自治区乌鲁木齐市830011

输电线路不同故障类型和故障原因的故障样本集具有类不平衡性,为基于图像深度学习的故障分类辨识带来挑战。文中提出类不平衡样本下基于迁移学习-AlexNet神经网络的输电线路故障辨识方法。首先,统计分析了输电线路故障的特征与概率分布... 详细信息

输电线路不同故障类型和故障原因的故障样本集具有类不平衡性,为基于图像深度学习的故障分类辨识带来挑战。文中提出类不平衡样本下基于迁移学习-AlexNet神经网络的输电线路故障辨识方法。首先,统计分析了输电线路故障的特征与概率分布,使用MATLAB/Simulink仿真产生了符合实际情况的不平衡故障样本集。然后,以故障暂态波形图像为输入集,采用迁移学习-AlexNet神经网络构建故障分类器,降低了故障特征提取的复杂性。算例测试结果表明,现有按类平衡故障样本集开展故障辨识的方法,分类准确率偏于乐观,即使采用抽样法也无法准确识别类不平衡样本中的小样本故障类型;而所提方法可以很好地应对类不平衡故障样本集,相比于经典的卷积神经网络,对故障类型与故障原因的辨识准确率也更高,训练模型用于类似线路的真实故障录波数据也能很好地辨识出故障类型。

关键词：输电线路故障辨识迁移学习 AlexNet神经网络图像学习不平衡样本

不平衡样本下基于生成式对抗网络的风机叶片开裂状态识别

在线全文

学校读者我要写书评

暂无评论

计算机集成制造系统 2023年第2期29卷 532-543页

作者：张玉彦张永奇孙春亚王昊琪文笑雨乔东平闫新宇李浩郑州轻工业大学河南省机械装备智能制造重点实验室河南郑州450003

针对风机叶片开裂状态样本少、识别率低的问题,提出基于生成式对抗网络(GAN)的开裂状态样本增强方法来提高识别率。以经验风险分类模型为对象,从理论角度对不平衡样本问题进行深入分析,设计了满足开裂样本生成与判别的GAN网络模型,引入... 详细信息

针对风机叶片开裂状态样本少、识别率低的问题,提出基于生成式对抗网络(GAN)的开裂状态样本增强方法来提高识别率。以经验风险分类模型为对象,从理论角度对不平衡样本问题进行深入分析,设计了满足开裂样本生成与判别的GAN网络模型,引入批量归一化保障特征服从标准正态分布,加速网络训练过程收敛。以神经网络为分类器,以F1值、Recall、Precision为度量指标,在36个UCI基准数据集上对所提方法进行测试,结果表明增强后的结果更好。真实实验表明,以逻辑回归及神经网络为分类器,相比原始不平衡样本,增强后的结果分别提升13.88%,8.20%。与SMOTE算法对比,以上两种分类器的分类准确率分别提高74%和11%;与ADASYN算法对比,分类准确率分别提高19%和23%。

关键词：不平衡样本风机叶片样本增强生成式对抗网络开裂识别

基于W-DenseNet的减压阀不平衡样本故障诊断模型

在线全文

学校读者我要写书评

暂无评论

控制与决策 2022年第6期37卷 1513-1520页

作者：张洪盛永健黄子龙刘晨曹毅江南大学机械工程学院江苏无锡214122 江南大学江苏省食品先进制造装备技术重点实验室江苏无锡214122

针对实际工况中被测对象大多处于正常状态而引起故障样本稀缺、故障数据间存在差异,导致故障类别识别准确率不高的问题,基于密集卷积神经网络(DenseNet),提出一种减压阀样本数据不平衡下的故障诊断模型—–加权密集卷积神经网络(W-Dense... 详细信息

针对实际工况中被测对象大多处于正常状态而引起故障样本稀缺、故障数据间存在差异,导致故障类别识别准确率不高的问题,基于密集卷积神经网络(DenseNet),提出一种减压阀样本数据不平衡下的故障诊断模型—–加权密集卷积神经网络(W-DenseNet).首先,将原始一维压力信号数据重构后转换为二维灰度图,作为模型的输入数据;其次,以DenseNet为基础框架搭建特征提取网络;然后,在损失函数中为不同类别样本添加惩罚系数以实现不平衡样本误差的加权平均;最后,为验证模型的有效性,搭建减压阀数据采集系统并进行分类性能实验.实验结果表明:W-DenseNet模型在不同平衡度的减压阀数据集下均有良好的分类效果,且当各故障类间均存在样本不平衡现象时,模型对3种故障类型的召回率仍分别高达95.18%、95.47%、96.89%.

关键词：减压阀密集卷积神经网络不平衡样本加权交叉熵损失函数故障诊断

不平衡样本下基于变异麻雀搜索和改进SMOTE的变压器故障诊断方法

在线全文

学校读者我要写书评

暂无评论

高电压技术 2022年

作者：朱莉汪小豪李豪姜成龙曹明海湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室湖北工业大学电气与电子工程学院

针对麻雀搜索算法同质化严重和变压器故障样本不平衡导致分类效果不佳的问题，提出了变异麻雀搜索算法优化支持向量机（variant sparrow search algorithm-support vector machine，VSSA-SVM）和改进合成少数过采样技术（improved synth... 详细信息

针对麻雀搜索算法同质化严重和变压器故障样本不平衡导致分类效果不佳的问题，提出了变异麻雀搜索算法优化支持向量机（variant sparrow search algorithm-support vector machine，VSSA-SVM）和改进合成少数过采样技术（improved synthetic minority over-sampling technique，ISMOTE）的变压器故障诊断方法。首先使用Tomek Link对数据集进行去噪，引入中心偏移权重 (center offset weight，COW) 改进SMOTE算法对不平衡数据集的少数类样本进行合成，得到平衡化处理后的变压器故障数据集；然后，基于变异的思想，构建VSSA-SVM的变压器故障诊断模型；最后，在413例油浸变压器的DGA数据上，使用PSO-SVM、SSA-SVM和VSSA-SVM模型进行诊断，诊断结果分别为81.45%、88.71%和96.77%，同时与SMOTE-NND、SVM SMOTE、Borderline-SMOTE、SMOTE以及原始数据集方法相比，ISMOTE分别提升了3.22%、4.03%、6.45%、7.52%、11.29%。结果表明，本文所提出的方法能准确判别变压器的故障状态，有效的解决故障数据不平衡导致分类精度低的问题，具有一定的工程实用价值。

关键词：变压器故障诊断不平衡样本改进合成少数过采样变异麻雀搜索

变压器不平衡样本故障诊断的过采样和代价敏感算法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

高压电器 2023年第6期59卷 93-102页

作者：汤健侯慧娟盛戈皞江秀臣上海交通大学电气工程系上海200240

基于神经网络的变压器故障诊断方法是评估变压器状态的重要方法,然而该方法在处理各状态类别间样本数量不平衡的数据集时,各类型状态识别效果差距较大,识别结果更多偏向多数类样本。文中基于过采样方法和代价敏感算法,针对最大不平衡度... 详细信息

基于神经网络的变压器故障诊断方法是评估变压器状态的重要方法,然而该方法在处理各状态类别间样本数量不平衡的数据集时,各类型状态识别效果差距较大,识别结果更多偏向多数类样本。文中基于过采样方法和代价敏感算法,针对最大不平衡度为266∶19的油色谱数据集,构建了一种用于变压器故障诊断的BPNN模型。首先,基于SMOTE算法对样本数据集进行有选择的扩充,该算法结合了近邻分析和线性插值的思想,减少了样本扩充所导致的模型训练的过拟合现象。然后,构建五层神经网络,并引入Focal Loss函数取代交叉熵函数作为本模型的代价损失函数,从而更关注于少数类样本的识别和区分。实验结果表明,文中模型相比于原始BPNN模型在总体准确率上提升了6.48%,各少数类样本类别的F1分数分别提高了25.7%、11.4%、3%、26.1%、1.8%、15.3%和33.3%,并且算法收敛更快。在和传统机器学习方法的对比中,文中模型比基于KNN算法和随机森林算法模型的整体准确率分别提高了16.53%和7.98%。

关键词：油中溶解气体分析故障诊断不平衡样本过采样代价敏感神经网络

在线全文

学校读者我要写书评

暂无评论

面向不平衡样本的物联网入侵检测方法

网络与信息安全学报 2023年第1期9卷 130-139页

作者：潘桐陈伟吴礼发南京邮电大学计算机学院江苏南京210003

随着设备的迭代,网络流量呈现指数级别的增长,针对各种应用的攻击行为越来越多,从流量层面识别并对这些攻击流量进行分类具有重要意义。同时,随着物联网设备的激增,针对这些设备的攻击行为也逐渐增多,造成的危害也越来越大。物联网入侵... 详细信息

随着设备的迭代,网络流量呈现指数级别的增长,针对各种应用的攻击行为越来越多,从流量层面识别并对这些攻击流量进行分类具有重要意义。同时,随着物联网设备的激增,针对这些设备的攻击行为也逐渐增多,造成的危害也越来越大。物联网入侵检测方法可以从这些海量的流量中识别出攻击流量,从流量层面保护物联网设备,阻断攻击行为。针对现阶段各类攻击流量检测准确率低以及样本不平衡问题,提出了基于重采样随机森林(RF,random forest)的入侵检测模型——Resample-RF,共包含3种具体算法:最优样本选择算法、基于信息熵的特征归并算法、多分类贪心转化算法。在物联网环境中,针对不平衡样本问题,提出最优样本选择算法,增加小样本所占权重,从而提高模型准确率;针对随机森林特征分裂效率不高的问题,提出基于信息熵的特征归并算法,提高模型运行效率;针对随机森林多分类精度不高的问题,提出多分类贪心转化算法,进一步提高准确率。在两个公开数据集上进行模型的检验,在IoT-23数据集上F1达到0.99,在Kaggle数据集上F1达到1.0,均具有显著效果。从实验结果中可知,提出的模型具有非常好的效果,能从海量流量中有效识别出攻击流量,较好地防范黑客对应用的攻击,保护物联网设备,从而保护用户。

关键词：流量分析物联网入侵检测随机森林不平衡样本