检索结果-南通市图书馆

基于深度自编码器的自适应异常检测算法及其应用研究

在线全文

学校读者我要写书评

暂无评论

系统工程理论与实践 2024年第8期44卷 2718-2732页

作者：陈晓红陈姣龙胡东滨梁伟张威威中南大学商学院长沙410083 湘江实验室长沙410205 湖南工商大学前沿交叉学院长沙410205

随着深度学习的发展,深度自编码器被广泛应用于异常检测任务中.然而,现有一些基于深度自编码器的异常检测算法仍存在数据分布复杂多样、误报率、漏报率高等问题.为解决以上问题,本文提出了一种基于深度自编码器的自适应异常检测算法,该... 详细信息

随着深度学习的发展,深度自编码器被广泛应用于异常检测任务中.然而,现有一些基于深度自编码器的异常检测算法仍存在数据分布复杂多样、误报率、漏报率高等问题.为解决以上问题,本文提出了一种基于深度自编码器的自适应异常检测算法,该算法采用基于密度峰值的自适应地标过滤机制,自适应地选择密度高的样本作为候选地标中心,旨在发现潜在特征空间中正常样本的多样性.其次,利用地标过滤机制对候选地标中心进行过滤和优化,以此增强地标中心的代表性和稀疏性.然后,进一步设计了一种新颖的损失函数来迭代优化模型参数,旨在增强正常样本与地标中心之间的相关性.最后,将所提出的异常检测算法应用于电池故障诊断,实证结果表明本文的工作在准确度、误报率和漏报率等方面显著优于现有一些异常检测算法,可以有效识别故障电池,能够为电池故障识别与状态管理提供技术支持和精准服务.

关键词：异常检测深度自编码器自适应地标过滤机制动力电池

基于孤立损失和深度自编码器的医保欺诈识别算法

在线全文

学校读者我要写书评

暂无评论

系统工程理论与实践 2024年第11期44卷 3700-3715页

作者：柳叶王亚楠候文慧刘慧王坚强中南大学商学院长沙410083

针对医保欺诈识别中欺诈样本与正常样本之间的高相似性、区分度不高问题以及边缘正常样本的迷惑性问题,本文提出了基于孤立损失(isolation loss)和深度自编码器(deep autoencoder)的医保欺诈识别算法(ISDAE).该算法针对边缘欺诈样本和... 详细信息

针对医保欺诈识别中欺诈样本与正常样本之间的高相似性、区分度不高问题以及边缘正常样本的迷惑性问题,本文提出了基于孤立损失(isolation loss)和深度自编码器(deep autoencoder)的医保欺诈识别算法(ISDAE).该算法针对边缘欺诈样本和稀疏欺诈样本的易隔离性,提出了样本的孤立度度量,旨从特征分布角度量化分析两类样本的差异.在此基础上,利用DAE对医保线性和非线性特征的挖掘能力,并综合考虑边缘正常样本对模型训练的干扰,在潜在特征空间中定义了孤立损失以实现中心正常样本的聚集和边缘正常样本的分离,从而增大欺诈样本和正常样本的差异;然后,通过集成孤立度值和重构误差来评估样本的欺诈程度,提高模型的欺诈识别性能.最后在天池医保数据集上对所提算法的性能进行了验证,结果表明本文所提ISDAE算法的整体欺诈识别能力优于对比方法,且其性能表现更加稳定.

关键词：医保欺诈识别孤立损失深度自编码器无监督学习

基于深度自编码器的核动力历史异常数据检测技术研究

在线全文

学校读者我要写书评

暂无评论

核动力工程 2024年第2期45卷 207-213页

作者：杨继红陈玲王晓龙张永发高明海军工程大学核科学技术学院武汉430033 海军92330部队

为解决核动力历史异常数据检测中存在的新的异常识别困难问题,基于重构误差的思路,提出基于深度自编码器的历史数据异常检测模型。该模型以某稳态运行工况下正常历史数据为学习对象,通过最小化正常数据重构误差目标训练模型,根据待测数... 详细信息

为解决核动力历史异常数据检测中存在的新的异常识别困难问题,基于重构误差的思路,提出基于深度自编码器的历史数据异常检测模型。该模型以某稳态运行工况下正常历史数据为学习对象,通过最小化正常数据重构误差目标训练模型,根据待测数据重构误差大小判断其是否异常。研究结果表明,深度自编码器对正常数据重构能力较好,对异常数据重构能力不足。因此,通过比较重构误差大小,深度自编码器能够有效检测出核动力历史异常数据,其性能优于一类支持向量机,可以为核动力装置状态评估提供相关依据。

关键词：核动力异常检测重构误差深度自编码器

在线全文

学校读者我要写书评

暂无评论

基于深度自编码器的电力能耗异常检测方法

系统仿真学报 2022年第12期34卷 2557-2565页

作者：孙宁可王艳纪志成江南大学物联网技术应用教育部工程研究中心江苏无锡214122

针对电力能耗数据的非线性和不平稳特征,提出了一种基于深度自编码器的电力能耗异常检测模型。将深度学习的门控循环单元网络和自编码器结构相结合,通过传统自编码器的编码器和解码器部分采用门控循环单元网络来实现,充分发挥门控循环... 详细信息

针对电力能耗数据的非线性和不平稳特征,提出了一种基于深度自编码器的电力能耗异常检测模型。将深度学习的门控循环单元网络和自编码器结构相结合,通过传统自编码器的编码器和解码器部分采用门控循环单元网络来实现,充分发挥门控循环单元的数据特征提取能力和自编码器结构的数据重构功能。根据原始数据和重构数据之间的重构误差来检测电力能耗异常数据点。将所提方法应用于实际的车间电力能耗数据集,结果表明:所提方法能够对电力能耗数据进行异常点检测,检测效果良好。

关键词：能耗异常检测门控循环单元自编码器深度自编码器重构误差

同方期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于深度自编码器的单样本人脸识别

模式识别与人工智能 2017年第4期30卷 343-352页

作者：张彦彭华中国人民解放军信息工程大学信息系统工程学院郑州450000 郑州轻工业学院计算机与通信工程学院郑州450002

由于每个目标仅有一幅已知样本,无法描述目标的类内变化,诸多人脸识别算法在解决单样本人脸识别问题时识别性能较低.因此文中提出基于深度自编码器的单样本人脸识别算法.算法首先采用所有已知样本训练深度自编码器,得到广义深度自编码器... 详细信息

由于每个目标仅有一幅已知样本,无法描述目标的类内变化,诸多人脸识别算法在解决单样本人脸识别问题时识别性能较低.因此文中提出基于深度自编码器的单样本人脸识别算法.算法首先采用所有已知样本训练深度自编码器,得到广义深度自编码器,然后使用每个单样本目标的单个样本微调广义深度自编码器,得到特定类别的深度自编码器.识别时,将识别图像输入每个特定类别的深度自编码器,得到包含与测试图像相同类内变化的该类别的重构图像,使用重构图像训练Softmax回归模型,分类测试图像.在公共测试库上进行测试,并与其它算法在相同环境下进行对比,结果表明文中算法在获得更优识别率的同时,识别一幅图像所需平均时间更少.

关键词：单样本人脸识别深度自编码器样本重构

在线全文

学校读者我要写书评

暂无评论

深度自编码器理论及其应用研究

深度自编码器理论及其应用研究

作者：刘帆江南大学

学位级别：硕士

深度自编码器通过重构原始输入来进行特征学习,通过预训练和微调解决了深度网络的训练问题,使其拥有较好的泛化能力,因此被广泛应用在很多领域。例如图像处理,自然语言处理等。深度自编码器作为一种典型的无监督学习方法,经常被当作预... 详细信息

深度自编码器通过重构原始输入来进行特征学习,通过预训练和微调解决了深度网络的训练问题,使其拥有较好的泛化能力,因此被广泛应用在很多领域。例如图像处理,自然语言处理等。深度自编码器作为一种典型的无监督学习方法,经常被当作预训练的模型,从而为多层感知器的训练找到了一个较好的初值。近年来,深度自编码器算法得到了广泛和深入的研究,逐渐成为模式识别领域的一个研究热点。图像作为人类感知外界事物的视觉基础,是人类从外界获取信息的重要依据,所以使用深度自编码器自动完成图像的识别和分类具有重大意义。进行图像分类最重要的就是要进行特征提取,由于深度自编码器可以分层抽取特征,因此本文主要对深度自编码器在图像分类上的应用进行了研究。通过对自编码器的算法进行改进,使得预训练过程中得到的分层特征有效地提高了分类能力。主要的研究内容概括如下:(1)针对平滑自编码器中高斯核函数的局部有效性问题,提出了混合核平滑自编码器。算法通过混合核对输入k近邻的权重进行计算,增加了权重的可靠性,更好地学习了特征,从而提高了算法的分类性能。算法还比较了不同形式的混合核对实验结果的影响,结果均表明混合核可以较为有效地提高算法的分类性能。(2)由于无监督的非负约束稀疏自编码器存在特征表达不充分的问题,提出了监督非负约束稀疏自编码器。算法在非负约束稀疏自编码器的基础上,加入了分类预测误差。其在保留连接权重非负约束的同时,使用了样本的监督信息,从而提高了模型的分类能力。此外,在所提模型的基础上研究了非负约束对模型分类能力的影响,提出了另外一种非负约束条件,将这两种非负约束条件进行了比较。较好的实验结果验证了所提算法的有效性。(3)针对传统的自编码器是通过计算原始输入和其重构结果之间的误差来进行模型训练,而没有考虑到重构样本之间的相关性问题。提出了邻域保持自编码器。其在自编码器的基础上,通过寻找重构结果的k近邻并进行加权平均,提高了特征的判别能力。此外,为了更加直观的了解模型的判别性,对隐藏层的输出值进行了可视化。实验结果表明所提算法可以有效地改善模型的分类能力。

关键词：深度学习深度自编码器贪婪逐层预训练微调图像分类

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

深度自编码器在轴承故障诊断中的应用

深度自编码器在轴承故障诊断中的应用

作者：段敏霞太原科技大学

学位级别：硕士

旋转机械正在以精密、高速、高效、集成的发展趋势向前发展。轴承是旋转机械的重要组成部分,轴承的运行状态正常与否直接影响整台机械的运行。因此,针对轴承的故障诊断的研究是十分必要的。随着轴承的监测数量的增多及采样频率的增加,... 详细信息

旋转机械正在以精密、高速、高效、集成的发展趋势向前发展。轴承是旋转机械的重要组成部分,轴承的运行状态正常与否直接影响整台机械的运行。因此,针对轴承的故障诊断的研究是十分必要的。随着轴承的监测数量的增多及采样频率的增加,轴承的健康检测已进入“大数据”时代。传统的专家诊断模型处理大数据困难且效率低,已不能适应这个时代。深度学习方法可以自动学习数据的内部特征实现准确的分类结果。但目前的深度网络模型对于均衡样本可以获得较高的诊断精准确度,对于非均衡样本分类效果变差。本文主要基于深度自编码器(Deep Auto-Encoder,DAE),针对轴承振动信号数据预处理、非均衡数据条件下特征提取和故障分类算法进行研究,主要研究内容如下:(1)针对轴承数据中的噪声,提出了一种改进小波阈值函数结合人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)优化阈值的模型。通过非平稳测试信号和凯斯西储大学(Case Western Reserve University,CWRU)的轴承数据集,验证了该方法的优越性和实用性。从最终的降噪结果来看,该方法的降噪效果优于现有的其他降噪方法。该方法的信噪比比其它方法高13%～16%。均方根误差比其他方法低10%～41%。(2)采用改进的小波阈值函数结合DAE对强噪声环境下的轴承数据进行故障诊断。通过改进阈值函数对噪声数据进行去噪,再用小波包变换提取去噪数据的小波包能量,最后通过DAE得到故障的分类结果。通过在CWRU轴承数据集上的实验表明,该模型能够在强噪声背景下得到较为准确的分类结果。(3)针对轴承数据中的样本非均衡问题,提出在DAE的损失函数中引入控制权重系数。根据各类别样本的数量调整权重系数,样本数量越少,系数越大,使得模型在训练时更专注于数量较少的样本。由于深度模型在训练过程中存在协变量偏移问题,降低了模型训练速度,使得饱和非线性的模型难以训练。基于此,大多数的深度学习模型都会采用BN(Batch Normalization)层来加速模型训练以及提升模型效果,但BN层在训练过程中严重依赖batch size,导致训练集与测试集诊断结果不一致。因此提出了将FRN(Filter Response Normalization)层添加到DAE模型中,组成深度滤波器响应归一化自编码器(Deep filter response normalized Auto-encoder,Dfrn AE)。通过在均衡数据集和非均衡数据集上的两个实验表明,该模型优于现有的深度学习模型。

关键词：故障诊断深度学习深度自编码器去噪样本非均衡

基于混合特征的深度自编码器的恶意软件家族分类

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

信息网络安全 2020年第12期20卷 72-82页

作者：谭杨刘嘉勇张磊四川大学网络空间安全学院成都610065

恶意代码作者通常会不断演化软件版本,形成恶意软件家族,现有的恶意软件家族分类方法,在特征选择的鲁棒性和分类算法的有效性、准确性方面还有待改进。为此,文章提出一种基于混合特征的深度自动编码的恶意软件分类方法。首先,通过提取... 详细信息

恶意代码作者通常会不断演化软件版本,形成恶意软件家族,现有的恶意软件家族分类方法,在特征选择的鲁棒性和分类算法的有效性、准确性方面还有待改进。为此,文章提出一种基于混合特征的深度自动编码的恶意软件分类方法。首先,通过提取恶意样本的动态API序列特征和静态字节熵特征作为混合特征,可以获取恶意样本的全局结构;然后,利用深度自编码器对高维特征进行降维处理;最后,将获得的低维特征输入到极端梯度提升(eXtreme Gradient Boosting,XGBoost)算法分类器中,获得恶意软件的家族分类。实验结果表明,该方法可以正确、有效地区分不同恶意软件家族,分类的微平均AUC(Micro—average Area Under Curve)达到98.3%,宏平均AUC(Macro—average Area Under Curve)达到97.9%。

关键词：深度自编码器恶意代码 XGBoost API序列字节熵

基于深度自编码器的数字化输电线路地形特征提取方法研究

在线全文

学校读者我要写书评

暂无评论

电测与仪表 2021年第7期58卷 89-96页

作者：卢诗华孙密谢景海郭嘉袁敬中苏东禹冀北电力有限公司经济技术研究院北京100038 北京京研电力工程设计有限公司北京100038

在输电线路的设计中,对输电线路的地形特征判别是实现输电线路成本估算以及安全设计的重要步骤。为解决对输电线路中的地形进行快速判别问题,文章研究了一种基于深度自编码器的数字化输电线路地形特征提取方法。基于数字化勘探技术建立... 详细信息

在输电线路的设计中,对输电线路的地形特征判别是实现输电线路成本估算以及安全设计的重要步骤。为解决对输电线路中的地形进行快速判别问题,文章研究了一种基于深度自编码器的数字化输电线路地形特征提取方法。基于数字化勘探技术建立复杂地理信息的数字化模型,再根据建立的数字模型使用深度自编码器进行特征提取。在深度自编码器的训练过程中,使用逐层训练法解决训练中的梯度消失和梯度爆炸问题,并在实际算例中,使用粒子群优化算法进行深度自编码器的超参数调节。实验结果表明,所研究的方法可以将不同特征的地形进行快速的分类,其结果可以辅助设计人员进行输电线路的成本估算和安全设计。

关键词：数字化输电线路地形特征提取深度自编码器逐层训练