检索结果-维普期刊中文期刊服务平台

基于全卷积去噪自编码器与卷积块注意力模块的非侵入式居民负荷分解模型: 1; 作者林顺富李毅 +2 位作者沈运帷林屹峰李东东《电力自动化设备》 EI CSCD 北大核心 2024年第3期127-133,共7页; 为了进一步提高低频居民负荷分解模型的分解精度与泛化能力,提出一种基于全卷积去噪自编码器与卷积块注意力模块的非侵入式居民负荷分解模型,该模型能够深度解析单一电器的功率曲线。基于全卷积去噪自编码器分别构建主回归子任务网络和... 展开更多; 关键词负荷分解全卷积去噪自编码器注意力模块子任务网络门控单元; 在线阅读下载PDF 职称材料

基于卷积去噪自编码器的芯片表面弱缺陷检测方法被引量：13: 2; 作者罗月童卞景帅 +2 位作者张蒙饶永明闫峰《计算机科学》 CSCD 北大核心 2020年第2期118-125,共8页; 芯片表面缺陷会影响芯片的外观和性能,因此表面缺陷检测是芯片生产过程中的重要环节。具有缺陷与背景对比度低、缺陷较小等特点的弱缺陷给传统检测方法带来了挑战。因为近年来深度学习在机器视觉领域展现出了强大的能力,所以文中采用基... 展开更多; 关键词芯片表面缺陷缺陷检测深度学习无监督学习卷积去噪自编码器; 在线阅读下载PDF 职称材料

锂离子电池健康状态的DCAE-Transformer预测方法研究: 3; 作者李浩平于波涛 +3 位作者孟荣华金朱鸿杜昕毅李景瑞《三峡大学学报（自然科学版）》 CAS 北大核心 2025年第1期106-112,共7页; 提出了一种基于Transformer的DCAE-Transformer模型,旨在改善健康状态(SOH)估计的准确性.该方法通过Pearson相关系数筛选关键特征,利用去噪自编码器(DAE)和卷积神经网络(CNN)相结合进行数据预处理和特征提取,再将数据输入Transformer框... 展开更多; 关键词锂电池健康状态估计卷积去噪自编码器 TRANSFORMER 预测性能; 在线阅读下载PDF 职称材料

特征增强的改进LightGBM流量异常检测方法被引量：3: 4; 作者陈万志赵林王天元《电子测量与仪器学报》 CSCD 北大核心 2024年第3期195-207,共13页; 针对机器学习在流量异常检测中存在选择特征过于依赖专家经验、原始特征表达能力不足、数据受噪声和离群点影响导致模型鲁棒性差以及处理非平衡海量高维数据时少数异常类检测率低等问题,提出一种特征增强的改进LightGBM(light gradient ... 展开更多; 关键词流量异常检测隔离森林卷积去噪自编码器自适应合成采样 LightGBM; 在线阅读下载PDF 职称材料

融合二次特征提取和自蒸馏的流量异常检测方法被引量：1: 5; 作者陈万志赵林王天元《信息安全研究》 CSCD 北大核心 2024年第12期1082-1090,共9页; 针对深度学习模型在处理非平衡的海量高维流量数据时对少数类攻击流量检测率低的问题,提出一种融合二次特征提取和自蒸馏的流量异常检测方法.首先,采用隔离森林(isolation forest,iForest)去除正常类样本中的离群点,训练改进的卷积去噪... 展开更多; 关键词流量异常检测卷积去噪自编码器自蒸馏隔离森林自适应合成采样; 在线阅读下载PDF 职称材料

基于CDAE-LMSAF的水下目标辐射信号增强: 6; 作者郭亚齐王鉴 +2 位作者韩星程韩焱王中正《电子测量技术》北大核心 2023年第19期165-170,共6页; 针对远距离目标(如潜艇、鱼雷等)被动定位时存在海洋环境噪声、舰艇自身噪声等影响,从而导致定位精度降低的问题,本文提出了一种基于卷积去噪自编码器和自适应最小均方误差滤波(CDAE-LMSAF)的增强方法,通过提取水下目标辐射信号和含噪... 展开更多; 关键词水下目标辐射信号信号增强卷积去噪自编码器自适应滤波器; 在线阅读下载PDF 职称材料

题名基于全卷积去噪自编码器与卷积块注意力模块的非侵入式居民负荷分解模型: 1; 作者林顺富李毅沈运帷林屹峰李东东; 机构上海电力大学电气工程学院; 出处《电力自动化设备》 EI CSCD 北大核心 2024年第3期127-133,共7页; 基金国家自然科学基金资助项目(51977127) 上海市科学技术委员会资助项目(19020500800) 上海市教育发展基金会和上海市教育委员会“曙光计划”项目(20SG52)。; 文摘为了进一步提高低频居民负荷分解模型的分解精度与泛化能力,提出一种基于全卷积去噪自编码器与卷积块注意力模块的非侵入式居民负荷分解模型,该模型能够深度解析单一电器的功率曲线。基于全卷积去噪自编码器分别构建主回归子任务网络和辅助分类子任务网络;在子任务网络中,通过引入卷积块注意力模块自适应分配特征注意力权重,以减小不重要因素在模型训练过程中的影响;将辅助分类子任务网络的输出作为主回归子任务网络输出的门控单元,实现最终的负荷分解。基于公开数据集的算例结果表明,所提负荷分解模型比现有负荷分解模型具有更优的分解精度和泛化能力。; 关键词负荷分解全卷积去噪自编码器注意力模块子任务网络门控单元; Keywords load disaggregation fully convolutional denoising auto-encoder attention module subtask network gating unit; 分类号 TM714 [电气工程—电力系统及自动化]; 在线阅读下载PDF 职称材料

题名基于卷积去噪自编码器的芯片表面弱缺陷检测方法被引量：13: 2; 作者罗月童卞景帅张蒙饶永明闫峰; 机构合肥工业大学计算机与信息学院; 出处《计算机科学》 CSCD 北大核心 2020年第2期118-125,共8页; 基金国家重点研发计划(2017YFB1402200) 安徽省科技强警计划项目(1604d0802009) +2 种基金安徽省高等学校省级质量工程项目(2017jyxm0045)~~; 文摘芯片表面缺陷会影响芯片的外观和性能,因此表面缺陷检测是芯片生产过程中的重要环节。具有缺陷与背景对比度低、缺陷较小等特点的弱缺陷给传统检测方法带来了挑战。因为近年来深度学习在机器视觉领域展现出了强大的能力,所以文中采用基于深度学习的方法来研究芯片表面弱缺陷的检测问题。该方法将芯片表面缺陷看作噪音,首先应用卷积去噪自编码器(Convolutional Denoising Auto-encoders,CDAE)重构无缺陷图像,然后用重构的无缺陷图像减去输入图像,获得包含缺陷信息的残差图。因为残差图中已经消除了背景的影响,所以最后可以基于残差图较容易地进行缺陷检测。由于基于CDAE重构芯片背景的无缺陷图像时存在随机噪音,导致弱缺陷可能会湮没在重构噪音中,为此,文中提出了重叠分块策略抑制重构噪音,以便更好地检测弱缺陷。因为CDAE是无监督学习网络,所以训练时无需进行大量的人工数据标注,这进一步增强了该方法的可应用性。通过对真实芯片表面数据进行测试,验证了所提方法在芯片表面检测上的有效性。; 关键词芯片表面缺陷缺陷检测深度学习无监督学习卷积去噪自编码器; Keywords Chip surface defects Defect detection Deep learning Unsupervised learning Convolution denoising auto-encoders; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名锂离子电池健康状态的DCAE-Transformer预测方法研究: 3; 作者李浩平于波涛孟荣华金朱鸿杜昕毅李景瑞; 机构三峡大学机械与动力学院; 出处《三峡大学学报（自然科学版）》 CAS 北大核心 2025年第1期106-112,共7页; 基金湖北省自然科学基金项目(2022CFC033) 水电机械设备设计与维护湖北省重点实验室开放基金项目(2024KJX12)。; 文摘提出了一种基于Transformer的DCAE-Transformer模型,旨在改善健康状态(SOH)估计的准确性.该方法通过Pearson相关系数筛选关键特征,利用去噪自编码器(DAE)和卷积神经网络(CNN)相结合进行数据预处理和特征提取,再将数据输入Transformer框架完成预测.使用NASA和CALCE提供的数据集进行验证,DCAE-Transformer模型在NASA电池样本上的误差指标(EMA、EMAP和ERMS)均低于1%,R2值超过99.5%;在CALCE样本上,误差指标低于5%,R2值超过98%.结果表明,该模型在锂电池SOH估计方面具有较高的精确性和泛化性.; 关键词锂电池健康状态估计卷积去噪自编码器 TRANSFORMER 预测性能; Keywords lithium battery state of health estimation convolutional denoising autoencoder(DCAE) Transformer predictive performance; 分类号 TM912 [电气工程—电力电子与电力传动]; 在线阅读下载PDF 职称材料

题名特征增强的改进LightGBM流量异常检测方法被引量：3: 4; 作者陈万志赵林王天元; 机构辽宁工程技术大学软件学院国网辽宁省电力有限公司; 出处《电子测量与仪器学报》 CSCD 北大核心 2024年第3期195-207,共13页; 基金国家重点研发计划(2018YFB1403303) 辽宁省教育厅高校科研基金(2021LJKZ0327)项目资助。; 文摘针对机器学习在流量异常检测中存在选择特征过于依赖专家经验、原始特征表达能力不足、数据受噪声和离群点影响导致模型鲁棒性差以及处理非平衡海量高维数据时少数异常类检测率低等问题,提出一种特征增强的改进LightGBM(light gradient boosting machine)流量异常检测方法。首先,采用隔离森林(isolation forest,iForest)实现异常值处理,并利用异常值处理后的数据训练引入全局平均池化(global average pooling,GAP)的一维卷积去噪自编码器(convolutional denoising autoencoder,CDAE),间接地消除数据中的噪声,得到原始特征的低维增强表达。然后,采用自适应合成采样(adaptive synthetic,ADASYN)对异常值处理后的数据实现数据增强并运用训练完成的CDAE进行特征提取,将得到的低维特征作为LightGBM的输入,训练并进行贝叶斯参数寻优。最后,通过得到的CDAE+LightGBM组合模型实现对异常流量的精准分类。在NSL-KDD数据集上所提方法的五分类准确率和F1分数分别达到了87.80%和87.75%,能够有效提升检测精度,增强未知攻击的检测能力。在CICIDS2017场景数据集上的测试进一步验证了所提方法可行性,且优于与同类型的深度学习算法。; 关键词流量异常检测隔离森林卷积去噪自编码器自适应合成采样 LightGBM; Keywords traffic anomaly detection isolation forest convolutional denoising auto-encoder adaptive synthetic sampling LightGBM; 分类号 TP393 [自动化与计算机技术—计算机应用技术] TN911.7 [电子电信—通信与信息系统]; 在线阅读下载PDF 职称材料

题名融合二次特征提取和自蒸馏的流量异常检测方法被引量：1: 5; 作者陈万志赵林王天元; 机构辽宁工程技术大学软件学院国网辽宁省电力有限公司营口供电公司; 出处《信息安全研究》 CSCD 北大核心 2024年第12期1082-1090,共9页; 基金国家重点研发计划项目(2018YFB1403303) 辽宁省教育厅高校科研基金项目(2021LJKZ0327)。; 文摘针对深度学习模型在处理非平衡的海量高维流量数据时对少数类攻击流量检测率低的问题,提出一种融合二次特征提取和自蒸馏的流量异常检测方法.首先,采用隔离森林(isolation forest,iForest)去除正常类样本中的离群点,训练改进的卷积去噪编码器(convolutional denoising autoencoder,CDAE),减少数据中噪声和离群点对模型训练时的影响,得到原始特征的低维增强表示.其次,借助ADASYN在去除离群点的数据集上合成少数类攻击样本,解决数据失衡问题.然后,再利用iForest清除生成新样本中的离群点得到新数据集,利用训练好的CDAE对新数据集进行1次特征提取,提取的特征作为基于自蒸馏的ResNet模型输入完成2次特征提取.最后,通过组合训练好的CDAE和ResNet模型实现对异常流量的精准识别.该方法在NSL-KDD数据集上五分类准确率和F1分数最高分别达到91.52%和92.05%.实验结果表明,与现有的方法相比,该方法能够有效提升对少数攻击流量的检测率.; 关键词流量异常检测卷积去噪自编码器自蒸馏隔离森林自适应合成采样; Keywords traffic anomaly detection convolutional denoising autoencoder self-distillation isolation forest adaptive synthetic sampling; 分类号 TP393 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于CDAE-LMSAF的水下目标辐射信号增强: 6; 作者郭亚齐王鉴韩星程韩焱王中正; 机构中北大学山西省信息探测与处理重点实验室中北大学省部共建动态测试技术国家重点实验室; 出处《电子测量技术》北大核心 2023年第19期165-170,共6页; 基金国家自然科学青年基金(62203405) 2021年山西省应用基础研究计划项目(20210302124545)资助; 文摘针对远距离目标(如潜艇、鱼雷等)被动定位时存在海洋环境噪声、舰艇自身噪声等影响,从而导致定位精度降低的问题,本文提出了一种基于卷积去噪自编码器和自适应最小均方误差滤波(CDAE-LMSAF)的增强方法,通过提取水下目标辐射信号和含噪信号的时频谱图特征,作为卷积去噪自编码的输入进行训练和建模,再利用自适应滤波器对神经网络增强后的音频进行优化,实现对水下目标辐射信号的增强。仿真实验结果表明,在信噪比为-5 dB时,本文方法的信噪比为17.51 dB,相比于多窗谱谱减法的1.23 dB,卷积去噪自编码器的7.21 dB,自适应最小均方误差滤波的4.12 dB,本文方法具有更高的信噪比增益。; 关键词水下目标辐射信号信号增强卷积去噪自编码器自适应滤波器; Keywords underwater target radiation signal signal enhancement convolutional denoising autoencoder adaptive filte; 分类号 TB566 [交通运输工程—水声工程]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于全卷积去噪自编码器与卷积块注意力模块的非侵入式居民负荷分解模型	林顺富李毅沈运帷林屹峰李东东	《电力自动化设备》 EI CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料
2	基于卷积去噪自编码器的芯片表面弱缺陷检测方法	罗月童卞景帅张蒙饶永明闫峰	《计算机科学》 CSCD 北大核心	2020	13	在线阅读下载PDF 职称材料
3	锂离子电池健康状态的DCAE-Transformer预测方法研究	李浩平于波涛孟荣华金朱鸿杜昕毅李景瑞	《三峡大学学报（自然科学版）》 CAS 北大核心	2025	0	在线阅读下载PDF 职称材料
4	特征增强的改进LightGBM流量异常检测方法	陈万志赵林王天元	《电子测量与仪器学报》 CSCD 北大核心	2024	3	在线阅读下载PDF 职称材料
5	融合二次特征提取和自蒸馏的流量异常检测方法	陈万志赵林王天元	《信息安全研究》 CSCD 北大核心	2024	1	在线阅读下载PDF 职称材料
6	基于CDAE-LMSAF的水下目标辐射信号增强	郭亚齐王鉴韩星程韩焱王中正	《电子测量技术》北大核心	2023	0	在线阅读下载PDF 职称材料