期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到297篇文章
< 1 2 … 15 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于改进通道注意力优化变分自编码器的居民空调负荷辨识
1
作者 王凌云 唐涛 +2 位作者 鲍刚 阮胜冬 张涛 《仪器仪表学报》 北大核心 2025年第5期251-263,共13页
居民空调负荷的准确辨识是挖掘其调控潜力和实现需求响应的关键。针对目前居民空调功率求解方法的精度不足和计算复杂问题,故提出一种基于变分自编码器(VAE)和改进高效通道注意力机制(ECA)的居民空调负荷非侵入式辨识神经网络模型。改进... 居民空调负荷的准确辨识是挖掘其调控潜力和实现需求响应的关键。针对目前居民空调功率求解方法的精度不足和计算复杂问题,故提出一种基于变分自编码器(VAE)和改进高效通道注意力机制(ECA)的居民空调负荷非侵入式辨识神经网络模型。改进ECA采用结合全局平均池化与全局最大池化的双池化策略,既捕获整体统计信息又突出局部显著响应。借助压缩-重构机制,在降维后利用快速动态卷积核自适应捕捉局部通道交互信息,有效聚焦关键信息,为通道赋予合理权重;将改进ECA集成在VAE解码器中,增强模型对空调负荷的特征重构能力;模型进一步引入多任务学习框架,联合优化功率分解与状态识别任务,实现任务间信息共享和互补,从而提高整体辨识精度。同时,利用输出模块和后处理状态阈值约束,有效抑制非空调负荷的干扰。最后,在真实居民用电数据集上进行实验验证。实验结果表明,相较于两个对比模型,模型在3个地区所有居民功率分解的平均绝对误差(MAE)均值分别提升59.71%和9.22%,空调状态识别F1值达84.58%。消融实验表明,改进ECA使其中两个地区功率分解MAE分别降低56.23%和12.47%,多任务学习框架进一步推动辨识精度提升3.17%和5.90%。所提出的少量侵入式测量方案以30%用户侵入式量测数据训练,在保证模型准确性的同时,减少对用户数据的依赖,具有较强的应用潜力。 展开更多
关键词 居民空调负荷 变分自编码器 非侵入式负荷监测 通道注意力 多任务学习
在线阅读 下载PDF
融合变分图自编码器与局部-全局图网络的认知负荷脑电识别模型
2
作者 周天彤 郑妍琪 +2 位作者 魏韬 戴亚康 邹凌 《计算机应用》 北大核心 2025年第6期1849-1857,共9页
针对认知负荷识别模型存在过于依赖手动特征提取、忽视脑电图(EEG)信号的空间信息和无法有效学习图结构数据的问题,提出一种融合变分图自编码器(VGAE)与局部-全局图网络(VLGGNet)的认知负荷EEG识别模型。该模型由时间学习模块和图形学... 针对认知负荷识别模型存在过于依赖手动特征提取、忽视脑电图(EEG)信号的空间信息和无法有效学习图结构数据的问题,提出一种融合变分图自编码器(VGAE)与局部-全局图网络(VLGGNet)的认知负荷EEG识别模型。该模型由时间学习模块和图形学习模块这2个部分组成。首先,使用时间学习模块通过多尺度时间卷积捕捉EEG信号的动态频率表示,并通过空间与通道重建卷积(SCConv)和1×1卷积核级联模块融合多尺度卷积提取的特征;其次,使用图形学习模块将EEG数据定义为局部-全局图,其中,局部图特征提取层将节点属性聚合到一个低维向量,全局图特征提取层通过VGAE重构图结构;最后,对全局图和节点特征向量执行轻量化图卷积操作,由全连接层输出预测结果。通过嵌套交叉验证,实验结果表明,在心算任务(MAT)数据集上,相较于次优的局部-全局图网络(LGGNet),VLGGNet的平均准确率(mAcc)和平均F1分数(mF1)分别提升了4.07和3.86个百分点;在同时任务EEG工作量(STEW)数据集上,相较于表现最好的多尺度时空卷积神经网络(TSception),VLGGNet的mAcc与TSception相同,mF1仅降低了0.01个百分点。可见VLGGNet提高了认知负荷分类的性能,也验证了前额叶和额叶区域与认知负荷状态密切相关。 展开更多
关键词 认知负荷 脑电信号 多尺度时间卷积 变分图自编码器 局部-全局图网络
在线阅读 下载PDF
基于自注意力机制与高斯混合变分自编码器的飞行轨迹聚类方法研究
3
作者 张召悦 李莎 鲍水达 《河南科技大学学报(自然科学版)》 北大核心 2025年第1期25-33,M0003,M0004,共11页
为精确识别飞行轨迹的运行模式,提出了一种基于自注意力机制(SA)与高斯混合变分自编码器(GMVAE)的飞行轨迹聚类方法。SA-GMVAE是一种端到端的深度聚类方法,GMVAE利用变分推断估计每条轨迹的潜在分布,将输入的飞行轨迹数据映射到由多个... 为精确识别飞行轨迹的运行模式,提出了一种基于自注意力机制(SA)与高斯混合变分自编码器(GMVAE)的飞行轨迹聚类方法。SA-GMVAE是一种端到端的深度聚类方法,GMVAE利用变分推断估计每条轨迹的潜在分布,将输入的飞行轨迹数据映射到由多个高斯分布组成的潜在空间,同时依据轨迹分布特征进行聚类。考虑到GMVAE无法兼顾潜在特征的全局关键信息,将自注意力机制嵌入到编码器中,以便于在特征提取时能够捕获全局依赖关系并自动分配权重,突出关键特征,提升轨迹聚类效果。最后,以天津滨海国际机场的进场飞行轨迹数据集为例验证了模型的有效性,实验结果表明:SA-GMVAE相较于K-means、DBSCAN、DTW+HDBSCAN、AE+DP与AE+GMM 5种聚类方法,轮廓系数分别提高了27.6%、20.2%、18.2%、18.6%、15.7%;与未引入自注意力机制的GMVAE聚类模型相比,轮廓系数提高了9.5%,能够更准确地对飞行轨迹进行聚类。 展开更多
关键词 飞行轨迹 模式识别 变分自编码器 自注意力机制
在线阅读 下载PDF
基于联合卷积变分自编码器和预测器的UWB定位算法
4
作者 古玉锋 李真 +1 位作者 高世椿 黎程山 《仪器仪表学报》 北大核心 2025年第1期182-192,共11页
某室内三线自动驾驶轨道交通系统使用了超宽带(UWB)定位系统,车辆的高精度定位是提高其运行可靠性和调度效率的关键技术。基于UWB定位精度的分析,提出了一种基于联合卷积变分自编码器和预测器(VAE-CNN)的非视距鉴别、测距误差补偿与神... 某室内三线自动驾驶轨道交通系统使用了超宽带(UWB)定位系统,车辆的高精度定位是提高其运行可靠性和调度效率的关键技术。基于UWB定位精度的分析,提出了一种基于联合卷积变分自编码器和预测器(VAE-CNN)的非视距鉴别、测距误差补偿与神经网络定位误差补偿的三步UWB定位算法。首先,采集标签与基站的测距误差和信道脉冲响应(CIR)数据,训练VAE-CNN模型,根据原始CIR和重建CIR的可信度阈值剔除非视距测距值。其次,根据预测器的预测误差补偿原始测距值,使用最小二乘法计算坐标和该坐标相对于各个基站坐标的方向余弦,训练神经网络用于拟合定位误差与方向余弦的关系。在已公开的包含视距和非视距的UWB测距值和CIR数据集上,验证了VAE-CNN模型的非视距鉴别能力,评估了基于VAE-CNN模型的非视距鉴别和测距误差补偿对定位精度的提升效果;在不同测距方差下,基于车辆模拟运行轨迹,评估了定位误差补偿神经网络提高定位精度的效果。搭建了UWB定位系统,验证了动态定位中三步UWB定位算法的实际效果。结果表明,动态定位中,在完全视距环境中,算法的平均定位误差为28.68 mm,均方根定位误差为16.67 mm,最大定位误差为76.68 mm;存在非视距的环境中,算法的平均定位误差为38.73 mm,均方根定位误差为20.61 mm,最大定位误差为116.47 mm。由此可知,所提出的三步UWB定位算法具有精度高、成本低和稳定性好的优点,能满足所涉及的室内轨道交通的定位需求。 展开更多
关键词 三线室内轨道交通 UWB定位 卷积变分自编码器 非视距鉴别 误差补偿
在线阅读 下载PDF
基于变分自编码器的多源数据融合窃电检测方法 被引量：1
5
作者 蔡梓文 赵云 +3 位作者 陆煜锌 顾莲墙 陈康 高云鹏 《电力系统保护与控制》 北大核心 2025年第4期176-187,共12页
针对当前窃电检测仅使用单一用电负荷难以捕捉复杂窃电特征,导致窃电检测发生误判,存在误检率高和准确率低下等问题,提出一种融合用电负荷、环境温度、时间以及对应台区相位线损的新型窃电检测方法。首先构建多维度特征提取变分自编码器... 针对当前窃电检测仅使用单一用电负荷难以捕捉复杂窃电特征,导致窃电检测发生误判,存在误检率高和准确率低下等问题,提出一种融合用电负荷、环境温度、时间以及对应台区相位线损的新型窃电检测方法。首先构建多维度特征提取变分自编码器(variational autoencoder for multi-dimensional feature extraction,MF-VAE)来提取用户用电行为的多维度特征。然后,基于注意力时序卷积网络(attention temporal convolutional networks,ATCN)建立判别模型,再通过膨胀卷积和因果卷积获取多维度窃电行为特征的时序关系。同时,引入卷积注意力模块分配各维度特征的注意力权重,以提高模型的表现和泛化能力。最后采用Softmax分类器完成对多源数据中潜在窃电行为的准确识别。实验结果表明,用该方法提取的窃电行为特征更加丰富和多元化,能够有效降低窃电检测误检率并提高窃电行为判别准确率。 展开更多
关键词 窃电行为判别 多源数据融合 改进时域卷积网络 变分自编码器 注意力机制
在线阅读 下载PDF
基于变分自编码器的太赫兹信道多径分簇算法
6
作者 郝昕宇 廖希 +4 位作者 郑相全 王洋 林峰 陈前斌 张杰 《通信学报》 北大核心 2025年第6期89-100,共12页
针对太赫兹信道中多径分簇算法在多维参数适应性和无监督特征分离中的不足,提出了一种基于变分自编码器的潜层空间多径分簇(VAE-LMC)模型。首先,通过变分自编码器(VAE)学习多径时延与到达角度的潜在表示,增强特征可分离性。其次,将K-Me... 针对太赫兹信道中多径分簇算法在多维参数适应性和无监督特征分离中的不足,提出了一种基于变分自编码器的潜层空间多径分簇(VAE-LMC)模型。首先,通过变分自编码器(VAE)学习多径时延与到达角度的潜在表示,增强特征可分离性。其次,将K-Means分簇嵌入VAE框架,联合优化重构损失、KL散度和分簇损失函数,解决无监督学习中的特征分离难题。最后,在潜层空间完成多径分簇并将结果映射至真实数据空间。在小型工厂场景中开展129.5~135 GHz的太赫兹信道测量,构建训练数据集和测试数据集。实验结果表明,VAE-LMC模型在簇内和簇间特性、环境一致性及复杂度等方面均有显著优势,为复杂场景下的太赫兹信道多径分簇提供了高效解决方案。 展开更多
关键词 太赫兹信道 信道测量 多径分簇 变分自编码器 无监督学习
在线阅读 下载PDF
基于标签感知变分自编码器的多标签分类
7
作者 孙宏健 徐鹏宇 +2 位作者 刘冰 景丽萍 于剑 《计算机科学与探索》 北大核心 2025年第3期714-723,共10页
随着互联网的兴起,各式各样的数据急速增长,如何高效地利用这些样本数据成为数据挖掘领域的重要问题。多标签分类任务作为机器学习与数据挖掘领域的重要任务,旨在为样本标注多个标签类别。目前的方法大多仅对特征分支进行嵌入表示学习,... 随着互联网的兴起,各式各样的数据急速增长,如何高效地利用这些样本数据成为数据挖掘领域的重要问题。多标签分类任务作为机器学习与数据挖掘领域的重要任务,旨在为样本标注多个标签类别。目前的方法大多仅对特征分支进行嵌入表示学习,并未考虑到特征和标签之间的语义关联性,缺乏对特征嵌入空间的有效约束,从而导致学习到的特征嵌入针对性不足。在标签相关性学习方面,现有的大多数方法主要关注低阶标签相关性,在面对复杂的实际标签场景时,多个标签之间的高阶相关性学习不足的问题变得更为突出。为解决上述问题,从嵌入表示学习和标签相关性学习出发,提出了一种基于标签感知变分自编码器的多标签分类方法。针对嵌入表示学习,提出使用特征和标签双流变分自编码器同时学习和对齐特征和标签的嵌入空间,对特征嵌入空间添加标签引导来增强特征嵌入。采用基于标签语义的交叉注意力机制,将特定标签信息加入到特征嵌入中,最终获得标签感知后的判别性特征嵌入。针对标签相关性学习,采用共享解码器中的多层自注意力机制,充分融合多个标签的相似性信息,通过不同标签间的共现交互,学习到标签高阶相关性表示并用于交叉感知特征嵌入。在四个不同领域的数据集上得到的实验结果表明,提出的方法能够有效增强特征和标签嵌入,并充分捕获标签之间高阶相关性信息用于多标签分类任务,通过与多个最先进算法在多个评价指标上进行比较分析,验证了提出的方法在性能上的显著优越性。 展开更多
关键词 多标签分类 嵌入空间学习 变分自动编码器 TRANSFORMER 标签相关性
在线阅读 下载PDF
基于转录组学和变分自编码器的癌症分期诊断研究
8
作者 李佳芮 钱力 +3 位作者 沈俊杰 郭泓麟 秦茂洋 伍亚舟 《陆军军医大学学报》 北大核心 2025年第6期613-622,共10页
目的旨在对10种癌症转录组学数据开展深度分析与特征提取,进而实现对癌症样本的分期诊断。方法在UCSC Xena网站收集发病率最高的10种癌症转录组学数据(包含4938个样本和59428个基因),以变分自编码器为基础,利用特征重要性排序思想,通过... 目的旨在对10种癌症转录组学数据开展深度分析与特征提取,进而实现对癌症样本的分期诊断。方法在UCSC Xena网站收集发病率最高的10种癌症转录组学数据(包含4938个样本和59428个基因),以变分自编码器为基础,利用特征重要性排序思想,通过引入掩码算法和增量特征选择方法(incremental feature selection,IFS),构建了增量特征排序选优变分自编码器(incremental feature ranking and selection variational autoencoder,IFRSVAE);与随机森林(random forest,RF)、支持向量机(support vector machine,SVM)和极限梯度提升树(eXtreme gradient boosting,XGboost)结合测试了该方法的性能,并同其他方法进行比较。结果提取了21个特征用于后续分类,较于传统变分自编码器、递归特征消除和Lasso回归模型,IFRSVAE模型在3种分类器上均取得了较好性能(AUC值最高,其余指标也表现良好);其中IFRSVAE-RF表现最好,AUC达到了85.49%(95%CI:83.24%~87.74%)。此外,还应用了沙普利加性解释(Shapley additive explanations,SHAP)模型对特征贡献进行展示。结论本研究探索并验证了IFRSVAE在特征提取方面具备一定成效。基于此构建的IFRSVAE-RF模型,在癌症分期诊断任务中展现出较好的表现,为深度学习在癌症分期诊断方法的研究方向上,提供了一种可供参考的新思路。 展开更多
关键词 癌症分期 转录组学 变分自编码器 机器学习
在线阅读 下载PDF
基于变分自编码器的交通流预测算法
9
作者 崔文源 滕飞 +2 位作者 贺百胜 胡晓鹏 仇戈 《郑州大学学报(理学版)》 北大核心 2025年第4期40-46,87,共8页
针对现有交通流预测模型对交通流数据复杂动态的时空依赖关系挖掘不充分的问题,提出了一种基于变分自编码器的交通流预测模型(AST-VAE)。首先,采用变分推断和残差降解机制,将交通流信号分离为隐藏的扩散信号、固有信号以及随机信号。其... 针对现有交通流预测模型对交通流数据复杂动态的时空依赖关系挖掘不充分的问题,提出了一种基于变分自编码器的交通流预测模型(AST-VAE)。首先,采用变分推断和残差降解机制,将交通流信号分离为隐藏的扩散信号、固有信号以及随机信号。其次,使用不同的学习模块提取三种信号中的时间相关性和空间相关性。最后,将三种多维特征融合进行全局时空依赖性的捕获。使用两个真实的交通数据集对模型的具体模块进行有效性与可行性分析,实验结果表明,在交通流预测任务上AST-VAE优于现有模型,同时误差较低,具有较好的预测性能。 展开更多
关键词 交通流预测 变分自编码器 时空依赖
在线阅读 下载PDF
基于变分图自编码器的多变量时序数据异常检测
10
作者 尹文萃 谢平 +2 位作者 叶成绪 韩佳新 夏星 《计算机科学》 北大核心 2025年第S1期688-695,共8页
多变量时序数据异常检测指识别多变量时序数据中的异常值。为解决多变量时序数据间的复杂性和内部变量间特征依赖的问题,文中提出了一种基于变分图自编码器的多变量时序数据异常检测方法。首先,使用滑动窗口提取变量嵌入特征,并基于特... 多变量时序数据异常检测指识别多变量时序数据中的异常值。为解决多变量时序数据间的复杂性和内部变量间特征依赖的问题,文中提出了一种基于变分图自编码器的多变量时序数据异常检测方法。首先,使用滑动窗口提取变量嵌入特征,并基于特征相似性构建结构关联关系图,然后将该多变量时序数据间的关联关系通过变分图自编码器进行优化,提高多变量时序数据的结构特征表征能力;其次,通过多头注意力机制提升多变量时序数据不同通道间的特征表示,并和多变量时序数据结构信息进行融合;最后,采用极值理论选取阈值并进行无监督异常检测。实验结果表明,所提模型在SWaT,MSL等数据集上F1分数达到了81.43%和99.67%的结果。 展开更多
关键词 异常检测 多变量时序数据 图结构学习 变分图自编码器
在线阅读 下载PDF
基于变分自编码器的流形学习降维方法
11
作者 冯琳琳 王长鹏 +1 位作者 吴田军 张讲社 《计算机辅助设计与图形学学报》 北大核心 2025年第3期439-445,共7页
针对科学数据集的规模和复杂性的迅速增长,现有的降维方法存在“拥挤问题”以及不能嵌入新样本的问题,提出了一种变分自编码器均匀流形近似与投影的数据降维方法.首先,为减小高维数据之间的耦合性,利用变分自编码器将数据压缩为潜在变量... 针对科学数据集的规模和复杂性的迅速增长,现有的降维方法存在“拥挤问题”以及不能嵌入新样本的问题,提出了一种变分自编码器均匀流形近似与投影的数据降维方法.首先,为减小高维数据之间的耦合性,利用变分自编码器将数据压缩为潜在变量;然后,运用均匀流形近似与投影进一步将潜在变量降维,使低维嵌入更好地保持原始数据之间的相似性关系;最后,将所提方法用训练集进行拟合,并嵌入一个样本外测试集来评估对新数据的泛化能力.实验结果表明,在MNIST和Fashion-MNIST数据集上,与UMAP,DensMAP,VAE和AE这4个优秀降维方法相比,所提方法的可信度得分分别达到0.9944和0.9939,超越了当前最好方法UMAP 0.0316和0.0141,同时在可视化、Kendall秩相关系数以及分类精度评价指标上也有显著的改进. 展开更多
关键词 变分自编码器 均匀流形近似与投影 非线性降维 流形学习
在线阅读 下载PDF
基于变分自编码器掩蔽重建的骨骼点动作识别方法
12
作者 王雪婷 郭新 +1 位作者 汪松 陈恩庆 《图学学报》 北大核心 2025年第2期270-278,共9页
掩蔽自编码器(MAE)由于其强大的自监督学习能力被用于不同领域,特别是在数据被遮蔽或可用训练数据较少的任务中获得了较好的效果。但在诸如动作识别等视觉分类任务中,由于自编码器结构中编码器学习特征的能力有限,因此分类效果欠佳。为... 掩蔽自编码器(MAE)由于其强大的自监督学习能力被用于不同领域,特别是在数据被遮蔽或可用训练数据较少的任务中获得了较好的效果。但在诸如动作识别等视觉分类任务中,由于自编码器结构中编码器学习特征的能力有限,因此分类效果欠佳。为了实现用少量标注数据对模型进行训练,并提高自编码器在骨骼点动作识别任务上的特征提取能力,提出一种基于变分自编码器(VAE)的时空掩蔽重建模型(SkeletonMVAE)用于骨骼点动作识别。该模型在传统掩蔽重建模型的编码器后引入VAE的隐空间,使得编码器学习到数据的潜在结构和更丰富的信息,并通过参数β调控重建质量,对骨骼点数据进行掩蔽重建的预训练。预训练好的编码器被用作下游分类任务的特征提取器时,其输出的特征表示更紧凑、更具判别能力和鲁棒性,从而有助于提高模型分类精度和泛化能力,提升仅有少量标注数据训练情况下的模型性能。在NTU-60和NTU-120数据集上的实验结果表明了该方法在骨骼点动作识别任务上的有效性。 展开更多
关键词 人体骨骼点动作识别 自监督学习 时空掩蔽重建 变分自动编码器 隐空间聚合
在线阅读 下载PDF
基于变分自编码器的临近降水预报技术研究
13
作者 胡明明 尹君逸 +3 位作者 郭森 司晓云 陶文彬 郭景涛 《人民黄河》 北大核心 2025年第8期27-31,38,共6页
为了解决当前临近降水预报模型无法学习雷达回波图像在空间和时间维度上的非线性特征变化问题,提出一种基于变分自编码器(VAE)的临近降水预报模型。1)通过构建变分自编码器在潜在空间上定义一个概率分布函数,进行雷达回波图像重构。2)... 为了解决当前临近降水预报模型无法学习雷达回波图像在空间和时间维度上的非线性特征变化问题,提出一种基于变分自编码器(VAE)的临近降水预报模型。1)通过构建变分自编码器在潜在空间上定义一个概率分布函数,进行雷达回波图像重构。2)引入自注意力机制学习雷达回波图像在空间和时间维度上的依赖关系。3)引入离散的潜在空间来捕捉雷达回波图像复杂的上下文语义信息。基于SEVIR数据集进行模型的性能评估实验,与Simvp和PhyDNet两个代表性的临近降水预报模型进行对比,通过设计消融实验评估本模型中每个模块的有效性。结果表明:本模型能够准确预测未来5帧的雷达回波图像,预测精度比Simvp和PhyDNet模型高,每个模块的引入都能够对临近降水预报模型的性能提升有所贡献。 展开更多
关键词 临近降水预报 深度学习 变分自编码器 自注意力机制
在线阅读 下载PDF
改进矢量量化变分自编码器的工业时序异常检测
14
作者 李若凡 何启学 《计算机应用》 北大核心 2025年第S1期127-131,共5页
工业领域的异常检测对提高工业自动化和工业生产效率具有重要意义。针对现有的异常检测模型不能有效捕捉传感器数据间复杂的特征关系和异常检测精度有待提升的问题,提出一种改进的矢量量化变分自编码器(VQ-VAE)。首先,考虑工业时序异常... 工业领域的异常检测对提高工业自动化和工业生产效率具有重要意义。针对现有的异常检测模型不能有效捕捉传感器数据间复杂的特征关系和异常检测精度有待提升的问题,提出一种改进的矢量量化变分自编码器(VQ-VAE)。首先,考虑工业时序异常数据具有隐藏性,使用短时傅里叶变换(STFT)处理序列,使序列在时域和频域中建立联系;其次,由于变分自编码器(VAE)本身建模受限于高斯分布假设,导致学习工业场景下复杂多变的数据分布有困难,引入矢量量化层,用确定性的量化替代连续随机的潜在矢量,从而学习数据的正常表示;最后,采用残差的思想级联多个量化器迭代捕捉序列的正常模式,以提高检测精确度。在SWaT(Secure Water Treatment)、WADI(WAter DIstribution)、SMAP(Soil Moisture Active Passive satellite)、SMD(Server Machine Dataset)这4个公开数据集上与LSTM-VAE(Long Short-Term Memory Variational AutoEncoder)、图偏差网络(GDN)等模型比较,所提模型的F1分数比对比模型中的最优结果分别提升了2.03、3.67、3.10和0.91个百分点。 展开更多
关键词 异常检测 时间序列 变分自编码器 短时傅里叶变换 矢量量化
在线阅读 下载PDF
融合变分自编码器与自适应增强卷积神经网络的网络流量分类模型
15
作者 李道全 徐正 +1 位作者 陈思慧 刘嘉宇 《计算机应用》 北大核心 2025年第6期1841-1848,共8页
网络流量分类问题一直是一种随着网络通信发展而不断迭代方法的难题,发展至今已有多种解决方法。目前对网络数据进行分类时大多数方法会将目光聚集在种类均衡的数据集上以便于实验和计算。针对大部分现实网络数据集仍不平衡的问题,提出... 网络流量分类问题一直是一种随着网络通信发展而不断迭代方法的难题,发展至今已有多种解决方法。目前对网络数据进行分类时大多数方法会将目光聚集在种类均衡的数据集上以便于实验和计算。针对大部分现实网络数据集仍不平衡的问题,提出一种融合变分自编码器(VAE)与自适应增强卷积神经网络(AdaBoost-CNN)的网络流量分类模型VAE-ABC(Variational AutoEncoder-Adaptive Boosting-Convolutional neural network)。首先,在数据层面使用VAE对不平衡数据集进行部分增强,并利用VAE学习数据潜在分布的特性缩短学习时间;其次,为了在算法层面提高分类效果,结合集成学习的思想,以自适应增强(AdaBoost)算法为基础设计一种使用改进的卷积神经网络(CNN)作为弱分类器的AdaBoost-CNN算法,从而提高学习和训练的准确率;最后,使用全连接层完成特征映射,并通过激活函数Sigmoid获得最终的分类结果。多重对比实验的结果表明,所提模型在分类数据集ISCX VPN-nonVPN划分后的不平衡子数据集上的准确率达到了94.31%,对比使用支持向量机(SVM)作为弱分类器的AdaBoost-SVM、使用SMOTE(Synthetic Minority Oversampling TEchnique)算法与SVM结合的SMOTE-SVM、使用决策树(D-T)作为弱分类器并与SMOTE算法结合的SMOTE-AB-D-T,所提模型的准确率分别提高了1.34、0.63和0.24个百分点。可见,所提模型在该数据集上的分类效果优于其他模型。 展开更多
关键词 网络流量分类 不平衡数据集 数据增强 变分自编码器 集成学习 自适应增强算法
在线阅读 下载PDF
基于多重共线性削减条件变分自编码器的多能系统低碳优化调度
16
作者 宋菊文 江盼 +4 位作者 吴正强 范捷生 赵星 赵建芳 崔明建 《智慧电力》 北大核心 2025年第7期11-19,共9页
针对风光出力场景下源荷不确定性问题,提出一种考虑风光出力不确定性的多能系统低碳优化调度方法。首先,考虑风光出力波动性,利用基于概率距离算法优化的多重共线性削减条件变分自编码器(MCLRCVAE),构建风光出力不确定性场景生成模型,... 针对风光出力场景下源荷不确定性问题,提出一种考虑风光出力不确定性的多能系统低碳优化调度方法。首先,考虑风光出力波动性,利用基于概率距离算法优化的多重共线性削减条件变分自编码器(MCLRCVAE),构建风光出力不确定性场景生成模型,准确捕捉风光出力时空变异性;其次,结合需求响应的时空特性构建多能系统模型,以最小化系统总运行成本和环境成本为目标函数,构建源-网-荷一体化多能系统优化调度模型,并针对调度资源设计多组调度顺序场景;最后,仿真结果表明,所提方法在风光出力不确定性场景下能够有效实现多能系统低碳优化调度,且调度顺序对系统性能有着显著的影响。 展开更多
关键词 源荷不确定性 多重共线性削减 条件变分自编码器 低碳优化调度 多能系统
在线阅读 下载PDF
基于改进变分模态分解和优化堆叠降噪自编码器的轴承故障诊断 被引量：6
17
作者 张彬桥 舒勇 江雨 《计算机集成制造系统》 EI CSCD 北大核心 2024年第4期1408-1421,共14页
针对滚动轴承在噪声干扰下故障特征难以提取的问题,提出一种改进变分模态分解(VMD)和复合缩放排列熵(CZPE)的特征提取新方法,并利用优化堆叠降噪自编码器(SDAE)进行故障分类。首先,提出由“余弦相似度—峭度—包络熵”新综合评价指标自... 针对滚动轴承在噪声干扰下故障特征难以提取的问题,提出一种改进变分模态分解(VMD)和复合缩放排列熵(CZPE)的特征提取新方法,并利用优化堆叠降噪自编码器(SDAE)进行故障分类。首先,提出由“余弦相似度—峭度—包络熵”新综合评价指标自适应优化分解参数的改进VMD方法,并通过该指标筛选分解后的本征模态函数(IMF)分量;然后,为提取更全面的故障特征,引入新的复合缩放排列熵对各有效IMF的故障特征进行量化;最后,提出一种基于鼠群优化算法(RSO)与麻雀搜索算法(SSA)的混合算法优化SDAE网络超参数,将故障特征输入优化后SDAE网络中得到分类结果。采用美国CWRU轴承数据集进行验证,实验结果表明该方法能全面稳定地提取背景噪声下的故障特征,且与其他方法相比具有更好的抗噪性能和更高的故障诊断准确率。 展开更多
关键词 变分模态分解 综合评价指标 复合缩放排列熵 混合算法 堆叠降噪自编码器
在线阅读 下载PDF
基于矢量量化变分自编码器的混凝土表观裂缝检测算法 被引量：1
18
作者 刘超 吴纪曙 《同济大学学报（自然科学版）》 EI CAS CSCD 北大核心 2024年第11期1699-1705,共7页
提出了一种基于第2代矢量量化变分自编码器(VQ-VAE-2)的自监督混凝土表观裂缝检测算法,可以在缺少裂缝样本的条件下实现高效检测。以重建误差为检测指标,利用无裂缝图片训练VQ-VAE-2,使其在重建裂缝图片时产生更大的重建误差;在计算重... 提出了一种基于第2代矢量量化变分自编码器(VQ-VAE-2)的自监督混凝土表观裂缝检测算法,可以在缺少裂缝样本的条件下实现高效检测。以重建误差为检测指标,利用无裂缝图片训练VQ-VAE-2,使其在重建裂缝图片时产生更大的重建误差;在计算重建误差时将原图和重建图片均分割成若干图块,取对应图块间重建误差最大值作为图片的重建误差,以增大2类图片的重建误差差异。结果表明,该算法的精确率为0.954,召回率为0.959,准确率为0.956,F1分数为0.957。在无裂缝样本作为训练集的情况下,该算法能较好地完成混凝土表观裂缝检测任务。 展开更多
关键词 桥梁工程 混凝土表观裂缝检测 深度学习 变分自编码器 异常检测
在线阅读 下载PDF
基于条件变分自编码器和贝叶斯神经网络的短期电力负荷概率预测 被引量：1
19
作者 李丹 罗娇娇 +2 位作者 孙光帆 唐建 黄烽云 《三峡大学学报（自然科学版）》 CAS 北大核心 2024年第5期68-75,共8页
考虑到输入信息和预测模型的不确定性对负荷预测结果的影响,本文提出一种基于条件变分自编码器和贝叶斯神经网络的短期电力负荷概率预测方法.通过条件变分自编码器生成指定天气因素预测值和日历特征条件下实际天气因素可能的多个随机样... 考虑到输入信息和预测模型的不确定性对负荷预测结果的影响,本文提出一种基于条件变分自编码器和贝叶斯神经网络的短期电力负荷概率预测方法.通过条件变分自编码器生成指定天气因素预测值和日历特征条件下实际天气因素可能的多个随机样本,以模拟天气预测信息的不确定性;构建GRU-S2S贝叶斯神经网络学习模型参数的分布特征,以反映预测模型的不确定性,并结合MC dropout技术获得多个可能的负荷预测值;遍历天气因素全部模拟样本,将预测模型输出的负荷预测值构成集合,并通过核密度估计获得预测时段内各时刻预测负荷服从的概率分布.实际算例结果表明,该方法在短期负荷概率预测中具有更高的分位数预测精度和更可靠稳定的区间预测结果. 展开更多
关键词 负荷概率预测 门控循环单元 贝叶斯神经网络 条件变分自编码器
在线阅读 下载PDF
基于变分自编码器和注意力Seq2Seq模型的风电功率预测
20
作者 李辰龙 李逗 +2 位作者 车畅畅 潘苗 高进 《南方电网技术》 CSCD 北大核心 2024年第12期107-116,共10页
针对风电场功率影响因素多、有效数据量小、预测时序长的复杂特点,提出了基于变分自编码器和注意力Seq2Seq模型的风电功率预测方法。采集测风塔数据和对应的连续功率值构造样本集,利用变分自编码器模型将样本进行数据增强,从而获得足够... 针对风电场功率影响因素多、有效数据量小、预测时序长的复杂特点,提出了基于变分自编码器和注意力Seq2Seq模型的风电功率预测方法。采集测风塔数据和对应的连续功率值构造样本集,利用变分自编码器模型将样本进行数据增强,从而获得足够多的样本用于支撑预测模型训练;构建从测风塔多个监测指标到连续功率值的回归分析模型,充分挖掘不同指标与功率值的映射关系;将扩充后的不同指标分别输入到注意力Seq2Seq模型中进行指标时序预测,并将数值天气预报数据用于修正预测结果,从而得到更准确的指标加权预测结果;将实时获取的测风塔和数值天气预报数据输入到训练好的加权预测模型和回归分析模型中,实现风电功率的多步预测。利用风电场站实际运行数据集进行了模型验证,结果表明:与传统时序预测方法相比,基于变分自编码器和注意力Seq2Seq模型能够在较小的重构误差下得到更准确的风电功率预测结果。 展开更多
关键词 变分自编码器 注意力机制 注意力Seq2Seq模型 风电功率预测
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 … 15 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部