期刊导航
期刊开放获取
上海教育软件发展有限公..
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
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
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于VMD-WVD分布与堆栈稀疏自编码网络的局放类型识别
被引量：
29
1
作者
高佳程
朱永利
+1 位作者
郑艳艳
贾亚飞
《中国电机工程学报》
EI
CSCD
北大核心
2019年第14期4118-4128,共11页
针对目前常用的浅层模式识别方法对高维大容量样本处理困难的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)的Wigner Ville分布(Wigner-Ville distribution,WVD)和堆叠稀疏自编码网络(stockedsparse auto-encoder...
针对目前常用的浅层模式识别方法对高维大容量样本处理困难的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)的Wigner Ville分布(Wigner-Ville distribution,WVD)和堆叠稀疏自编码网络(stockedsparse auto-encoder,SSAE)的局部放电(partial discharge,PD)信号的模式识别方法。首先,以VMD算法对PD信号进行分解,对所得各分量进行时频分析得到相应的WVD;然后,以PD信号的VMD-WVD分布为输入量,利用SSAE对样本集合进行训练,自主提取内在特征。此外,将SSAE与稀疏自编码器(stackedsparseauto-encoder,SAE)的输出特征进行比较,验证了SSAE网络特征提取能力的优越性;最后,用训练好的SSAE网络完成测试样本的局部放电类型的识别。同时,以基于反向传播(backpropagation,BP)神经网络和支持向量机(support vector machine,SVM)的识别结果与该结果进行比较。结果表明,所采用的识别方法具有更高的正确识别率。
展开更多
关键词
局部放电
模式识别
变分模态分解
WIGNER-VILLE分布
堆栈稀疏自编码网络
在线阅读
下载PDF
职称材料
自编码网络在JavaScript恶意代码检测中的应用研究
被引量：
4
2
作者
龙廷艳
万良
丁红卫
《计算机科学与探索》
CSCD
北大核心
2019年第12期2073-2084,共12页
针对传统机器学习特征提取方法很难发掘JavaScript恶意代码深层次本质特征的问题,提出基于堆栈式稀疏降噪自编码网络(sSDAN)的JavaScript恶意代码检测方法。首先将JavaScript恶意代码进行数值化处理,然后在自编码网络的基础上加入稀疏...
针对传统机器学习特征提取方法很难发掘JavaScript恶意代码深层次本质特征的问题,提出基于堆栈式稀疏降噪自编码网络(sSDAN)的JavaScript恶意代码检测方法。首先将JavaScript恶意代码进行数值化处理,然后在自编码网络的基础上加入稀疏性限制,同时加入一定概率分布的噪声进行染噪的学习训练,使得自动编码器模型能够获取数据不同层次的特征表达;再经过无监督逐层贪婪的预训练和有监督的微调过程可以得到有效去噪后的更深层次特征;最后利用Softmax函数对特征进行分类。实验结果表明,稀疏降噪自编码分类算法对JavaScript具有较好的分类能力,其准确率高于传统机器学习模型,相比随机森林的方法提高了0.717%,相比支持向量机(SVM)的方法提高了2.237%。
展开更多
关键词
堆栈
式
稀疏
降噪
自编码
网络
(sSDAN)
JavaScript恶意代码
机器学习
在线阅读
下载PDF
职称材料
基于主动深度学习的高光谱影像分类
被引量：
13
3
作者
程圆娥
周绍光
+1 位作者
袁春琦
陈蒙蒙
《计算机工程与应用》
CSCD
北大核心
2017年第17期192-196,248,共6页
针对当前高光谱遥感影像分类人工标注样本费时费力,大量未标注样本未得到有效利用以及主要利用光谱信息而忽视空间信息等问题,提出了一种空-谱信息与主动深度学习相结合的高光谱影像分类方法。首先利用主成分分析对原始影像进行降维,在...
针对当前高光谱遥感影像分类人工标注样本费时费力,大量未标注样本未得到有效利用以及主要利用光谱信息而忽视空间信息等问题,提出了一种空-谱信息与主动深度学习相结合的高光谱影像分类方法。首先利用主成分分析对原始影像进行降维,在此基础上提取像素的一正方形小邻域作为该像素的空间信息并结合其原始光谱信息得到空谱特征。然后,通过稀疏自编码器得到原始数据的稀疏特征表达,并通过逐层无监督学习稀疏自编码器构建深度神经网络,输出原始数据的深度特征,将其连接到softmax分类器,利用少量标记样本以监督学习的方式完成模型的精调。最后,利用主动学习算法选择最不确定性样本对其进行标注,并加入至训练样本以提高分类器的分类效果。分别对Pavia U影像和Pavia C影像进行分类实验的结果表明,该方法在少量标记样本情况下,相对于传统方法能有效地提高分类精度。
展开更多
关键词
高光谱遥感影像分类
空谱特征
堆栈
式
稀疏自
编码
深度
网络
主动学习
在线阅读
下载PDF
职称材料
题名
基于VMD-WVD分布与堆栈稀疏自编码网络的局放类型识别
被引量：
29
1
作者
高佳程
朱永利
郑艳艳
贾亚飞
机构
新能源电力系统国家重点实验室(华北电力大学)
出处
《中国电机工程学报》
EI
CSCD
北大核心
2019年第14期4118-4128,共11页
文摘
针对目前常用的浅层模式识别方法对高维大容量样本处理困难的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)的Wigner Ville分布(Wigner-Ville distribution,WVD)和堆叠稀疏自编码网络(stockedsparse auto-encoder,SSAE)的局部放电(partial discharge,PD)信号的模式识别方法。首先,以VMD算法对PD信号进行分解,对所得各分量进行时频分析得到相应的WVD;然后,以PD信号的VMD-WVD分布为输入量,利用SSAE对样本集合进行训练,自主提取内在特征。此外,将SSAE与稀疏自编码器(stackedsparseauto-encoder,SAE)的输出特征进行比较,验证了SSAE网络特征提取能力的优越性;最后,用训练好的SSAE网络完成测试样本的局部放电类型的识别。同时,以基于反向传播(backpropagation,BP)神经网络和支持向量机(support vector machine,SVM)的识别结果与该结果进行比较。结果表明,所采用的识别方法具有更高的正确识别率。
关键词
局部放电
模式识别
变分模态分解
WIGNER-VILLE分布
堆栈稀疏自编码网络
Keywords
partial discharge (PD)
pattern recognition
variational mode decomposition (VMD)
Wigner-Ville distribution (WVD)
stocked sparse auto-encoder (SSAE)
分类号
TM835 [电气工程—高电压与绝缘技术]
在线阅读
下载PDF
职称材料
题名
自编码网络在JavaScript恶意代码检测中的应用研究
被引量：
4
2
作者
龙廷艳
万良
丁红卫
机构
贵州大学计算机科学与技术学院
贵州大学计算机软件与理论研究所
出处
《计算机科学与探索》
CSCD
北大核心
2019年第12期2073-2084,共12页
基金
贵州省科学基金,黔科合J字[2011]No.2328
贵州省科学基金,黔科合LH字[2014]No.7634~~
文摘
针对传统机器学习特征提取方法很难发掘JavaScript恶意代码深层次本质特征的问题,提出基于堆栈式稀疏降噪自编码网络(sSDAN)的JavaScript恶意代码检测方法。首先将JavaScript恶意代码进行数值化处理,然后在自编码网络的基础上加入稀疏性限制,同时加入一定概率分布的噪声进行染噪的学习训练,使得自动编码器模型能够获取数据不同层次的特征表达;再经过无监督逐层贪婪的预训练和有监督的微调过程可以得到有效去噪后的更深层次特征;最后利用Softmax函数对特征进行分类。实验结果表明,稀疏降噪自编码分类算法对JavaScript具有较好的分类能力,其准确率高于传统机器学习模型,相比随机森林的方法提高了0.717%,相比支持向量机(SVM)的方法提高了2.237%。
关键词
堆栈
式
稀疏
降噪
自编码
网络
(sSDAN)
JavaScript恶意代码
机器学习
Keywords
stacked sparse denoising autoencoder network(sSDAN)
JavaScript malicious code
machine learning
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
基于主动深度学习的高光谱影像分类
被引量：
13
3
作者
程圆娥
周绍光
袁春琦
陈蒙蒙
机构
河海大学地球科学与工程学院
出处
《计算机工程与应用》
CSCD
北大核心
2017年第17期192-196,248,共6页
基金
国家自然科学基金(No.41271420/D010702)
文摘
针对当前高光谱遥感影像分类人工标注样本费时费力,大量未标注样本未得到有效利用以及主要利用光谱信息而忽视空间信息等问题,提出了一种空-谱信息与主动深度学习相结合的高光谱影像分类方法。首先利用主成分分析对原始影像进行降维,在此基础上提取像素的一正方形小邻域作为该像素的空间信息并结合其原始光谱信息得到空谱特征。然后,通过稀疏自编码器得到原始数据的稀疏特征表达,并通过逐层无监督学习稀疏自编码器构建深度神经网络,输出原始数据的深度特征,将其连接到softmax分类器,利用少量标记样本以监督学习的方式完成模型的精调。最后,利用主动学习算法选择最不确定性样本对其进行标注,并加入至训练样本以提高分类器的分类效果。分别对Pavia U影像和Pavia C影像进行分类实验的结果表明,该方法在少量标记样本情况下,相对于传统方法能有效地提高分类精度。
关键词
高光谱遥感影像分类
空谱特征
堆栈
式
稀疏自
编码
深度
网络
主动学习
Keywords
hyperspectral image classification
spatial-spectral feature
stacked sparse autoencoders
active learning
分类号
TP75 [自动化与计算机技术—检测技术与自动化装置]
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VMD-WVD分布与堆栈稀疏自编码网络的局放类型识别
高佳程
朱永利
郑艳艳
贾亚飞
《中国电机工程学报》
EI
CSCD
北大核心
2019
29
在线阅读
下载PDF
职称材料
2
自编码网络在JavaScript恶意代码检测中的应用研究
龙廷艳
万良
丁红卫
《计算机科学与探索》
CSCD
北大核心
2019
4
在线阅读
下载PDF
职称材料
3
基于主动深度学习的高光谱影像分类
程圆娥
周绍光
袁春琦
陈蒙蒙
《计算机工程与应用》
CSCD
北大核心
2017
13
在线阅读
下载PDF
职称材料
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
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
