现有的多数入侵检测模型通过长短期记忆(long short-term memory,LSTM)网络评估数据之间的时间依赖性。然而,LSTM网络处理序列数据增加了训练模型的计算复杂度和存储成本。为此,提出了基于多头注意力机制和时间卷积网络的无监督入侵检...现有的多数入侵检测模型通过长短期记忆(long short-term memory,LSTM)网络评估数据之间的时间依赖性。然而,LSTM网络处理序列数据增加了训练模型的计算复杂度和存储成本。为此,提出了基于多头注意力机制和时间卷积网络的无监督入侵检测模型(unsupervised intrusion detection model based on multihead attention mechanism or temporal convolutional network,UDMT)。UDMT不依赖于LSTM网络,它利用时间卷积网络和多头注意力机制构建生成对抗网络的生成器和决策器,实现计算的并行化,进而降低复杂度。同时,UDMT不依赖于标签的攻击数据,它具有检测已知攻击和未知攻击的能力。此外,UDMT采用不同的隐藏层模式,配置灵活,以满足不同的检测率和检测时延的要求。相比于两个同类的检测模型,提出的UDMT能获取更高的检测率和更低的检测时延。展开更多
为了进一步提高滚动轴承故障检测的准确性、改善时间卷积网络模型(Temporal Convolutional Network,TCN)存在的过拟合问题,本研究提出了增加平均池化层的时间卷积网络(Temporal Convolution with Average Pooling Network,TCAPN)模型。...为了进一步提高滚动轴承故障检测的准确性、改善时间卷积网络模型(Temporal Convolutional Network,TCN)存在的过拟合问题,本研究提出了增加平均池化层的时间卷积网络(Temporal Convolution with Average Pooling Network,TCAPN)模型。该方法首先使用膨胀因果卷积代替传统卷积神经网络,其次在残差模块多个地方加入平均池化层改善模型过拟合问题,最后结合多个改进残差模块构建本研究提出的TCAPN模型。实验结果表明,在相同工况条件下,TCAPN模型能够更快地收敛,并且平均故障诊断准确率达到了98.73%,相较于TCN模型提高了2.87%,验证了该模型具有高准确性和鲁棒性。展开更多
文摘现有的多数入侵检测模型通过长短期记忆(long short-term memory,LSTM)网络评估数据之间的时间依赖性。然而,LSTM网络处理序列数据增加了训练模型的计算复杂度和存储成本。为此,提出了基于多头注意力机制和时间卷积网络的无监督入侵检测模型(unsupervised intrusion detection model based on multihead attention mechanism or temporal convolutional network,UDMT)。UDMT不依赖于LSTM网络,它利用时间卷积网络和多头注意力机制构建生成对抗网络的生成器和决策器,实现计算的并行化,进而降低复杂度。同时,UDMT不依赖于标签的攻击数据,它具有检测已知攻击和未知攻击的能力。此外,UDMT采用不同的隐藏层模式,配置灵活,以满足不同的检测率和检测时延的要求。相比于两个同类的检测模型,提出的UDMT能获取更高的检测率和更低的检测时延。
文摘为了进一步提高滚动轴承故障检测的准确性、改善时间卷积网络模型(Temporal Convolutional Network,TCN)存在的过拟合问题,本研究提出了增加平均池化层的时间卷积网络(Temporal Convolution with Average Pooling Network,TCAPN)模型。该方法首先使用膨胀因果卷积代替传统卷积神经网络,其次在残差模块多个地方加入平均池化层改善模型过拟合问题,最后结合多个改进残差模块构建本研究提出的TCAPN模型。实验结果表明,在相同工况条件下,TCAPN模型能够更快地收敛,并且平均故障诊断准确率达到了98.73%,相较于TCN模型提高了2.87%,验证了该模型具有高准确性和鲁棒性。
