检索结果-维普期刊中文期刊服务平台

基于结构感知混合编码模型的代码注释生成方法被引量：3: 1; 作者蔡瑞初张盛强许柏炎《计算机工程》 CAS CSCD 北大核心 2023年第2期61-69,共9页; 代码注释能够提高程序代码的可读性,从而提升软件开发效率并降低成本。现有的代码注释生成方法将程序代码的序列表示或者抽象语法树表示输入到不同结构的编码器网络,无法融合程序代码不同抽象形式的结构特性,导致生成的注释可读性较差... 展开更多; 关键词代码注释生成混合编码模型图注意力网络深度自注意力网络自然语言处理; 在线阅读下载PDF 职称材料

基于变分自编码高斯混合模型的发电企业串谋智能预警被引量：5: 2; 作者华回春邓彬 +1 位作者刘哲张立峰《电力系统自动化》 EI CSCD 北大核心 2022年第4期188-196,共9页; 随着市场交易规模越来越大,交易数据量增加,结合数据进行串谋分析成为可能。为此,结合发电企业的串谋预警指标体系和无监督的变分自编码高斯混合模型(VAEGMM),实现了对发电企业串谋的智能预警。首先,提出了完善的串谋预警指标体系和详... 展开更多; 关键词电力市场发电企业智能预警串谋变分自编码高斯混合模型; 在线阅读下载PDF 职称材料

基于混合变分自编码器回归模型的软测量建模方法被引量：9: 3; 作者崔琳琳沈冰冰葛志强《自动化学报》 EI CAS CSCD 北大核心 2022年第2期398-407,共10页; 近年来,变分自编码器(Variational auto-encoder,VAE)模型由于在概率数据描述和特征提取能力等方面的优越性,受到了学术界和工业界的广泛关注,并被引入到工业过程监测、诊断和软测量建模等应用中.然而,传统基于VAE的软测量方法使用高斯... 展开更多; 关键词软测量变分自编码器高斯混合模型混合变分自编码器回归模型多模态工业过程; 在线阅读下载PDF 职称材料

基于深度自编码器高斯混合模型的窃电行为检测被引量：15: 4; 作者刘钊瑞高云鹏 +3 位作者郭建波李云峰顾德喜文一章《电力系统保护与控制》 EI CSCD 北大核心 2022年第18期92-102,共11页; 针对用户侧窃电检测背景下无监督方法的适用性,研究如何解决特征提取和异常检测间的解耦问题,提出基于深度自编码器高斯混合模型(Deep Auto-encoder Gaussian Mixture Model,DAGMM)的用户窃电行为检测方法。首先对数据进行增广迪基-福... 展开更多; 关键词窃电行为无监督学习深度自编码器高斯混合模型增广迪基-福勒检验解耦; 在线阅读下载PDF 职称材料

基于主成分分析和深度自编码高斯混合模型的无监督异常数据检测方法研究被引量：3: 5; 作者刘翔宇朱诗兵杨帆《现代电子技术》 2023年第3期75-80,共6页; 在异常数据检测中,由于数据量过大和数据特征维度过高,往往会导致数据标定困难、数据冗余、算法效率降低等。针对以上问题,将主成分分析(PCA)特征选择算法与深度自编码高斯混合模型(DAGMM)相结合,提出一种新的无监督异常数据检测方法PCA... 展开更多; 关键词无监督异常数据检测主成分分析特征选择深度自编码高斯混合模型密度估计联合训练; 在线阅读下载PDF 职称材料

题名基于结构感知混合编码模型的代码注释生成方法被引量：3: 1; 作者蔡瑞初张盛强许柏炎; 机构广东工业大学计算机学院; 出处《计算机工程》 CAS CSCD 北大核心 2023年第2期61-69,共9页; 基金国家自然科学基金(61876043) 国家优秀青年科学基金(62122022) 广州市科技计划项目(201902010058)。; 文摘代码注释能够提高程序代码的可读性,从而提升软件开发效率并降低成本。现有的代码注释生成方法将程序代码的序列表示或者抽象语法树表示输入到不同结构的编码器网络,无法融合程序代码不同抽象形式的结构特性,导致生成的注释可读性较差。构建一种结构感知的混合编码模型,同时考虑程序代码的序列表示和结构表示,通过序列编码层和图编码层分别捕获程序代码的序列信息和语法结构信息,并利用聚合编码过程将两类信息融合至解码器。设计一种结构感知的图注意力网络,通过将程序代码的语法结构的层次和类型信息嵌入图注意力网络的学习参数,有效提升了混合编码模型对程序代码的复杂语法结构的学习能力。实验结果表明,与SiT基准模型相比,混合编码模型在Python和Java数据集上的BLEU、ROUGE-L、METEOR得分分别提高了2.68%、1.47%、3.82%和2.51%、2.24%、3.55%,能生成更准确的代码注释。; 关键词代码注释生成混合编码模型图注意力网络深度自注意力网络自然语言处理; Keywords code comment generation hybrid encoding model graph attention network deep self-attention network natural language processing; 分类号 TP312 [自动化与计算机技术—计算机软件与理论]; 在线阅读下载PDF 职称材料

题名基于变分自编码高斯混合模型的发电企业串谋智能预警被引量：5: 2; 作者华回春邓彬刘哲张立峰; 机构新能源电力系统国家重点实验室(华北电力大学) 国网上海市电力公司; 出处《电力系统自动化》 EI CSCD 北大核心 2022年第4期188-196,共9页; 基金国家电网公司科技项目(SGSHDK00HZJS2000254)。; 文摘随着市场交易规模越来越大,交易数据量增加,结合数据进行串谋分析成为可能。为此,结合发电企业的串谋预警指标体系和无监督的变分自编码高斯混合模型(VAEGMM),实现了对发电企业串谋的智能预警。首先,提出了完善的串谋预警指标体系和详细的指标计算方法。其次,针对指标集具有高维且正负样本不均衡的数据特点,结合异常检测思想提出了VAEGMM。然后,详细阐述了VAEGMM的网络结构,并且重新构建了联合损失函数,使得该网络能够更好地学习得到原始数据的低维表达,从而有助于进行更准确的密度估计。最后,实例测算表明,与其他传统的无监督学习模型相比较,VAEGMM可以更加高效和准确地预警串谋风险。; 关键词电力市场发电企业智能预警串谋变分自编码高斯混合模型; Keywords electricity market power generation enterprise intelligent early-warning collusion variational autoencoding Gaussian mixture model(VAEGMM); 分类号 TM73 [电气工程—电力系统及自动化]; 在线阅读下载PDF 职称材料

题名基于混合变分自编码器回归模型的软测量建模方法被引量：9: 3; 作者崔琳琳沈冰冰葛志强; 机构浙江大学控制科学与工程学院工业控制研究所浙江大学工业控制技术国家重点实验室; 出处《自动化学报》 EI CAS CSCD 北大核心 2022年第2期398-407,共10页; 基金国家自然科学基金(62103362,92167106) 浙江省自然科学基金(LR18F030001)资助。; 文摘近年来,变分自编码器(Variational auto-encoder,VAE)模型由于在概率数据描述和特征提取能力等方面的优越性,受到了学术界和工业界的广泛关注,并被引入到工业过程监测、诊断和软测量建模等应用中.然而,传统基于VAE的软测量方法使用高斯分布作为潜在变量的分布,限制了其对复杂工业过程数据,尤其是多模态数据的建模能力.为了解决这一问题,本论文提出了一种混合变分自编码器回归模型(Mixture variational autoencoder regression,MVAER),并将其应用于复杂多模态工业过程的软测量建模.具体来说,该方法采用高斯混合模型来描述VAE的潜在变量分布,通过非线性映射将复杂多模态数据映射到潜在空间,学习各模态下的潜在变量,获取原始数据的有效特征表示.同时,建立潜在特征表示与关键质量变量之间的回归模型,实现软测量应用.通过一个数值例子和一个实际工业案例,对所提模型的性能进行了评估,验证了该模型的有效性和优越性.; 关键词软测量变分自编码器高斯混合模型混合变分自编码器回归模型多模态工业过程; Keywords Soft sensor variational autoencoder Gaussian mixture model mixture variational autoencoder regression model multimode industrial process; 分类号 TP18 [自动化与计算机技术—控制理论与控制工程] TP274 [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

题名基于深度自编码器高斯混合模型的窃电行为检测被引量：15: 4; 作者刘钊瑞高云鹏郭建波李云峰顾德喜文一章; 机构湖南大学电气与信息工程学院杭州海兴电力科技股份有限公司; 出处《电力系统保护与控制》 EI CSCD 北大核心 2022年第18期92-102,共11页; 基金国家自然科学基金项目资助(51777061) 广西电网科技项目资助(GXKJXM20200020)。; 文摘针对用户侧窃电检测背景下无监督方法的适用性,研究如何解决特征提取和异常检测间的解耦问题,提出基于深度自编码器高斯混合模型(Deep Auto-encoder Gaussian Mixture Model,DAGMM)的用户窃电行为检测方法。首先对数据进行增广迪基-福勒检验,获取具有平稳性的用电数据维度。然后通过压缩网络提取数据潜在特征,利用估计网络及高斯混合模型获取反映异常程度的样本能量。最后基于端对端的学习方式对网络参数联合优化以避免模型解耦,将样本能量超过异常阈值的用户识别为窃电,据此实现用户窃电行为检测。实验结果表明,基于深度自编码器高斯混合模型的窃电行为检测方法受窃电样本影响小,提取的特征可有效反映用户用电规律,具有更高的检测准确率。相比于现有方法,其检出率、误检率、F1测度及AUC等评价指标均有显著提高。; 关键词窃电行为无监督学习深度自编码器高斯混合模型增广迪基-福勒检验解耦; Keywords stealing electricity unsupervised learning deep auto-encoder Gaussian mixture model augmented Dickey Fuller test decoupling; 分类号 TM73 [电气工程—电力系统及自动化] TP18 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于主成分分析和深度自编码高斯混合模型的无监督异常数据检测方法研究被引量：3: 5; 作者刘翔宇朱诗兵杨帆; 机构航天工程大学; 出处《现代电子技术》 2023年第3期75-80,共6页; 基金部委重点项目(1900)。; 文摘在异常数据检测中,由于数据量过大和数据特征维度过高,往往会导致数据标定困难、数据冗余、算法效率降低等。针对以上问题,将主成分分析(PCA)特征选择算法与深度自编码高斯混合模型(DAGMM)相结合,提出一种新的无监督异常数据检测方法PCA-DAGMM。该方法首先利用PCA特征选择算法对数据进行预处理,去除对分类效果增益较小的冗余数据,降低运算成本;然后将特征选择后的数据输入到DAGMM模型中进行训练。基于kddcup99数据集和CIC-IDS-2017数据集进行实验,并与多种特征选择算法进行对比,实验结果表明,PCA-DAGMM方法可以有效优化分类器性能,提高分类器训练效率,适用于解决网络流量异常检测问题,F1指数在kddcup99数据集和CIC-IDS-2017数据集上比DAGMM模型分别提高了4.37%和1.06%,训练时间减少了14.43%和8%。; 关键词无监督异常数据检测主成分分析特征选择深度自编码高斯混合模型密度估计联合训练; Keywords unsupervised anomaly data detection PCA feature selection DAGMM density estimation joint training; 分类号 TN919-34 [电子电信—通信与信息系统]; 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	基于结构感知混合编码模型的代码注释生成方法	蔡瑞初张盛强许柏炎	《计算机工程》 CAS CSCD 北大核心	2023	3	在线阅读下载PDF 职称材料
2	基于变分自编码高斯混合模型的发电企业串谋智能预警	华回春邓彬刘哲张立峰	《电力系统自动化》 EI CSCD 北大核心	2022	5	在线阅读下载PDF 职称材料
3	基于混合变分自编码器回归模型的软测量建模方法	崔琳琳沈冰冰葛志强	《自动化学报》 EI CAS CSCD 北大核心	2022	9	在线阅读下载PDF 职称材料
4	基于深度自编码器高斯混合模型的窃电行为检测	刘钊瑞高云鹏郭建波李云峰顾德喜文一章	《电力系统保护与控制》 EI CSCD 北大核心	2022	15	在线阅读下载PDF 职称材料
5	基于主成分分析和深度自编码高斯混合模型的无监督异常数据检测方法研究	刘翔宇朱诗兵杨帆	《现代电子技术》	2023	3	在线阅读下载PDF 职称材料