-
题名基于特征选择策略和TCN的电力负荷预测方法
- 1
-
-
作者
袁文辉
张仰飞
-
机构
南京工程学院电力工程学院
-
出处
《信息技术》
2024年第4期9-14,21,共7页
-
基金
国家自然科学基金(52107098)。
-
文摘
电力负荷由于受到多种外部因素影响,具有较大的波动性和随机性,使得高精度的负荷预测十分困难。为有效处理高维特征以提高模型预测精度,提出了一种基于特征选择策略和时间卷积神经网络的电力负荷预测方法。首先,采用基于极端梯度提升树的特征选择策略,深度挖掘与负荷关联性强的特征作为预测模型的输入;其次,构建基于时间卷积神经网络(TCN)的电力负荷预测模型,对特征选择后的负荷数据进行预测;最后,采用某市真实负荷数据进行仿真分析。结果表明,文中所提方法与传统预测方法相比,具有更高的预测精度。
-
关键词
多维特征
负荷预测
极端梯度提升树
特征选择策略
时间卷积神经网络
-
Keywords
multidimensional characteristics
load forecasting
eXtreme Gradient Boosting(XGBoost)
feature selection strategy
temporal convolutional Network(TCN)
-
分类号
TM732
[电气工程—电力系统及自动化]
-
-
题名基于特征选择和时间卷积网络的工业控制系统入侵检测
被引量：14
- 2
-
-
作者
石乐义
侯会文
徐兴华
许翰林
陈鸿龙
-
机构
中国石油大学(华东)计算机科学与技术学院
中国石油大学(华东)海洋与空间信息学院
中国石油大学(华东)控制科学与工程学院
-
出处
《工程科学与技术》
EI
CSCD
北大核心
2022年第6期238-247,共10页
-
基金
国家自然科学基金项目(61772551)
山东省自然科学基金项目(ZR2019MF034)。
-
文摘
针对工业控制系统流量数据存在特征冗余及深度学习模型对较小规模数据集检测能力较差的问题,提出了一种基于特征选择和时间卷积网络的工业控制系统入侵检测模型。首先,对源域数据集的异常特征和样本不平衡数据进行处理,提高源域数据集质量。其次,针对流量数据的特征冗余,利用信息增益率和主成分分析法构建IGR–PCA特征选择算法,筛选出最优特征子集实现数据降维。然后,根据工业控制系统流量数据的时间序列特性,在较大规模的源域数据集上,利用时间卷积网络(temporal convolution network,TCN)对时间序列数据优异的处理能力,构建源域时间卷积网络预训练模型。最后,在较小规模的目标域数据集上,结合迁移学习(transfer learning,TL)微调策略,获取源域样本数据的流量特征,构建目标域TCN–TL模型。利用公开的工业控制系统数据集进行实验测试,实验结果表明:流量数据经本文特征算法处理后,相较于其他方法,在降低数据维度减少计算量的同时仍具有良好的检测效果;在较大规模的源域数据集和较小规模的目标域数据集上,本文模型均取得了良好的检测效果;在目标域中利用迁移学习微调策略能够学习到源域中的知识,模型检测准确率为99.06%;在训练时间对比中,本文模型训练时间消耗更少,具有更好的泛化能力,能够更好地保护工业控制系统安全。
-
关键词
工业控制系统
入侵检测
特征选择
时间卷积网络
迁移学习
-
Keywords
industrial control system
intrusion detection
feature selection
temporal convolutional network
transfer learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名利用可选择多尺度图卷积网络的骨架行为识别
- 3
-
-
作者
曹毅
李杰
叶培涛
王彦雯
吕贤海
-
机构
江南大学机械工程学院
-
出处
《电子与信息学报》
2025年第3期839-849,共11页
-
基金
国家自然科学基金(51375209)
江苏省“六大人才高峰”计划(ZBZZ-012)
高等学校学科创新引智计划(B18027)。
-
文摘
针对目前骨架行为识别方法忽视骨架关节点多尺度依赖关系和无法合理利用卷积核进行时间建模的问题,该文提出了一种可选择多尺度图卷积网络(SMS-GCN)的行为识别模型。首先,介绍了人体骨架图的构建原理和通道拓扑细化图卷积网络的结构;其次,构建成对关节邻接矩阵和多关节邻接矩阵以生成多尺度通道拓扑细化邻接矩阵,并引入图卷积网络,进一步提出多尺度图卷积(MS-GC)模块,以期实现对骨架关节点的多尺度依赖关系的建模;然后,基于多尺度时序卷积和可选择大核网络,提出可选择多尺度时序卷积(SMS-TC)模块,以期实现对有用的时间上下文特征的充分提取,同时结合MS-GC和SMS-TC模块,进而提出可选择多尺度图卷积网络模型并在多支流数据输入下进行训练;最后,在NTU-RGB+D和NTU-RGB+D 120数据集上进行大量实验,实验结果表明,该模型能够捕获更多的关节特征和学习有用的时间信息,具有优异的准确率和泛化能力。
-
关键词
骨架行为识别
图卷积网络
多尺度通道拓扑细化邻接矩阵
可选择多尺度时序卷积
可选择多尺度图卷积网络
-
Keywords
Skeleton-based action recognition
Graph convolutional Network(GCN)
multi-scale channel-wise topology refinement adjacency matrix
selective multi-scale temporal convolution
selective multi-scale graph convolutional network
-
分类号
TN911.73
[电子电信]
TP391.41
[电子电信—通信与信息系统]
-
