基于LSTM的气温数据建模研究

气温数据是一种时间序列数据,具有明显非平稳波动特征.对气温数据进行建模可以对气温变化进行分析.针对时间序列模型预测精度不高的问题,提出了 一种长短时记忆网络(Long Short-Term Memory Recurrent Neural Network,LSTM)气温预测模型对昆明每天的最高温度进行预测,对不同模型进行...     

基于深度学习的全球电离层TEC预测

电离层总电子含量(total electron content,TEC)是卫星时代以来最重要的电离层参数,具有重要的理论意义和应用价值.文中提出了一种基于深度学习方法的全球电离层TEC预测模型,采用编码器-解码器结构配合卷积优化的长短时记忆(long short-term memory,LSTM)网络来实现全球TEC的...     

一种基于深度学习的强对抗性Android恶意代码检测方法

针对现有Android恶意代码检测方法容易被绕过的问题,提出了一种强对抗性的Android恶意代码检测方法.首先设计实现了动静态分析相结合的移动应用行为分析方法,该方法能够破除多种反分析技术的干扰,稳定可靠地提取移动应用的权限信息、防护信息和行为信息.然后,从上述信息中提取出能够抵御模拟攻击的能力特征和行为特征,并利用一个基于长短时记忆网络（Long Short-Term Memory,LSTM）的神经网络模型实现恶意代码检测.最后通过实验证明了本文所提出方法的可靠性和先进性.     

融入注意力机制的深度学习动作识别

针对现有的深度学习方法在人体动作识别中易出现过拟合、易受到干扰信息影响、特征表达能力不足的问题,提出了一种融入注意力机制的深度学习动作识别方法.该方法在数据预处理中提出了视频数据增强算法,降低了模型过拟合的风险,然后在视频帧采样过程中对现有的采样算法进行了改进,有效抑制了干扰信息的影响,并在特征提取部分提出了融入注意力的残差网络,提高了模型的特征提取能力;之后,利用长短时记忆(Long Short-Term Memory,LSTM)网络解决了空间特征的时序关联问题;最后,通过Softmax完成了相应动作的分类.实验结果表明,在UCF YouTube、KTH和HMDB-51数据集上,所提方法的识别率分别为96.72％、98.06％和64.81％.     

基于深度学习的英语口语自动评分研究

为提高英语口语学习效率，在研究了深度神经网络、声学模型、自动语音评分基础上，设计了一种基于深度学习的端到端自动英语评分系统。在输入层，将词汇表示为一个序列张量，其中每个位置对应于来自预先训练的词汇向量，并采用双向LSTM网络得到高层信息。在声学模型层，文中将注意力机制模型融入网络，从而提高系统运行效率。在输出层，将词汇的表示方式与口语表达连接起来，并利用softmax函数对成绩进行预测。通过仿真分析，结果表明所提方法较传统LSTM、GRU方法性能有所提升。仿真结果进一步验证了所提系统的有效性。     

一种基于深度学习的数据预测方法

随着深度学习的发展,基于深度学习的数据预测将发挥至关重要的作用。准确的数据预测结果不仅对系统的调度运行和生产有很大影响,而且有助于提高系统的稳定性和安全性。但在进行多变量时序预测时,传统时间序列方法所预测出的结果误差较大,训练时间也较长。针对以上缺陷,本文使用一种基于深度学习神经网络的多变量时序数据预测方法,该方法基于长短期记忆(LSTM)神经网络,并使用该方法对某地电力负荷值进行预测。通过实验证明本文所提出的方法预测结果较为精准。     

融合LSTM的深度强化学习视觉导航

针对目标驱动的视觉导航系统中由于导航的场景变化而导致智能体导航性能大大减弱的问题,提出了一种基于长短时记忆网络(Long Short-Term Memory, LSTM)的深度强化学习(Deep Reinforcement Learning, DRL)视觉导航模型。该模型通过输入当前状态和目标状态的RGB图像来实现视觉导航,在改进原有目标驱动视觉导航模型的基础上,基于历史状态信息,结合LSTM和通用后继表征(Universal Successor Representations, USR)对未来动作决策。在AI2-THOR仿真环境下进行实验,实验结果表明,所提出的模型训练智能体导航性能优异,与其他几种模型相比,平均路径长度减少约6%,平均碰撞率减少40%,模型收敛速度较快。     

基于深度学习网络的红外网络节点异常状态识别研究

为准确识别红外网络节点状态,提出了基于深度学习网络的红外网络节点异常状态识别方法。利用红外网络节点采集模块采集节点状态数据,确定可视层与隐含层神经元数量,利用贪婪算法训练过程重构训练样本,通过微调过程优化深度置信网络,完成深度置信网络训练,提取红外网络节点状态数据特征,将状态数据特征作为球心,计算识别红外网络节点状态数据同球心的半径,根据结果是否异常状态。仿真测试结果,本文方法可有效识别红外网络节点异常状态,红外网络节点异常状态识别精度高。     

基于深度学习的海上目标一维序列信号目标检测方法

当前海面目标检测方法多基于统计理论,检测性能受背景统计特性假设的影响,本文从信号预测和特征分类两个角度,分别采用长短时记忆网络(LSTM)和卷积神经网络(CNN)对信号时间序列幅度信息进行处理,用于海上目标一维序列雷达信号检测,该方法不需事先假设背景统计特性,泛化能力更强。基于LSTM序列预测的目标检测方法通过用海杂波信号幅度时间序列对网络进行训练,再用训练后的网络对后续序列进行预测,并与后续实测信号进行比较,实现目标检测。基于CNN序列分类的目标检测方法中采用截取的海杂波信号和目标信号幅度序列作为数据集样本,对一维卷积核CNN进行训练,使其具有识别目标杂波信号特征能力,从而实现目标检测。最后,采用IPIX和CSIR实测海杂波数据对两种方法进行验证,结果表明两种方法均可实现一维序列信号中海面目标的检测,但LSTM预测方法对于长序列检测的实时性有待于进一步提高;CNN分类方法可实现实时检测,但仅利用信号幅度信息,检测性能仍需进一步提升。     

基于SARIMA-LSTM组合模型的网络流量预测方法

针对网络流量预测问题,提出一种基于SARIMA和LSTM组合模型的网络流量预测方法。首先,利用S-HESD算法对异常流量数据进行检测,并通过滑动窗口均值进行数据平滑处理;然后,利用基于统计学习的SARIMA模型预测流量数据,并将其作为LSTM神经网络的输入,最终输出流量预测值。实验结果表明,SARIMA-LSTM组合模型能充分呈现骨干网、城域网、边缘接入网等不同层级网络的周期性和趋势性等特点,优于SARIMA、LSTM等单一模型。     

基于双向长短时记忆网络的配电网关键线路单调性规律提取

针对可再生能源发电不断并入配电网,配电网出现双向流动的有功潮流,使配电网输电线路的有功潮流越来越不确定的问题,把握配电网关键线路的有功输电规律对于保证输电安全、防止大面积停电事故的发生具有重要意义.对此,在量测环境下,提出了基于双向长短期记忆网络的配电网关键线路单调性规律提取方法.首先,建立了配电网输电网潮流计算模型;...     

大规模光纤网络异常节点数据深度挖掘方法研究

为解决常用光纤网络异常节点数据挖掘方法耗时长、精度低的问题,提出一种可应用于大规模光纤网络的异常节点数据深度挖掘方法。预处理光纤网络节点数据,提取信息熵特征,并对数据进行降维操作,引入随机森林算法,通过自助采样形成多个随机样本空间,通过投票机制合并处理并输出树群中各棵子树光纤网络异常节点数据深度挖掘结果,实现光纤网络异常节点挖掘。实验结果表明,所提方法的精确度高达99.8%,耗时仅为9.2 min,漏检率为0.12%,因此,该方法可以获取高效率、高精度的光纤网络异常节点数据深度挖掘结果。     

大规模电力工程数据价值深度挖掘算法设计研究

针对传统电力工程数据处理方法中存在的不可追溯且不易统一管理等问题,文中基于数据挖掘的思想提出了一种电力工程数据价值分析预测模型。该模型采用Boosting算法将多个预测树结构组合形成极端梯度提升树模型,从而实现对非线性数据的深入分析,且经过多次迭代后,可以使训练准确度与学习效果得到显著提升。通过采用改进的双向长短时记忆网络,增强了模型处理时序性数据的能力。同时还使用误差倒数法将两个算法模型相结合,使其具有更高的预测精度。在实验测试中,所提算法的预测结果更贴近实际值,且其MAPE及RMSE测试指标分别为0.201%和0.039%,在所有对比算法中均为最优,可以对电力工程数据价值进行准确的分析和预测。     

基于深度学习的光纤网络链路缺陷数据检测及研究

为保证光纤网络的正常通信,有必要进行缺陷数据检测.然而,由于数据的不平衡性,导致检测质量受到影响.针对上述问题,研究一种基于深度学习的光纤网络链路缺陷数据检测方法.该方法先进行光纤网络链路缺陷数据预处理,包括去噪处理、插值、均衡处理、尺度处理、时长处理等,提高数据质量,然后利用基于规则迭代的方法进行时间序列特征提取,包...     

基于深度学习的自动抠图技术研究

针对计算技术视觉中的抠图问题,分析利用人工智能技术进行自动抠图的实现方法,通过深度学习技术结合大数据的优势实现端到端的精准抠图。首先,列出抠图技术在生活中的应用场景;然后,介绍抠图任务的目标和实质,并将抠图与图像分割进行对比分析;接下来重点介绍近年来利用深度卷积网络实现自动抠图的五类模型和算法,分析其在模型结构、数据集构建、模型训练方面的不同特点和实现方法;最后,归纳总结基于深度学习的自动抠图方法和精细的抠图数据集的创建方法。     

基于面部深度空时特征的抑郁症识别算法

针对提取抑郁症患者人脸图像判别性特征困难的问题,提出基于残差注意力网络和金字塔扩大卷积长短时记忆(Convolutional Long Short-Term Memory,ConvLSTM)网络提取人脸图像空时特征的抑郁症识别算法。首先构建残差注意力网络提取人脸图像不同权值的空间特征,其次基于ConvLSTM网络加入金字塔扩大策略对所得空间特征提取不同尺度的时间特征,最后将空时特征输入DNN网络实现抑郁量表得分的回归分析。在AVEC 2013和AVEC 2014的测试集上进行验证,结果显示在两个数据集上,所提算法抑郁程度预测值与真实值之间的MAE值和RMSE值均优于基于手工特征的方法和基于手工特征+深度特征的方法。以深度特征方面的双流CNN算法的对比为例,在AVEC 2013数据集上,MAE值的识别精度提高了10%,RMSE值的识别精度提高了9%,在AVEC 2014数据集上,MAE值识别精度提高了13%,RMSE值的识别精度提高了7%。可见,该算法能有效提高抑郁症的识别精度。     

基于深度学习的配电网无线通信入侵检测系统

在采用无线通信接入的配电网中,入侵检测系统（IDS）通过分析通信网中传输数据来判断入侵事件.为提高检测的准确性,本文将深度学习理论应用于IDS,提出了一种面向配电网无线通信网络新型入侵检测系统,由带有门控循环单元、多层感知器和Softmax的循环神经网络组成.攻击测试基准实验结果表明IDS防御的有效性,在KDD99测试数据集上,其误报率为0.06%,总检出率为96.43%;在NSL-KDD测试数据集上,其误报率低至0.86%,总检出率则为99.33%.     

基于深度学习的船舶数据向量模型研究

近年来,航运信息化建设进程加速发展,然而由于各单位在船舶信息管理上的不统一,导致收集到的数据存在大量的相似重复数据。如果直接使用这部分数据进行数据分析,会对最终结果造成严重影响。为了解决对重复数据的检测问题,文章基于深度学习,融合FastText向量模型、BERT模型以及LDA模型,搭建多语义融合模型,对船舶数据进行向量构建,使得生成的向量包含信息更全面,提升重复检测准确率,提高船舶数据清洗效率。