当前推特等国外社交平台,已成为从事网络黑灰产犯罪不可或缺的工具,对推特上黑灰产账号进行发现、检测和分类对于打击网络犯罪、维护社会稳定具有重大意义。现有的推文分类模型双向长短时记忆网络(bi-directional long short-term memor...当前推特等国外社交平台,已成为从事网络黑灰产犯罪不可或缺的工具,对推特上黑灰产账号进行发现、检测和分类对于打击网络犯罪、维护社会稳定具有重大意义。现有的推文分类模型双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)可以学习推文的上下文信息,却无法学习局部关键信息,卷积神经网络(convolution neural network,CNN)模型可以学习推文的局部关键信息,却无法学习推文的上下文信息。结合BiLSTM与CNN两种模型的优势,提出了BiLSTM-CNN推文分类模型,该模型将推文进行向量化后,输入BiLSTM模型学习推文的上下文信息,再在BiLSTM模型后引入CNN层,进行局部特征的提取,最后使用全连接层将经过池化的特征连接在一起,并应用softmax函数进行四分类。模型在自主构建的中文推特黑灰产推文数据集上进行实验,并使用TextCNN、TextRNN、TextRCNN三种分类模型作为对比实验,实验结果显示,所提的BiLSTM-CNN推文分类模型在对四类推文进行分类的宏准确率为98.32%,明显高于TextCNN、TextRNN和TextRCNN三种模型的准确率。展开更多
光伏发电功率受气象因素的影响呈现出不稳定性和间歇性,准确预测光伏功率有助于实现大规模并网并保障电网的稳定运行。以澳大利亚DKASC Solar Centre光伏电站数据为研究对象,提出一种基于气象相似日的变分模态分解算法、长鼻浣熊算法和...光伏发电功率受气象因素的影响呈现出不稳定性和间歇性,准确预测光伏功率有助于实现大规模并网并保障电网的稳定运行。以澳大利亚DKASC Solar Centre光伏电站数据为研究对象,提出一种基于气象相似日的变分模态分解算法、长鼻浣熊算法和双向长短期记忆神经网络(VMD-COA-BiLSTM)的光伏功率短期预测模型。针对光伏数据的复杂非线性特征、噪声干扰以及高维特征等问题,通过K均值聚类将数据划分为3种天气类型,增强模型映射能力;利用VMD将聚类之后的原始信号分解,采用中心频率法确定最佳模态数,充分提取集合中的输入因素信息,提高数据质量;将分解后的各分量分别输入BiLSTM网络进行预测,采用COA优化BiLSTM的超参数配置,实现不同天气类型下的光伏功率的准确预测。结果表明:K均值聚类和VMD算法有效提升了数据质量,增强了输入、输出数据的耦合强度;COA优化BiLSTM模型在优化能力和收敛速度上均优于粒子群算法(PSO);所提出的VMD-COA-BiLSTM模型在晴天、多云和阴雨天的RMSE分别降低了35.24%,45.54%和42.88%,显著提高了预测精度,且能适应不同环境下的可靠预测。展开更多
滚动轴承作为机械设备的重要部件,对其进行剩余使用寿命预测在企业的生产过程中变得越来越重要。目前,虽然主流的卷积神经网络(convolutional neural network, CNN)可以自动地从轴承的振动信号中提取特征,却不能给特征分配不同的权重来...滚动轴承作为机械设备的重要部件,对其进行剩余使用寿命预测在企业的生产过程中变得越来越重要。目前,虽然主流的卷积神经网络(convolutional neural network, CNN)可以自动地从轴承的振动信号中提取特征,却不能给特征分配不同的权重来提高模型对重要特征的关注程度,对于长时间序列容易丢失重要信息。另外,神经网络中隐藏层神经元个数、学习率以及正则化参数等超参数还需要依靠人工经验设置。为了解决上述问题,提出基于灰狼优化(grey wolf optimizer, GWO)算法、优化集合CNN、双向长短期记忆(bidirectional long short term memory, BiLSTM)网络和注意力机制(Attention)轴承剩余使用寿命预测方法。首先,从原始振动信号中提取时域、频域以及时频域特征指标构建可选特征集;然后,通过构建考虑特征相关性、鲁棒性和单调性的综合评价指标筛选出高于设定阈值的轴承退化敏感特征集,作为预测模型的输入;最后,将预测值和真实值的均方误差作为GWO算法的适应度函数,优化预测模型获得最优隐藏层神经元个数、学习率和正则化参数,利用优化后模型进行剩余使用寿命预测,并在公开数据集上进行验证。结果表明,所提方法可在非经验指导下获得最优的超参数组合,优化后的预测模型与未进行优化模型相比,平均绝对误差与均方根误差分别降低了28.8%和24.3%。展开更多
文摘光伏发电功率受气象因素的影响呈现出不稳定性和间歇性,准确预测光伏功率有助于实现大规模并网并保障电网的稳定运行。以澳大利亚DKASC Solar Centre光伏电站数据为研究对象,提出一种基于气象相似日的变分模态分解算法、长鼻浣熊算法和双向长短期记忆神经网络(VMD-COA-BiLSTM)的光伏功率短期预测模型。针对光伏数据的复杂非线性特征、噪声干扰以及高维特征等问题,通过K均值聚类将数据划分为3种天气类型,增强模型映射能力;利用VMD将聚类之后的原始信号分解,采用中心频率法确定最佳模态数,充分提取集合中的输入因素信息,提高数据质量;将分解后的各分量分别输入BiLSTM网络进行预测,采用COA优化BiLSTM的超参数配置,实现不同天气类型下的光伏功率的准确预测。结果表明:K均值聚类和VMD算法有效提升了数据质量,增强了输入、输出数据的耦合强度;COA优化BiLSTM模型在优化能力和收敛速度上均优于粒子群算法(PSO);所提出的VMD-COA-BiLSTM模型在晴天、多云和阴雨天的RMSE分别降低了35.24%,45.54%和42.88%,显著提高了预测精度,且能适应不同环境下的可靠预测。
文摘滚动轴承作为机械设备的重要部件,对其进行剩余使用寿命预测在企业的生产过程中变得越来越重要。目前,虽然主流的卷积神经网络(convolutional neural network, CNN)可以自动地从轴承的振动信号中提取特征,却不能给特征分配不同的权重来提高模型对重要特征的关注程度,对于长时间序列容易丢失重要信息。另外,神经网络中隐藏层神经元个数、学习率以及正则化参数等超参数还需要依靠人工经验设置。为了解决上述问题,提出基于灰狼优化(grey wolf optimizer, GWO)算法、优化集合CNN、双向长短期记忆(bidirectional long short term memory, BiLSTM)网络和注意力机制(Attention)轴承剩余使用寿命预测方法。首先,从原始振动信号中提取时域、频域以及时频域特征指标构建可选特征集;然后,通过构建考虑特征相关性、鲁棒性和单调性的综合评价指标筛选出高于设定阈值的轴承退化敏感特征集,作为预测模型的输入;最后,将预测值和真实值的均方误差作为GWO算法的适应度函数,优化预测模型获得最优隐藏层神经元个数、学习率和正则化参数,利用优化后模型进行剩余使用寿命预测,并在公开数据集上进行验证。结果表明,所提方法可在非经验指导下获得最优的超参数组合,优化后的预测模型与未进行优化模型相比,平均绝对误差与均方根误差分别降低了28.8%和24.3%。
