在电网故障诊断领域,传统的诊断方法主要依赖于专家经验设计诊断规则,由此提出一种新的电网故障诊断方法,从电网告警信息中提取故障特征,从而实现对电网故障类型的准确识别。构建电网告警信息样本数据集,并通过结合Word2vec和GloVe(glob...在电网故障诊断领域,传统的诊断方法主要依赖于专家经验设计诊断规则,由此提出一种新的电网故障诊断方法,从电网告警信息中提取故障特征,从而实现对电网故障类型的准确识别。构建电网告警信息样本数据集,并通过结合Word2vec和GloVe(global vectors for word representation),构建告警信息集的词向量;使用文本卷积神经网络(TextCNN)和双向长短期记忆(BiLSTM)提取告警信息中的故障特征信息;利用注意力机制关注对故障类型识别更关键的告警信息文本;采用Focal Loss处理数据集中的类不平衡问题,模型最终输出识别的电网故障类型。在中国某电网公司的真实数据集上进行实验,结果表明,所提出的模型的Macro-F_(1)分数达到了93.1%,优于其他8个分类模型,验证了所提出的方法的有效性。展开更多
针对现有智能合约漏洞检测方法准确率低以及对合约源代码特征提取不足的问题,该文提出一种基于预训练BERT模型(Bidirectional Encoder Representations from Transformer,BERT)和混合神经网络串行的智能合约漏洞检测方案SCVD-PBHNN。首...针对现有智能合约漏洞检测方法准确率低以及对合约源代码特征提取不足的问题,该文提出一种基于预训练BERT模型(Bidirectional Encoder Representations from Transformer,BERT)和混合神经网络串行的智能合约漏洞检测方案SCVD-PBHNN。首先,对源代码进行数据预处理,去除冗余信息,保留源代码中的关键语句信息;其次,利用BERT模型替换了传统的静态词嵌入模型,深入挖掘智能合约源代码的语义特征;然后,结合文本卷积神经网络(Text Convolutional Neural Network,TextCNN)和双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)混合神经网络构建特征提取层,对传入的词向量进行训练,充分提取源代码上下文信息和局部关键特征;最后,通过激活函数对特征向量进行归一化处理,实现漏洞检测与识别。实验结果表明,该方案在准确率、精确率、召回率以及F1值等评价指标上相比已有方案均有明显提升,能准确识别四种常见的漏洞,准确率分别为94.40%、93.72%、96.29%、93.53%。展开更多
文摘在电网故障诊断领域,传统的诊断方法主要依赖于专家经验设计诊断规则,由此提出一种新的电网故障诊断方法,从电网告警信息中提取故障特征,从而实现对电网故障类型的准确识别。构建电网告警信息样本数据集,并通过结合Word2vec和GloVe(global vectors for word representation),构建告警信息集的词向量;使用文本卷积神经网络(TextCNN)和双向长短期记忆(BiLSTM)提取告警信息中的故障特征信息;利用注意力机制关注对故障类型识别更关键的告警信息文本;采用Focal Loss处理数据集中的类不平衡问题,模型最终输出识别的电网故障类型。在中国某电网公司的真实数据集上进行实验,结果表明,所提出的模型的Macro-F_(1)分数达到了93.1%,优于其他8个分类模型,验证了所提出的方法的有效性。
