期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
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：
4
1
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...
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。
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
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：
2
2
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...
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%。
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
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：
11
3
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...
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。
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
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：
4
1
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]
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：
2
2
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]
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：
11
3
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]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
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
4
下载PDF
职称材料
2
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
2
下载PDF
职称材料
3
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
11
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
