针对高压直流(high voltage direct current,HVDC)输电线路故障暂态行波具有时序性和强非线性的特点,导致高过渡电阻情况下故障识别率低的问题,提出基于卷积神经网络(convolutional neural networks,CNN)和双向循环门单元(bidirectional...针对高压直流(high voltage direct current,HVDC)输电线路故障暂态行波具有时序性和强非线性的特点,导致高过渡电阻情况下故障识别率低的问题,提出基于卷积神经网络(convolutional neural networks,CNN)和双向循环门单元(bidirectional gate recurrent unit,BiGRU)的HVDC输电线路故障识别方法。首先,采用故障后整流侧的双极暂态电流行波作为特征向量,利用CNN提取全局特征,并从中剔除噪声和不稳定成分,完成对数据的降维处理。然后,采用BiGRU来捕获CNN提取到特征的前后时间信息,进一步提取数据中的时序特征,以实现HVDC输电线路故障识别。仿真结果表明:该方法可在不同故障地点以及不同过渡电阻下对单极接地、双极短路、雷击故障、雷击干扰共四种故障实现准确识别,可靠性高,具有较强的耐受过渡电阻能力,同时具备一定的抗噪性能。展开更多
近年来,入侵检测技术在网络安全中扮演着越来越重要的角色。目前的入侵检测模型所用的方法大部分是基于传统机器学习的浅层方法。浅层机器学习方法不能有效发掘数据特征,在入侵检测中存在一定的局限性。为此,论文提出了一种深度学习模型...近年来,入侵检测技术在网络安全中扮演着越来越重要的角色。目前的入侵检测模型所用的方法大部分是基于传统机器学习的浅层方法。浅层机器学习方法不能有效发掘数据特征,在入侵检测中存在一定的局限性。为此,论文提出了一种深度学习模型,该模型结合了多头注意力(multiHead attention)和双向门循环单元(BiGRU)。模型使用多头注意力和双向门循环单元从空间和时间上处理网络攻击流量,有效缓解模型复杂性,同时增加模型表现力。此外,使用最大池化方法(maxpooling)来平衡训练速度和性能,不但可以提取序列的边缘特征,还能帮助扩大感受野,由于数据不平衡会影响模型性能表现,因此使用随机过采样(Random Over Sampling)方法来处理数据不平衡的问题。实验基于UNSW-NB15数据集和CIC-IDS2017数据集,并使用准确率(Accuracy)、精确率(Precision)、召回率(Recall)和f1分数作为评估指标。实验结果表明,模型性能优秀。展开更多
文摘针对高压直流(high voltage direct current,HVDC)输电线路故障暂态行波具有时序性和强非线性的特点,导致高过渡电阻情况下故障识别率低的问题,提出基于卷积神经网络(convolutional neural networks,CNN)和双向循环门单元(bidirectional gate recurrent unit,BiGRU)的HVDC输电线路故障识别方法。首先,采用故障后整流侧的双极暂态电流行波作为特征向量,利用CNN提取全局特征,并从中剔除噪声和不稳定成分,完成对数据的降维处理。然后,采用BiGRU来捕获CNN提取到特征的前后时间信息,进一步提取数据中的时序特征,以实现HVDC输电线路故障识别。仿真结果表明:该方法可在不同故障地点以及不同过渡电阻下对单极接地、双极短路、雷击故障、雷击干扰共四种故障实现准确识别,可靠性高,具有较强的耐受过渡电阻能力,同时具备一定的抗噪性能。
文摘近年来,入侵检测技术在网络安全中扮演着越来越重要的角色。目前的入侵检测模型所用的方法大部分是基于传统机器学习的浅层方法。浅层机器学习方法不能有效发掘数据特征,在入侵检测中存在一定的局限性。为此,论文提出了一种深度学习模型,该模型结合了多头注意力(multiHead attention)和双向门循环单元(BiGRU)。模型使用多头注意力和双向门循环单元从空间和时间上处理网络攻击流量,有效缓解模型复杂性,同时增加模型表现力。此外,使用最大池化方法(maxpooling)来平衡训练速度和性能,不但可以提取序列的边缘特征,还能帮助扩大感受野,由于数据不平衡会影响模型性能表现,因此使用随机过采样(Random Over Sampling)方法来处理数据不平衡的问题。实验基于UNSW-NB15数据集和CIC-IDS2017数据集,并使用准确率(Accuracy)、精确率(Precision)、召回率(Recall)和f1分数作为评估指标。实验结果表明,模型性能优秀。
