专利交易市场

本发明公开了一种基于栈式自编码器的非侵入式电力负荷识别方法，从构建电力负荷的负荷特征数据集到始输入数据样本点个数S的确定以及降维处理，再到建立栈式自编码器深度学习模型获得原始电力负荷电流的特征信息，最后采用机器学习深度学习中的Softmax函数对得到的原始电力负荷电流的特征信息进行处理，通过Softmax作为分类器对用电行为进行分类辨识，该方法解决了现有技术中在多负荷同时工作时辨识效果差，辨识速度慢的问题，解决了当场景中用电器有功无功功率接近，辨识效果差的问题，提高了电力负荷分解的准确性与分解效率。

本发明涉及一种基于神经网络堆叠自编码器多特征融合的声音识别方法。首先对原始声音数据进行分帧加窗，对分帧加窗后的数据分别提取其典型的时域线性预测倒谱系数与频域Mel频率倒谱系数特征；再对所提取的特征进行拼接，构建声信号的初步特征表示向量并创建训练特征库；然后采用多层神经网络堆叠自编码器进行特征融合与学习；该多层自编码器采用超限学习机算法学习训练；最后所提取的特征再采用超限学习机分类算法训练得到分类器模型；所构建的模型最后用于测试样本分类识别。本发明采用基于超限学习机多层神经网络堆叠自编码器的多特征融合，相比于传统单一特征提取方法，本发明具有更高的识别精度。

本发明提出了一种基于自适应堆叠胶囊自编码器的图像识别方法，包括：获取待分析的图像；构建自适应堆叠胶囊自编码器ASCAE；将待分析的图像输入到ASCAE中；利用ASCAE重建对象，并输出识别出的图像。所述ASCAE包括部件胶囊自编码器PCAE和对象胶囊自编码器OCAE，PCAE的解码器中设置了自适应模块AM。PCAE的解码器通过自适应模块AM将部件胶囊的图像特征映射到图像空间中，形成局部图像的图块，所述图块再通过几何变换改变姿态，最终形成重建图像。与SCAE的固定模板相比，自适应模块AM具有更强的表达复杂图像的能力，实验结果表明ASCAE能够提取出有效的图像特征信息，提高了分类准确率。

本发明提供了一种基于改进自编码器的特征提取及漏洞利用攻击检测方法。包括：步骤1，对采集的恶意流量进行数值化、标准化、归一化和矩阵化预处理操作；步骤2，应用基于改进自编码器的特征提取方法对预处理后的网络流量进行特征提取，以得到原始数据的最优特征表示；步骤3，将提取到的特征用于分类模型的训练，对不同的漏洞利用攻击行为进行分类识别；步骤4，根据步骤3所得的识别结果，得出漏洞利用攻击检测报告。本发明有效地避免自编码器各层神经元间训练参数过多的问题。

本发明公开一种基于栈式自编码器的尾气含硫物质浓度实时预测方法，旨在应用栈式自编码器解决尾气中硫物质浓度的在线预测问题，并且深度考虑栈式自编码器的无监督特性以及逐层特征提取的信息丢失问题。具体来讲，本发明方法通过在训练的过程，将栈式自编码器各层编码器的输出数据设定成硫物质浓度数据，从而解决了无监督型问题，此外，将各层自编码器的输入数据同时包含可实时测量的流量数据，从而避免信息丢失问题。与传统方法相比，本发明方法充分利用各层自编码器的输出估计值，使用最小二乘回归进一步提升软测量的精度，并且通过一个具体的应用案例验证了本发明方法相对于传统方法的优越性。