专利交易市场

一种基于深度信念网络和迁移学习的隐匿虚假数据注入攻击检测方法，针对电力系统中的隐匿FDI攻击真实测量值与模拟测量值存在一定差异的问题，提出了基于深度信念网络和迁移学习的检测机制。首先利用深度信念网络中的自学习网络对目标域海量无标签真实样本进行特征自学习，再用海量源域模拟样本对DBN模型进行再训练；随后将参数迁移到目标域网络并冻结，增加或替换隐藏层，利用少量目标域有标签样本完成对适配层的训练；最后取消冻结,再次利用少量目标域有标签样本进行全网络微调得到合适的检测模型。本发明所提方法不仅能够有效的检测隐匿虚假数据注入攻击，而且具有较好的泛化性。

本发明公开了一种基于深度信念网络的高压断路器故障诊断方法，具体步骤为，步骤1：选取实验所需的数据样本，将统一标准化后的样本数据按照特定比例分为测试样本和训练样本。步骤2：搭建并初始化DBN深度信念网络故障诊断模型。步骤3：将预训练集中的大量无标签样本或去标签样本从模型底部输入，采用逐层无监督贪婪学习对模型中RBM进行预训练；步骤4：采用遗传算法对整个模型进行微调，步骤5，将训练获得的高压断路器故障诊断模型对步骤1中的测试集样本进行故障分类，得出故障分类结果，并统计模型诊断准确率。本发明的一种基于深度信念网络的高压断路器故障诊断方法，能够对大数据量样本进行训练，来实现高压断路器故障诊断功能。

本发明公开了一种基于深度信念网络的非线性加权组合风电功率预测方法，属于电力系统风电功率预测技术领域。为了解决当下风电功率预测精度较低的问题，利用分解策略、非线性加权组合以及深度学习模型建立一种新的组合预测模型。首先采用结合重建误差率的变分模态分解VMD技术对原始风电功率序列进行分解，提取局部特征；然后，利用长短期记忆神经网络和基于粒子群优化的深度信念网络构建子预测模型。最后，采用基于粒子群优化的深度信念网络PSO‑DBN的非线性加权组合方法对多个子预测模型进行组合，建立短期风电功率预测的组合模型，进一步提高了风电功率预测的准确性和稳定性。

本发明公开了一种基于多深度信念网络的磁共振MRI前列腺3D图像分割方法。主要解决现有技术因人工选择特征，导致分割精度低的问题。其实现方案是:根据患者图像获取每个患者的数据集，将每个患者数据集分为三部分；用这三部分训练集分别训练三个结构相同的深度信念网络和三个softmax分类器；将三个测试集输入到三个网络中；用三个softmax分类器对三个网络的输出进行分割，并将三个测试集的分割结果依次叠加，得到测试集的初分割结果；使用三维形态学对测试集初分割结果进行处理，得到最终的分割结果。本发明无需人工选择，能有效利用磁共振MRI序列图像上下层的信息特征，提高了分割的准确率。