- Years
- 2025(7)
- 2024(7)
- 2023(4)
- 2022(5)
- 2021(5)
- 2020(6)
- 2017(2)
- 2016(1)
- 2013(1)
- Affiliations
- Indexed by
- 中国科技论文与引文数据库(CSTPCD)(23)
- 北京大学中文核心期刊目录(北大核心)(18)
- 中国科学引文数据库(CSCD)(7)
- Journals
- 计算机工程与应用(4)
- 计算机与数字工程(3)
- 现代信息科技(2)
- 计算机工程(2)
- 中国机械工程(1)
- 噪声与振动控制(1)
- 四川大学学报(自然科学版)(1)
- 大连理工大学学报(1)
- 安徽大学学报(自然科学版)(1)
- 密码学报(1)
- Affiliations
- Affiliations
- 江苏科技大学(2)
- 上海大学(1)
- 上海海事大学(1)
- 中国民航大学(1)
- 中国科学技术大学(1)
- 华北电力大学(1)
- 四川大学(1)
- 大连理工大学(1)
- 山西师范大学(1)
- 昆明理工大学(1)
- Affiliations
- Languages
- 汉语(38)
- Keywords
- 数据不平衡(38)
- 生成对抗网络(6)
- 故障诊断(5)
- 卷积神经网络(3)
- 滚动轴承(3)
- 集成学习(3)
- 入侵检测(2)
- 损失函数(2)
- 残差网络(2)
- 注意力机制(2)
- Affiliations
- Authors
- 乔钰彬(1)
- 于化龙(1)
- 何戡(1)
- 侯维岩(1)
- 冯国金(1)
- 冯明文(1)
- 冯照石(1)
- 刘亮(1)
- 刘文远(1)
- 刘昌林(1)
- Affiliations
Relevance
- Relevance
- Publication time
10 per page
- 10 per page
- 20 per page
- 30 items are displayed on each page
38 Articles
- 基于CK-means与CatBoost算法的电力系统暂态稳定评估CSTPCD
- 基于CVAE-CatBoost的工业控制网络异常流量检测研究CSTPCDAbstract:为解决工业控制网络异常流量检测中存在的数据分布不均衡、现有模型检测率低的问题,提出一种基于条件变分自编码器(CVAE)和CatBoost算法的异常流量检测模型.CVAE引入标签信息作为约束条件,控制生成样本的类别.CatBoost算法通过引入无偏估计克服梯度偏差,提高预测的准确性,同时采用多种树的生长方式降低过拟合的风险.使用CVAE进行数据增强,扩充稀有攻击样本,构建分布均匀的平衡数据集.将CatBoost算法作为异常流量检测模型,…More>>
- 基于SMOTE+ENN的个人信用评估方法CSTPCD
- 融合改进堆叠编码器和多层BiLSTM的入侵检测模型北大核心
- 基于CTGAN-CRS与改进卷积神经网络的变压器故障诊断方法北大核心Abstract:为了提升油中溶解气体数据不平衡场景下的电力变压器故障诊断性能,文中提出了一种基于数据增强与特征扩增结合卷积神经网络进行变压器故障诊断的方法.首先,建立一种基于条件式表格生成对抗网络(conditional tabular generative adversarial network,CTGAN)结合级联式拒绝采样(cascade reject sampling,CRS)的数据增强方法,以实现不平衡数据集的高质量均衡化;其次,构建了一种…More>>
- 混合特征平衡图注意力网络日志异常检测模型北大核心
- 不平衡数据下基于改进门控卷积网络的轴承故障诊断北大核心CSTPCDAbstract:深度学习在滚动轴承故障诊断中具有广泛的应用,然而,现实中的监测数据往往具有不平衡性,这就会对模型的诊断性能产生很大影响。因此,提出一种基于改进门控卷积神经网络(Improved Gated Convolutional Neural Network,IGCNN)的故障诊断方法,用于数据不平衡条件下的故障诊断。首先,提出改进门控卷积层以增强特征提取能力,通过批量归一化技术提高模型的泛化能力。然后,使用标签分布感知边界(Label-dist…More>>
- 数据不平衡故障诊断:一种预训练数据增强方法
- 基于MSSMOTE-CNN模型的空调冷水机组故障诊断CSTPCDAbstract:针对冷水机组运行过程中数据类别不平衡问题,提出基于马氏距离进行“三角”区域插值的MSSMOTE方法对故障数据进行扩充,将得到的数据输入CNN模型进行训练,实现对冷水机组中7种故障的诊断。在不同扩充比例下和同一种数据类型下分别进行仿真测试,结果显示:在扩充比例为4时,MSSMOTE-CNN模型对于正常样本测试的准确率和F 1-score分别达到0.961和0.971,能够较准确识别出冷水机组的故障类型。
- 偏置判别SVM预测microRNA靶基因CSTPCD