【摘 要】
：
针对工业信息物理系统面临的网络安全问题,研究了一种基于深度学习混合模型的入侵检测方案。该方案将基于深度信念网络的无监督学习策略与基于支持向量机的有监督学习策略相结合,以实现工业信息物理系统入侵检测的半监督学习。对原始数据进行归一化处理并采用深度信念网络进行数据降维后,利用支持向量机进行入侵检测。使用MATLAB工具进行仿真,对以Modbus作为通信协议的监控与数据采集系统的真实数据进行测试。结果表明,与深度信念网络、支持向量机等算法模型相比,深度学习混合模型能显著提高异常检测的准确度。
【机 构】
：
江南大学物联网工程学院,江南大学物联网技术应用教育部工程研究中心
【基金项目】
：
国家自然科学基金资助项目(61373126),中央高校基本科研业务费专项资金资助项目(JUSRP51510)。
论文部分内容阅读
针对工业信息物理系统面临的网络安全问题,研究了一种基于深度学习混合模型的入侵检测方案。该方案将基于深度信念网络的无监督学习策略与基于支持向量机的有监督学习策略相结合,以实现工业信息物理系统入侵检测的半监督学习。对原始数据进行归一化处理并采用深度信念网络进行数据降维后,利用支持向量机进行入侵检测。使用MATLAB工具进行仿真,对以Modbus作为通信协议的监控与数据采集系统的真实数据进行测试。结果表明,与深度信念网络、支持向量机等算法模型相比,深度学习混合模型能显著提高异常检测的准确度。
其他文献
针对现有室内节点异常定位不精确等问题,提出一种基于背景感知的异常节点定位检测算法.根据节点所处环境,将节点运动过程模拟为有限状态的转换,以检测无线网络环境中的异常节
针对压缩感知在电能质量信号压缩重构方面存在前期稀疏处理过程繁琐、观测矩阵设计困难、压缩重构速度慢等缺点,首次提出一种基于生成对抗网络模型的电能质量信号压缩重构方法。该网络模型由生成器和鉴别器组成。生成器学习样本分布的特性,经过训练后应用到电能质量信号的压缩和重构过程中。鉴别器与生成器相互对抗以提高彼此性能。此外,该方法在原损失函数中加入重构损失和频域损失,进一步提升重构效果。实验结果表明,提出的压缩重构方法不仅避免了前期对信号进行稀疏处理,而且具有重构效果好、重构速度快、稳定性更强的优势。
无刷直流电机(brushless direct current motor,BLDCM)是一种非线性的系统,传统比例积分(proportional-integral,PI)控制存在响应速度慢、动态性能差等问题.针对无刷直流电机
为了帮助老年人、残疾人及康复中后期的下肢功能损伤患者进行自我康复训练和日常活动,提出了基于表面肌电信号的关节角度预测方法和主动控制外骨骼触发步态切换策略.采用基于
针对多轴同步运动系统易产生同步误差,从而造成加工精度下降的问题,提出了一种基于位置控制回路模式的强健式交叉耦合同步控制算法。该算法利用位置命令与响应的关系,进而修正位置控制命令,将交叉耦合同步控制器架构应用于位置控制回路中。首先,推导了同步误差模型,获得系统多轴同步误差;然后,结合H∞原理,设计了强健式交叉耦合同步控制器,根据各轴位置同步误差,修正各轴命令,改善多轴同步误差;最后,将此算法应用于四自由度伺服同动平台。研究结果表明,使用所提算法后,最大位置同步误差减少44%以上,平均位置同步误差减少75%以
针对位置状态有界约束、未知有界干扰以及模型不确定下四旋翼无人机轨迹跟踪问题,设计了位置姿态双闭环自适应控制方案。通过非线性变换将四旋翼无人机位置状态变换为新的状态量,进而将四旋翼无人机位置状态有界约束问题转化为新状态量的有界性问题。设计了自适应率对干扰以及模型不确定进行估计,并设计了自适应反步控制方案。为避免欧拉角的奇异问题,采用旋转矩阵描述四旋翼无人机的姿态运动,构建其误差动力学方程,并设计了姿
单相三电平逆变系统中,传统有限控制集模型预测控制在较低的采样频率下无法保证输出电能质量。针对这一问题,提出一种多状态虚拟矢量模型预测控制方法。在单个控制周期内,输出多个开关状态,以提高并网电流的电能质量。建立了逆变器预测模型,根据预测矢量初步筛选一组开关状态,每个开关状态的作用时间由所设计的电流代价函数确定。为有效平衡直流母线电压,设计均压代价函数,进一步调整开关状态,得到最终输出到逆变器的开关状态序列。搭建仿真系统并进行了仿真分析,结果验证了所提控制策略的有效性,并网电能质量得到有效提高,直流母线电压波
红外热成像技术是电厂中电力设备故障检测的主要技术。针对现有方法不能有效地挖掘海量红外热图像中包含的设备运行状态信息,以及忽视了设备运行性能退化机制使得诊断效果较为粗糙这两个问题,提出了一种基于图像序列时空特征提取和沙普利加法特征归因聚类算法的精细化诊断策略,结合电力设备的时空特性并融合过程知识,建立了包括正常阶段、注意阶段、预警阶段和异常阶段的多阶段精细退化模型,为电力设备的预测性维修提供了依据。
随着新能源发电的快速发展,大规模风电场与电网相互作用引起的次同步振荡问题不断凸显,对次同步振荡进行预测并采取预防性控制措施具有重要意义。为此,提出了一种基于机器学习可解释代理模型的风电并网系统次同步振荡的在线预测和优化控制方法。采用Prony算法分析电网小扰动过程以辨识系统阻尼水平。建立了基于梯度提升树模型的系统阻尼评估系统。提出了基于可解释代理模型的优化控制辅助决策方法。在Matlab Simulink中搭建了多个直驱风电场并网系统的仿真模型,验证了所提方法能够有效进行次同步振荡在线预测和优化控制,从而
针对智能电网大数据背景下传统密度聚类离群点检测方法在适应性和异常点样本获取成本上的不足,研究一种新的基于权值的密度聚类离群点检测算法,并用极限学习机来预测离群点判