基于字词混用集成模型的电力变压器缺陷记录文本挖掘方法
变压器运维管理中积累了海量以文本形式记录的非结构化缺陷数据,但缺乏有效挖掘手段导致其利用率极低。文中提出一种基于字词混用集成模型的变压器缺陷记录文本挖掘方法,首先对变压器缺陷文本进行文本分词、去除停用词、文本增强、文本特征表示等预处理,以文本数学向量形式为输入,集成多个词汇级和字符级分类模型,通过元学习器对各基学习器性能的协同互补作用,实现变压器缺陷类型的准确识别和分类。与单一文本分类算法相比,该方法能够更全面地获得文本的语义特征,分类精确率达91%,模型准确率和召回率的综合评价分数F1=0.9。将自然语言处理技术应用于电力设备缺陷记录文本,可以实现精准高效分类和故障识别,唤醒数据资源,显著提升电力变压器智能化管理水平。
基于元学习的入侵检测研究
入侵检测可以防御网络的攻击,但现有方法存在需要大量训练样本、泛化能力低、效果欠佳等不足,因此文章提出一种基于元学习的入侵检测研究算法(Model-Free Meta-Learning with Memory,MFMLM)。 MFMLM算法采用带记忆池的模型无关的元学习方法处理网络入侵检测问题,利用多轮采样获得多个小样本数据集,通过在多个数据集中进行训练,得到最优参数。方法利用元学习改善模型的判别和泛化能力,有效地缩短了训练时间,提高了检测准确率。实验结果表明,所提方法可以较好地解决入侵检测问题,具有良好的性能。