买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：国网江西省电力有限公司南昌供电分公司;国家电网有限公司

摘要：本发明公开了一种基于声纹的外力破坏风险识别方法，包括以下步骤：步骤S1，采集变压器运行时产生的声纹数据，对采集的声纹数据的风险类型进行标记；步骤S2,基于最优架构搜索的对抗生成网络模型对步骤S1中采集的声纹数据进行扩充；步骤S3，基于多粒度蜜罐优化算法的神经网络模型提取步骤S2中的声纹数据的原始特征表示；步骤S4，基于潜在狄利克雷分配的自编码器对步骤S3中的声纹数据表示进行重构，输出重构特征表示；步骤S5,基于差异性分支随机森林的分类器对步骤S4中的重构特征表示进行分类，确定外力风险的风险类型。本发明应用于变压器的外力破坏风险识别中，通过分析施工机械的声音数据，能够有效地识别出可能对电力设施构成威胁的活动。

主权项：1.一种基于声纹的外力破坏风险识别方法，其特征在于，包括以下步骤：步骤S1：采集变压器的外力破坏的声纹数据，对采集的外力破坏的声纹数据的风险类型进行标记；步骤S2：训练基于最优架构搜索的对抗生成网络模型，训练后的基于最优架构搜索的对抗生成网络模型对步骤S1中采集的声纹数据进行扩充，输出扩充声纹数据；在训练基于最优架构搜索的对抗生成网络模型的过程中，采用最优架构搜索策略，定义搜索空间S，搜索空间S包含若干不同配置的对抗生成网络模型，搜索的目标是找到最优配置使得对抗生成网络模型的评价函数的值最大化，其中，，和均为对抗生成网络模型的参数；步骤S3：训练基于多粒度蜜罐优化算法的神经网络模型，训练后的基于多粒度蜜罐优化算法的神经网络模型提取步骤S2中的扩充声纹数据的原始特征表示，输出原始特征表示；步骤S4：训练基于潜在狄利克雷分配的自编码器，训练后的基于潜在狄利克雷分配的自编码器对步骤S3中的原始特征表示进行降维重构，输出重构特征表示；步骤S5：根据步骤S1中标记的风险类型训练基于差异性分支随机森林的分类器，训练后的基于差异性分支随机森林的分类器对步骤S4中的重构特征表示进行分类，通过分类确定外力破坏的风险类型；步骤S2中的训练基于最优架构搜索的对抗生成网络模型，具体为：步骤S21：初始化对抗生成网络模型的生成器G和判别器D的参数，设生成器G的参数为，判别器D的参数为，生成器G通过学习映射函数将输入的噪声向量z映射到数据空间从而生成模拟的声纹数据，判别器D通过函数评估生成的模拟声纹数据的真伪；步骤S22：采用最优架构搜索策略，定义搜索空间S，搜索空间S包含若干不同配置的对抗生成网络模型，搜索的目标是找到最优配置使得对抗生成网络模型的评价函数的值最大化，其中，；步骤S23：在步骤S22搜索出的对抗生成网络模型中，通过动态调整损失函数，平衡生成器G和判别器D的能力，定义生成器损失函数，判别器损失函数，通过迭代更新损失函数来调整训练策略的方式表示为： ； ；其中，表示期望，表示判别器D对生成器G的生成的模拟声纹数据的判断，表示服从的概率分布，表示判别器函数，表示生成器函数，表示z服从的概率分布；判别器D对生成器G的生成的模拟声纹数据的判断，表示为： ；判别器D损失函数中的对数项表示判别器D判断生成的模拟声纹数据不属于真实数据集的概率，其计算方式表示为： ；步骤S24：定义生成的模拟声纹数据的评估函数为EG，评估函数EG衡量生成的模拟声纹数据与采集的声纹数据的相似度；步骤S25：根据步骤S24生成的模拟声纹数据的评估结果，调整步骤S22中最优架构搜索策略和步骤S23中生成器损失函数和判别器损失函数的参数，并调整生成器G和判别器D的参数，设为反馈机制函数，根据评估函数EG的结果动态调整参数，更新规则表示为： ； ；其中，为更新后的生成器G的参数，为更新后的判别器D的参数，表示反馈机制函数；评估函数EG采用FID指标计算，用于衡量生成的模拟声纹数据与采集的声纹数据的相似度，设为生成的模拟声纹数据的特征分布，为采集的声纹数据的特征分布，FID基于这两个分布的均值和协方差，计算公式表示为： ；其中，和分别是生成的模拟声纹数据和采集的声纹数据的特征的均值向量，和分别是和对应的协方差矩阵，Tr表示矩阵的迹；步骤S26：经过迭代优化后，通过优化参数确定生成对抗网络模型，并利用生成器G进行生成扩充声纹数据；步骤S3中的训练基于多粒度蜜罐优化算法的神经网络模型，具体为：步骤S31：初始化基于多粒度蜜罐优化算法的神经网络模型的参数，参数包括若干个粒度层次，每个粒度层次对应不同的特征提取子网络；步骤S32：对每个粒度层次对应的特征提取子网络分别进行训练，使用扩充声纹数据进行前向传播和反向传播，按照预设的训练周期更新特征提取子网络的网络参数，每个粒度层次的特征提取子网络都独立优化，以提取对应粒度层次下的声纹特征，对于每个粒度层次，特征提取过程表示为： ；其中，表示粒度层次的位置，为第粒度层次提取的声纹特征，和分别为第粒度层次的对应的特征提取子网络的权重和偏置，表示Sigmoid激活函数，表示卷积操作；激活函数的计算方式表示为： ；其中，xs表示激活函数的输入，即的结果；步骤S33：使用蜜罐优化算法对不同粒度层次的对应的特征提取子网络提取的声纹特征进行选择和组合，模拟自然选择过程，评估不同声纹特征组合的性能，保留表现最优的声纹特征组合作为原始特征表示，蜜罐优化算法选择和组合不同粒度层次的特征的优化过程形式化为： ；其中，表示总损失函数，表示第粒度层次的声纹特征的损失函数，和分别表示第粒度层次的声纹特征的多样性度量函数和独特性度量函数，，，是超参数；多样性度量函数通过计算提取的声纹特征之间的余弦相似度的平均值来实现，表示为： ；其中，N表示提取的声纹特征的总数，表示两个提取的声纹特征的点积，和分别表示提取的声纹特征的模；独特性度量函数通过计算特征向量与所有特征向量平均值的欧几里得距离来实现，表示为： ；其中，N表示提取的声纹特征的总数，表示所有提取的声纹特征的平均值；步骤S34：对于总损失函数，使用非线性共轭梯度法进行优化，更新权重和偏置的过程表示为： ； ；其中，和分别表示关于和的梯度，是第一学习率；第k步迭代时，权重更新方向的计算方式表示为： ；其中，是上一次迭代的更新方向，表示第二学习率，是根据Fletcher-Reeves公式计算的，表示为： ；其中，表示第k次迭代时总损失函数关于的梯度；步骤S5中的训练基于差异性分支的随机森林的分类器，具体为：步骤S51：初始化随机森林的参数，参数包括随机森林的树的数量、树的最大深度，设重构特征表示的数据集为，其中表示重构特征表示，是对应的标签，是重构特征表示的总数，随机森林中树的总数设为T；步骤S52：对于森林中的每棵树t，在每个节点进行分裂时，引入基于差异性分支的算法，选择最能增加树之间差异性的特征和分裂点；对于森林中的每一棵树t，从重构特征表示的数据集D中随机采样若干个重构特征表示，构成子集，每个决策节点在分裂时随机选择m个特征，其中m≤M，其中，M表示特征的总数；接着进行差异性分支操作，在每个节点分裂时，选择最优特征和最优分裂点以最大化差异性增益ΔG，表示为： ；其中，表示最优特征和最优分裂点的集合，表示特征，表示分裂点；差异性增益ΔG定义为： ；其中，G是基于Gini不纯度计算的分裂增益，表示子集的分裂增益，和分别是按照特征和分裂点分裂后的左子集和右子集；分裂增益G基于Gini不纯度来计算，对于给定的数据集D，Gini不纯度定义为： ；其中，表示数据集D中属于类k的样本的比例，K表示类的总数；步骤S53：在树的构建过程中，应用稀疏性改进机制，通过一个优化过程确定是否忽略某些特征，在每次分裂决策中，引入稀疏性参数来控制特征的选择，选择一个特征集合，最小化包含稀疏性正则化项的目标函数，表示为： ；其中，表示基于选择的特征集合F的损失函数，表示F的范数，特征集合中元素的数量表示被选特征的数量，表示稀疏性参数；损失函数基于均方误差计算，定义为： ；其中，是基于选择的特征集合F的分类器对重构特征表示的特征向量的预测值，是实际的标签值；步骤S54：使用交叉验证法评估基于差异性随机森林的分类器的性能，根据评估结果调整分类器参数。

全文数据：

权利要求：

百度查询： 国网江西省电力有限公司南昌供电分公司 国家电网有限公司 一种基于声纹的外力破坏风险识别方法