基于粒子群算法优化设计RBM网络结构

受限玻尔兹曼机在实际使用中不可避免地遇到设置网络结构的问题,然而对于这一问题并没有有效的方法,因此提出基于粒子群算法优化设计RBM网络结构方法(Particle Swarm Optimization-Restricted Boltzmann Machine,PSO-RBM)。该方法克服了粒子群算法在处理标称型数据时的局限性,采用连续型变量构造个体进行迭代训练,在求解适应度时再转变成标称型变量,做到可见层特征和隐藏层数目的优化选择。在MNIST数据集上实验,结果表明粒子群算法优化后的RBM网络结构在错误率和训练时间上与传统的RBM网络结构相比较,该方法在综合性能上有一定的优势,实现了粒子群算法优化设计RBM网络结构的目的。

一种基于PSO-DBN的地铁转向架故障诊断方法

转向架作为地铁整车部件中最重要的部件之一,其性能好坏决定了列车的运行安全,因此对转向架进行故障监测具有重要的工程意义。提出基于粒子群算法(PSO)优化深度置信网络(DBN)结构的模型即PSODBN,采用连续性变量构造个体的方式,结合粒子群算法进行迭代训练,做到降低输入层特征维数和各隐藏层神经元数目优化设置。在MNIST手写体数据集上进行实验,结果表明,相较于传统结构,PSO-DBN在错误率和训练时间上分别降低了0.83%、37.08s,验证了PSO-DBN模型的优越性。将PSO-DBN引入到地铁转向架故障诊断,集中分析了故障类型及特征参数提取,实验预测准确率为93.63%,实现了PSO-DBN模型对地铁转向架故障诊断的目的。

基于深度学习的语音门禁系统设计

基于深度可分离卷积神经网络(Depthwise Separable Convolutional Neural Network,DS-CNN)设计一个嵌入式离线语音门禁系统.系统首先利用深度学习库TensorFlow搭建DS-CNN声学模型并完成模型训练,然后将训练好的模型移植到嵌入式平台实现离线式语音识别,最后根据识别结果控制继电器执行相应动作.为避免人工设计的滤波器在特征提取时造成信息损失,系统采用语音信号的语谱图作为声学模型输入,通过多层卷积单元自动提取说话人语音特征进行分类判断,并引入语音唤醒机制,保证系统的安全性和低能耗.系统测试结果表明,该门禁系统1次识别成功率达95%以上,平均响应时间满足设计要求,具有较好的实用性.

从宁波甬江的情况谈当前废旧金属收购业管理面临的问题及对策

当前废旧金属收购业存在收购站点数量激增,分布不合理;无证经营、违法收购问题突出;从业人员素质较低,法制意识淡薄;违法经营花样翻新;收购站点设施简陋,事故隐患普遍存在等问题。法律法规不到位;联合协调不到位;日常管理不到位;打击力度不到位是导致这些问题的主要原因。要通过提高认识,转变观念;强化基础,摸清底数;加强教育,提高素质;公安引导,行业自律;灵通信息,有力打击等对策来加强对废旧金属收购业的规范和管理。