对抗神经网络在轴承故障诊断中的应用

针对条件对抗神经网络(CGAN)只能进行真假不能进行分类判别和半监督对抗神经网络(SGAN)需要同时进行分类和真假判别的缺点,提出了一种改进对抗神经网络CSGAN模型,并给出了具体设计。该对抗网络的生成器G以CGAN为基础,由多层感知机(MLP)构成;判别器D以SGAN为基础,由卷积神经网络(CNN)构成。基于CSGAN,还提出了一种二维对抗神经网络轴承故障诊断方法,该方法首先将原始故障信号归一化到[-1,1]区间,然后利用一个滑窗从归一化数据中截取1024长度的数据,并转换构成32×32尺寸的二维矩阵作为CSGAN的输入。经多个公开数据集验证表明,这一诊断方法在不同样本比例的情况下都能有效提高判别器的诊断精度,具有良好的适用性。

基于半监督神经网络的铜矿预测方法

将人工智能技术引入成矿预测研究中,可以提高预测效率,挖掘探测数据与结果之间的隐藏信息.利用半监督学习方法对样本构建要求低的优点,结合其在异常识别方面的应用效果,设计了基于分割准则的孤立森林与深度自编码网络的神经网络结构;基于西藏冈底斯地区的化探元素数据,对研究区内的铜矿进行了成矿预测工作,预测结果与已知矿区数据叠加效果较好,说明本文的神经网络结构能够完成成矿远景区的预测工作.

基于半监督卷积神经网络的文本情感分类

针对情感分析需要标注大量高质量的训练集来提高模型的准确率,以及卷积神经网络无法充分利用句子中特有的情感信息,提出了一种基于多通道半监督卷积神经网络的情感分析模型。该模型通过重构卷积神经网络的损失函数以及不改变网络的结构来实现模型的半监督学习。同时,模型针对情感分析任务中特有的情感信息来构建文本输入矩阵以及将句子不同特征信息结合形成不同的网络输入通道,使模型在训练过程中从多方面的特征表示来学习输入句子的情感信息。并在COAE 2014和IMDB数据集上进行试验,验证了所提出方法的有效性。