基于卷积降噪自编码器和Softmax回归的微地震定位方法

本文提出了一种基于卷积降噪自编码器和Softmax回归的微地震定位方法.该方法首先将微地震数据输入到卷积降噪自编码器中进行随机噪声压制,利用卷积降噪自编码器的编码器提取微地震数据的鲁棒性特征.然后根据震源的地理位置,对每个微地震数据生成多个独立的位置标签.使用带有震源位置标签的微地震特征训练多输出的Softmax分类器模型,同时预测一个输入微地震数据的多个位置标签,进而获得精确的震源位置.合成地震记录的实验结果表明,该方法能够准确快速地定位低信噪比的微地震事件.

基于卷积降噪自编码器的藏文历史文献版面分析方法

近年来,随着人们对历史和传统文化的保护和传承越来越重视,研究人员对历史文献数字化的兴趣也越来越高涨。版面分析是历史文献数字化的重要基础步骤,该文提出了一种基于卷积降噪自编码器的藏文历史文献版面分析方法。首先,将藏文历史文献图像进行超像素聚类获得超像素块;然后,利用卷积降噪自编码器提取超像素块的特征;最后,使用SVM分类器对藏文历史文献的超像素块进行分类预测,从而提取出藏文历史文献版面的各个部分。在藏文历史文献数据集上的实验表明,该方法能够对藏文历史文献的不同版面元素进行有效的分离。

基于卷积降噪自编码器的苹果树种鉴别模型研究

结合卷积降噪自编码器与随机森林算法,提出一种新型的卷积降噪自编码器-随机森林(CDAE-RF)模型,并基于可见-近红外光谱数据集来识别苹果树种。首先,通过网格式搜索、平行实验的方法优化了L1范数等参数,提高了模型的鲁棒性;然后,对比实验分析了CDAE-RF、主成分分析-随机森林模型(PCA-RF)、K最近邻分类算法等方法在不同噪声水平下光谱识别的准确性和鲁棒性。实验结果表明,相对于传统算法,新提出的CDAE-RF模型识别准确率达97.92%,在加噪情况下具有更高的鲁棒性。CDAE-RF模型降低了随机森林算法对噪声的敏感性,提高了噪声光谱图像识别的准确性,为地物波谱识别提供了一种新的方法。

基于降噪自编码器的水声信号增强研究

针对主动声呐中回波信号特征提取困难的问题,提出了一种利用降噪自编码器与卷积降噪自编码器相结合的自编码器算法。首先利用降噪自编码器在信号整体上的降噪优势,对含噪信号进行预处理;然后结合卷积降噪自编码器对信号局部特征的优化,对信号进行局部降噪,从而实现信号增强。所提算法直接以接收信号的时域波形作为特征输入,保留了信号的幅度与相位特征。实验结果表明,所提算法不仅有效降低了信号中的噪声分量,而且在时域和频域上均达到了较好的恢复效果。

基于双边滤波与自编码器的对抗样本防御方法

深度学习在图像分类等领域被广泛应用的同时,也存在着对抗样本攻击的问题。针对这一问题,提出基于双边滤波与卷积降噪自编码器的对抗样本防御方法BF-CDAE。首先对加入对抗扰动的图片进行双边滤波,初步去除图片的噪音扰动,然后将去噪后的图片送入卷积降噪自编码器中,对高维数据进行特征提取,进一步去除对抗样本中误导模型识别的噪音。实验结果表明,在不影响原图像分类结果的同时,针对采用FGSM方法生成的对抗样本攻击,利用该防御方法可将分类准确率恢复到93.14%,证明了该防御方法的有效性。

结合降噪和自注意力的深度聚类算法

近几年,联合聚类划分和表示学习的深度聚类方法提供了出色的聚类性能,但随着图像质量的下降(比如噪声图像),聚类结果还不能令人满意。为此,提出一种新的深度聚类算法(DDC)。深度卷积降噪自编码器学习噪声数据的特征表示;自注意力机制提高网络捕获局部关键信息的能力;端到端的联合训练得到合适的特征表示并完成聚类分配;对数据点和类中心的相似度赋予不同的权重,扩大同类和异类之间的差异。在公开图像数据集上的实验表明DDC算法的聚类性能更高;并与其他深度聚类算法进行对比,例如在COIL-20上DDC的聚类精度是0.803,而DEC算法仅是0.597。总之,结合自注意力和深度卷积降噪自编码器的DDC算法能对噪声图像进行更有效的聚类分析,扩大了图像聚类的应用范围。

基于CDAE和TCN/BLSTM模型的电能质量扰动分类方法

随着新型电力系统中电能质量扰动(PQDs)愈加复杂,为提升PQDs分类准确率并增强算法的噪声鲁棒性,将卷积降噪自编码器(CDAE)、时域卷积网络(TCN)与双向长短期记忆(BLSTM)相结合,提出一种基于CDAE和TCN/BLSTM模型的电能质量扰动分类方法。首先,通过CDAE以原始信号为目标重构含噪信号;然后,利用TCN和BLSTM并行挖掘扰动的抽象和时序特征;最后,特征合并层融合两种特征并完成分类。仿真结果表明,该方法可有效分类强噪声下的20类PQDs信号且平均准确率达99.23%,相比于其他主流的分类方法,所提方法具有更好的分类效果和抗噪性能。

一种基于深度融合模型的滚动轴承故障诊断方法

针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于深度学习融合网络的轴承故障识别新方法。该方法首先对轴承振动信号进行一定程度的随机损坏,并将加噪后的数据输入卷积降噪自编码器(convolutional denoising autoencoder, CDAE)中对网络进行训练,目的是降低信号中的噪声干扰并提取浅层特征;然后,利用深度信念网络(deep belief network, DBN)学习深层特征并建立轴承状态识别模型,输出故障识别结果。在融合模型中,将卷积降噪自编码器作为网络的第一层以增强网络的抗干扰能力,提高故障的识别精度。使用凯斯西储大学(CWRU)滚动轴承数据对所提模型进行验证,结果表明提出的融合模型在噪声环境下能够较好地实现轴承的故障状态识别。

基于电子舌与GAN-CDAE-ELM模型的咖啡产地快速溯源检测

为了实现对咖啡产地的快速溯源检测,提出了一种基于电子舌与生成对抗网络(GAN)-卷积降噪自编码器(CDAE)-极限学习机(ELM)组合模型相结合的检测方法。针对电子舌检测原始数据样本数量不足而导致深度学习模型准确率低、泛化能力差等问题,采用生成对抗网络(GAN)扩充训练样本数据规模,提高系统的鲁棒性;针对电子舌输出信号复杂、维度大、噪声多的特点,采用卷积降噪自编码器(CDAE)在低维特征空间对电子舌信号进行特征提取,提高关键特征的表达能力;最后,采用极限学习机(ELM)对提取的特征信息进行分类鉴别,构建咖啡产地溯源检测分析模型。利用该模型对五种不同产区的咖啡进行分类鉴别,结果表明,与基于离散小波变换(DWT)结合支持向量机(SVM)与极限学习机(ELM)等传统机器学习模型以及VGG16网络等深度学习模型相比,GAN-CDAE-ELM对不同产地咖啡分辨效果更优,其测试集的准确率、精确率、召回率、F1-Score分别达到了99.00%、99.03%、99.00%、0.990 1。该研究为基于智能感官系统的咖啡产地快速辨识与检测提供一种新思路。

煤矿旋转机械健康指标构建及状态评估

煤矿设备监测参数为时间序列数据,其时序特征对健康评估的影响较大。针对传统机械设备健康评估中存在的信号时空特性提取不完备、人为经验依赖程度高、设备早期状态变化评估难等问题,建立了基于二维数组的长短期记忆降噪卷积自编码器(2D-LSTMDCAE)模型,并提出了基于2D-LSTMDCAE的煤矿旋转机械健康指标(HI)构建及状态评估方法。将一维振动数据转换为二维数组,通过二维卷积网络模型充分学习原始数据中所包含的信息,增强模型对数据特征的学习能力;将样本并行输入卷积和长短期记忆(LSTM)单元,以获取完备的信号时空特征;构建无监督学习的降噪卷积自编码器(DCAE)模型并进行样本重构,采用Bray-Curtis距离计算原始样本与重构样本间相似度,得到HI,解决设备运行过程中状态标签难以获取的问题,提升模型在强背景噪声中的适应能力。使用XJTU-SY轴承数据集验证2D-LSTMDCAE模型的特征学习能力,并采用相关性和单调性2个指标评价基于HI的状态评估方法,测试结果表明:二维输入样本构建方法及学习数据时序特征的HI构建方法对轴承的性能退化更敏感,2D-LSTMDCAE模型能够更早地检测到设备的早期故障,在测试轴承上相比于LSTMDCAE和DCAE模型构建的HI及均方根平均提前了约7 min;与LSTMDCAE和DCAE模型构建的HI、均方根相比,2D-LSTMDCAE模型构建的HI的相关性和单调性均较高,能更好地反映轴承的退化情况。采用减速器加速退化实验数据进行健康评估实验,在测试减速器上,相比于均方根指标,通过2D-LSTMDCAE模型构建的HI能够提前8 min发现早期故障,且HI相关性提高了0.007,单调性提高了0.211,能够更好地反映减速器的退化情况。

基于CDAE与CNN的滚动轴承故障诊断方法

针对滚动轴承的故障诊断往往使用振动信号进行分析,而振动信号通常为非线性、非平稳信号,并且在数据采集的过程中,掺杂有大量的噪声信号,为了解决这一问题,提出了一种卷积降噪自编码器(CDAE)与卷积神经网络(CNN)相结合的滚动轴承故障诊断方法。首先,对滚动轴承的原始时域信号添加一定倍数的高斯白噪声,并将其输入卷积自编码网络中,以原信号作为输出,对网络进行训练;其次,提取卷积自编码器的隐含层特征,作为卷积神经网络的输入,进行故障识别。利用西安交通大学的滚动轴承数据进行实验,结果表明:与只使用卷积神经网络相比,基于卷积降噪自编码器与卷积神经网络的故障诊断方法,具有更高的正确率,验证了该方法的优越性。