基于堆栈降噪自动编码模型的动态纹理分类方法

针对以往动态场景分类中需要手动提取动态特征描述符以及特征维数过高的问题,提出利用深度学习网络模型进行动态纹理特征的提取。首先利用慢特征分析法(SFA)预先学习每个视频序列的动态特征,将该特征作为深度学习网络模型的输入数据进行学习,进一步得到信号的高级表示,深度网络模型选用堆栈降噪自动编码模型,最后用SVM分类法对其进行分类。实验证明该方法所提取的特征维数低,并且能够有效地表示动态纹理。

降噪自编码神经网络下高炉冶炼质量在线预测

高炉冶炼过程中,其内部发生的复杂反应会对产出的铁水质量产生重要影响,为了调整冶炼参数,并实时掌握产品质量变化趋势,有效提高冶炼产品的质量,提出降噪自编码神经网络下高炉冶炼质量在线预测方法。根据烧结工艺和烧结矿的同化性、液相流动性和粘结相强度等基础特征,确定烧结矿质量评价指标及包含9大类参量的主要工艺参数。基于神经网络并行处理、分布式存储和自适应性强等优势条件,改善神经网络模型对输入数据的泛化性,获取降噪自编码器代价函数,结合激活函数提取隐含层中任意神经元残差,建立液相神经元模型,得到降噪自编码网络神经元,以误差反向传播算法作为神经网络学习方法,通过输出误差实现层级之间的逆传播,确定学习步骤和学习模式,构建烧结矿质量在线预测模型,为了提高预测精度,定义学习速率修正预测模型,实现烧结矿质量预测。实验结果表明,采用所提方法对高炉冶炼质量进行在线预测后,烧结矿碱度预测误差较小,预测结果可信程度较高,预测时间较短,具有良好的预测能力,能够实现实时反馈。

基于堆栈降噪自编码网络的机械设备磨损状态识别

通过磨粒铁谱图像识别可实现机械设备磨损状态识别,但基于机器学习的磨粒铁谱图像识别存在较多人工干预、普适性差。为解决上述问题,提出了一种基于堆栈降噪自编码网络的机械设备磨损状态识别方法。将多个降噪自编码网络进行堆叠,即上一个降噪自编码网络隐含层的输出作为下一个降噪自编码网络的输入,并在最后一个降噪自编码网络隐含层后添加Softmax分类器,从而构建堆栈降噪自编码网络;利用磨粒铁谱图像对堆栈降噪自编码网络进行无监督预训练,并通过有监督微调优化网络参数,对磨粒铁谱图像进行分类,实现机械设备磨损状态智能识别。实验结果表明:当堆栈降噪自编码网络的激活函数为Relu、优化器为Adam、学习率为0.001时,网络性能最佳,识别准确率达98.43%。

应用双向长短时记忆神经网络的微地震信号降噪方法

地面微地震监测数据噪声干扰强、信噪比低,对后续的微地震初至拾取、成像定位等产生严重影响。因此,微地震信号降噪是微地震数据预处理中的关键步骤,而常规降噪方法常依赖于算法参数的设置,不具备普遍的适用性。为此,提出了一种应用双向长短时记忆(Bi-LSTM)神经网络的微地震信号降噪方法。首先,使用合成信号和实际信号构造样本数据集,对构建的Bi-LSTM模型进行训练和测试,得到降噪效果最好的模型;然后,利用训练好的Bi-LSTM网络对不同信噪比的合成信号和川渝地区油气井的实际压裂监测微地震信号进行降噪处理。降噪后的实际微地震信号用于地震发射层析成像,并分析图像以实现地面微地震信号的震源定位。实验分析结果表明,该方法能够有效降低微地震信号中的各类噪声,提高信噪比,从而提高震源定位的精度。与传统算法相比,该方法不需要参数调整,具有良好的泛化特性。

基于堆栈降噪自编码网络的电力负荷识别

电力系统中负荷识别需要进行特征选择,而常见的人工方式特征选取比较困难。为解决负荷特征选择困难的问题,采用一种基于堆栈降噪自编码网络(SDAE)的电力负荷识别方法,能有效选取现场真实负荷波形的特征并加以识别,该方法是由一层后向传播的神经网络和多层降噪自编码器(DAE)构成。首先向数据信号中掺杂一定比例的噪声进行“破坏”,然后采用“破坏”后的信号重构原始信号,进而得到数据信号的波形特征,最后采用BP神经网络对整个数据处理网络进行有效监督和微调。经过现场实时采集的电力负荷波形数据验证,相较于BP神经网络算法,该方法的识别效果更佳。实验结果显示,采用SDAE方法在8类电力负荷的识别中辨析识别率超过96%。

基于改进型CGAN的水声信号降噪模型

为降低噪声对水下通信的影响,提出一种基于生成式对抗网络(generative adversarial networks, GAN)和深度卷积神经网络(deep convolutional neural networks, DCNN)的组合降噪处理模型。在数据预处理阶段优化数据分帧策略,最小化接收信号的正交性破坏,通过将含有噪接收信号与不含噪的发射信号的实部、虚部特征分别训练,建立一个同步估计的学习模型进行降噪处理,达到抑制噪声影响的目的。仿真结果表明,在-25 dB~10 dB范围内信噪比变化,所提算法具有更低的通信误码率,湖上实验进一步验证了算法的有效性。

基于堆栈降噪自编码器改进的混合推荐算法

针对传统协同过滤算法仅利用评分信息作为推荐依据,没有利用用户评论和标签信息,无法准确反映用户对项目特征的偏好,推荐精确度低且容易过拟合等问题,提出一种基于堆栈降噪自编码(SDAE)改进的混合推荐(SDHR)算法。首先利用深度学习模型SDAE从用户自由文本标签中抽取项目的显式特征信息;然后,改进隐因子模型(LFM)算法,使用显式项目特征信息替换LFM中的抽象特征,进行矩阵分解训练;最后通过用户-项目偏好矩阵为用户提供推荐。在公开数据集Movie Lens上的实验测试,与三组推荐模型(基于标签权重及协同过滤、基于SDAE和极限学习机、基于循环神经网络)比较,该算法推荐精确度分别提高了45.2%、38.4%和16.1%。实验结果表明,所提算法可以充分利用项目自由文本标签信息提高推荐性能。

基于堆栈稀疏降噪自编码的电压暂降源识别方法

为有效识别电压暂降源,文章提出一种基于堆栈稀疏降噪自编码的电压暂降源识别方法,用于识别单一和复合电压暂降源。稀疏降噪自编码网络是在自编码网络的基础上加入稀疏性限制,同时在输入信号中加入按一定概率分布的噪声构成的深度神经网络,将其逐层堆砌形成堆栈稀疏降噪自编码网络。实验首先利用无标签训练集初始化网络中的权重和偏置项,再利用有标签训练集进行一次有监督的微调,使网络能够学习输入信号中更深层次的特征,最后采用SoftMax函数对特征进行分类。结果证明,该方法对电压暂降源的识别率高,同时,基于实测数据增量训练下的模型将具有更好的泛化能力,能够很好地应用于实际工程项目中。

基于RBF神经网络的交叉检验图像降噪方法

径向基神经网络(RBFNN)有很好的函数逼近能力,本文把图像看成函数,用RBFNN来表示图像,并在学习过程中进行逼近,采用交叉检验的方法来确定网络模型并控制学习过程,使得网络既能较好地逼近图像,又对噪声进行抑制,从而达到图像降噪的目的。实验证明这是一个可行的盲目图像降噪方法,有广泛的适用性。本文还给出了实验中改进交叉检验方法的技术,给出了与wiener滤波器降噪的实验效果对比图。

基于降噪循环神经网络的风电功率预测

针对风电功率数据的时序性特点,提出降噪循环神经网络模型对电场中短期内的风电功率进行预测.通过模型能够挖掘其蕴含的知识,提高电力系统的稳定性,优化电力调度.模型首先采用循环神经网络构建一个编码-解码结构,设计编码器从序列变量中获取相应的深度特征,再通过解码器对深度特征进行解码,还原输入序列的状态并预测下一时刻的输出.进而,模型在解码器中设计降噪模块和预测模块,克服一般循环神经网络难以对带噪声数据进行预测的问题,使得模型能够对含有噪声的输入变量进行分析.通过利用电力物联网所采集的数据进行实验,结果证明提出的方法能很好地对风电功率进行预测,达到较好的预测效果.

基于空间域图像生成和混合卷积神经网络的配电网故障选线方法

传统的配电网故障选线方法大多基于一维零序电流序列构建故障诊断模型,单一的诊断模型往往限制了故障特征的深层挖掘。为了提高故障选线的准确率,提出一种基于空间域图像和混合卷积神经网络的配电网故障选线方法。首先,利用优化的降噪光滑模型对零序电流信号进行降噪处理,减少外界环境的电磁干扰。其次,利用对称希尔伯特变换将一维时域信号转成二维空间域图像,图像的颜色、形状和纹理特征能够充分反映当前系统的运行状态。最后,将一维时域信号和二维空间域图像同步作为混合卷积神经网络的输入,充分挖掘系统的故障特征,利用Sigmoid函数实现故障选线。在辐射状配电网、IEEE-13节点模型、IEEE-34节点、StarSim仿真平台上模型上进行了实验验证。实验结果表明,该选线方法可以有效克服传统方法过度依赖主观特征选择、抗噪性能差等问题,能够在高阻接地、采样时间不同步、两点接地故障等极端情况下可靠地筛选出故障线路。

基于改进深度信念网络的池塘养殖水体氨氮预测模型研究

水体氨氮是影响水产养殖质量和产量的关键参数之一。然而,池塘养殖环境复杂多变,氨氮含量影响因子众多,且各因子之间相互关联并呈现非线性变化,同时,获取的数据存在大量噪声。因此,采用数学方法及传统神经网络很难精准预测氨氮含量,且在进行数据训练时存在局部收敛和计算效率差的问题。针对上述问题,首先,通过主成分分析筛选影响氨氮含量变化的主要因子作为模型输入,利用小波阈值方法实现噪声消除;然后,提出一种基于粒子群优化算法(particle swarm optimization, PSO)并结合多变量深度信念网络(multi-variable deep belief network, MDBN)预测模型,对池塘养殖水体溶解氧预测,并与传统最小二乘支持向量机、BP神经网络、DBNs(deep belief networks)模型进行了比较分析。研究结果表明,该文所提方法其平均百分比误差(mean absolute percentage error,MAPE)为0.1172,与传统最小二乘支持向量机、BP神经网络、DBNs方法进行对比,其MAPE分别降低了0.285 9、0.214 6、0.013 9。除此之外,随着样本数量增加,其模型绝对误差不断降低。因此,该文所提方法具有高的预测精度及泛化性能,研究可为池塘水体氨氮含量精准预测提供理论依据和参数支持。

柴油机故障的堆栈自编码特征提取与随机森林识别

为了提高柴油机故障的在线识别准确率,提出了堆栈自编码特征提取方法和话语权随机森林的故障类别识别方法。对缸盖罩振动信号为分析对象,提出了样本熵自适应小波阈值去噪方法,有效提高了信号的信噪比。使用堆栈自编码网络提取振动信号的故障特征向量,所提取特征类内聚合度高、类间区分度好。在传统森林算法基础上,根据决策树的预测试准确率为其赋予不同的话语权,从而提出了话语权随机森林算法,并将其应用于柴油机运行故障模式识别。经10组实验验证,传统森林算法的平均识别准确率为90.32%,话语权森林算法的平均识别准确率为99.67%,比传统算法提高了10.35%;另外,话语权森林算法的识别准确率标准差远小于传统随机森林算法。以上数据说明经过改进,随机森林算法的识别准确率和稳定性均得到了提高。

一种自编码组合优化的成绩预测模型

针对现有成绩预测方法不能有效利用学生成绩数据本质特征的问题,提出一种自编码组合优化的成绩预测模型。该模型采用边缘降噪自编码与堆栈稀疏自编码组合优化的混合式自编码器(HSAE),从历史成绩数据与学生行为数据中,经过无监督的网络训练,学习更具鲁棒性和稀疏性的深层特征。在顶层连接BP神经网络,构成HSAE-BP神经网络模型,实现学生成绩预测。实验结果表明:所提出预测模型的预测准确率相比其他未进行特征学习的浅层预测模型都得到了较好的改善。

自编码网络在JavaScript恶意代码检测中的应用研究

针对传统机器学习特征提取方法很难发掘JavaScript恶意代码深层次本质特征的问题,提出基于堆栈式稀疏降噪自编码网络(sSDAN)的JavaScript恶意代码检测方法。首先将JavaScript恶意代码进行数值化处理,然后在自编码网络的基础上加入稀疏性限制,同时加入一定概率分布的噪声进行染噪的学习训练,使得自动编码器模型能够获取数据不同层次的特征表达;再经过无监督逐层贪婪的预训练和有监督的微调过程可以得到有效去噪后的更深层次特征;最后利用Softmax函数对特征进行分类。实验结果表明,稀疏降噪自编码分类算法对JavaScript具有较好的分类能力,其准确率高于传统机器学习模型,相比随机森林的方法提高了0.717%,相比支持向量机(SVM)的方法提高了2.237%。

基于模糊神经网络的高压电力设备故障预测模型

电力设备作为电力系统的基本要素,对其故障风险预测可以有效降低电网故障风险带来的损失。当前应用的高压电力设备故障预测模型忽略了对高压电力设备信号的盲源分离处理,无法去除虚假故障分量,导致故障预测结果不准确、耗时较长的问题。构建新的基于模糊神经网络的高压电力设备故障预测模型。将小波降噪方法引入到盲源分离中,对高压电力设备信号完成盲源分离和小波分解;通过互信息方法将分解结果中的虚假分量删除;利用插值形态滤波的方式提取故障特征,将其设定为模糊神经网络的输入变量,构建高压电力设备故障预测模型。实验结果验证了所构建的模型在30次实验迭代过程中的误差始终不超过2.5%,均方根误差低于3.4%,预测用时测试结果在14~23 ms之间。数据表明所构建模型的预测精度较高、预测速度更快,具有明显的应用优势。

小波-LSTM神经网络在地铁沿线沉降预测中的应用

为缓解城市交通压力,地铁工程的修建日益加快,但其施工、运营都会造成沿线地表沉降,为有效预防地表沉降引起的地质灾害。本文基于51景升轨Sentinel-1A卫星影像,应用差分干涉测量短基线集时序分析(SBAS-InSAR)技术获取青岛地铁三号线沿线地表形变信息,分析地铁沿线主要沉降区域的成因,并对沉降区域内的特征点使用小波分解、重构,对降噪后的形变时间序列进行了模拟和预测。发现了4个主要的沉降区域,其中青岛北站周边沉降最为严重,沉降速率为-10.42 mm/a。优化后的长短期记忆(LSTM)神经网络模型对形变时间进行预测,其精度比传统LSTM、多层前馈BP神经网络模型更优,证明该模型在城市地铁沿线的地质灾害预防中具有广泛应用价值。

基于ANFIS的高速公路车辆跟驰模型与仿真

为了更好地描述高速公路上驾驶员在车辆跟驰过程中表现出来的模糊、不确定性的行为特征,采用自适应模糊神经网络ANFIS来建立车辆跟驰模型.首先,通过小波分析方法,对采集到的跟车数据进行降噪,消除外界因素的干扰,从而恢复数据的原始信息;根据信号处理方法,利用相关函数计算出驾驶员在跟驰过程中的反应时间.然后,建立以两车速度差、车头间距和后车速度作为输入,以及后车加速度作为单输出的自适应模糊神经网络跟车模型.最终,对该模型仿真训练,自适应生成驾驶员跟驰行为规则,并与传统的GM跟车模型对比分析.结果表明,该网络模型能较客观地反映高速公路上的驾驶员跟驰行为.

基于SDAE+Softmax模型的体系贡献率评估方法

战争就是交战双方作战体系之间的对抗。体系贡献率评估是体系建设和分析重点关注的问题,是对作战要素在作战体系中所发挥作用的一种度量。针对体系的复杂系统特性,构建SDAE+Softmax模型对体系效能涌现过程进行建模,模型描述了体系基础指标与任务指标之间的关系。提取Softmax分类器的分类概率相对值作为体系贡献率评估的综合特征指标,量化体系组分改变对体系效能的影响。基于SDAE+Softmax模型的评估方法,为体系贡献率评估提供了全新的思路,是对传统评估方法的突破。

6kV高压电动机故障智能诊断方法

针对6 kV高压电动机故障智能诊断方法存在错诊率较高和诊断响应时间较长的问题,提出6k V高压电动机故障智能诊断方法。利用无线传感器采集电动机运行数据,利用降噪自编码网络模型对数据去噪处理,利用小波包分析技术获取数据小波包能量熵信息,提取数据特征,根据计算故障特征频率,诊断电动机故障类型,以完成6 kV高压电动机故障智能诊断。实验证明,该设计方法错诊率在1%以内,能在1s内完成故障诊断,具有良好的应用前景。