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%。

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%。

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。