基于改进堆栈降噪自动编码器的预想事故频率指标评估方法研究

可再生能源大规模并网导致电力系统转动惯量降低,在扰动事件下的频率稳定问题突出。时域仿真存在计算量大、运算耗时长等缺陷,难以满足复杂多变运行方式和海量预想事故下的频率指标快速评估需求。为了实现功率扰动事件下系统惯性中心多维频率指标(极值频率、最大频率变化率、准稳态频率)的快速评估,该文将深度学习引入到频率稳定研究中,提出一种基于改进堆栈降噪自动编码器(improved stacked denoising autoencoders,ISDAE)的智能化评估方法。首先,利用随机森林算法筛选出重要特征变量作为输入数据,实现输入数据降维;然后,将多个降噪自动编码器堆叠,构建深度学习网络结构;采用"预训练-参数微调"方法训练网络参数,引入Dropout技术提高算法泛化能力、防止过拟合,基于均方根反向传播(root mean square back propagation,RMSprop)优化方法对网络参数进行微调,减小陷入局部最优的概率;最后,根据离线训练得到的ISDAE网络结构实现扰动事件后系统惯性中心的多维频率指标在线评估。在修改后的IEEE RTS-79系统进行测试,与时域仿真、浅层神经网络以及未改进的SDAE方法所得结果进行比较,验证所提方法的快速性、准确性以及良好的泛化能力。

基于改进型降噪自动编码器的家用负荷辨识方法

家用负荷辨识准确性受数据采样速率制约显著,过高的采样速率能够解决数据问题,但也带来成本提高、系统设计复杂等问题。基于此,提出了一种仅依赖常规采样速率有功功率量测的非侵入式负荷辨识方法,所提方法对传统的降噪自动编码器算法滑动窗的重叠部分计算进行了改进,使用中值滤波器对重叠窗的数据结果进行处理,能够较好地克服辨识结果偏高的问题。通过在REDD(reference energy disaggregation dataset)和TraceBase两个家庭用电数据集开展测试,证明了所提方法在辨识设备功率和判断设备所处状态两个方面都具有较好的效果,且各项指标均好于经典的基于因子隐马尔可夫模型(factorial hidden Markov model,FHMM)算法。另外所提算法的通用性较好,能够对不同型号、品牌的同种设备进行有效辨识,具有较好的实用价值。

基于降噪自动编码器及其改进模型的微博情感分析

随着自然语言处理科学的迅猛发展,情感分析作为其重要的一个分支广泛应用于社交网络平台上,尤其是微博由于其传播广泛且蕴涵丰富的情感信息而备受学者青睐。为解析微博中表达的情感信息以及深入挖掘其蕴涵的潜在感情,在降噪自动编码器的深度模型之上研究探索改进了这个深度学习模型。降噪自动编码器的工作特点是在引入噪声的干扰之下实现对原始输入的还原,而其改进模型的优势在于考虑到了噪声的多样性和复杂性,并通过深度学习训练加强模型的原始特征复原能力,以此来克服不可预判的原始输入噪声。通过分别使用SVM、降噪自动编码器模型以及改进的模型进行情感分析实验,对比分类效果而得出改进的深度模型对微博文字情感把握更准确而且抗干扰能力及鲁棒性有所提升的结论。

基于改进正余弦算法优化堆叠降噪自动编码器的电机轴承故障诊断

轴承是电机的重要组成部分,其故障振动信号存在噪声干扰,导致特征提取困难,堆叠降噪自动编码器(SDAE)通过将输入数据随机置零训练网络可以有效抑制噪声干扰。此外,不理想的超参数组合易引起SDAE诊断性能不佳。因此,提出一种基于改进正余弦算法(ISCA)优化SDAE的电机轴承故障诊断方法。首先,在改进正余弦算法(SCA)粒子值更新公式中引入非线性惯性权重并对控制参数加入余弦变化构造ISCA,利用ISCA对SDAE超参数自适应选取;其次,利用具有最优网络结构的SDAE模型的无监督自学习特征提取方法提取振动信号特征参数,从而实现更好的故障诊断效果。仿真及现场实验结果表明,该方法收敛速度快、诊断准确率高,而且具有较强的鲁棒性,在电机轴承故障诊断方面具有较好的应用前景。

改进沙猫群优化算法优化堆叠降噪自动编码器的发动机故障诊断

车辆发动机振动信号受到噪声干扰,影响故障诊断精度,而堆叠降噪自动编码器(SDAE)可以有效抑制噪声干扰,但SDAE模型超参数对诊断性能影响较大,不合理的模型超参数容易引起SDAE诊断性能不佳。因此,文中采用一种新型沙猫群优化算法(SCSO)对SDAE参数进行优化选取。考虑到沙猫群优化算法(SCSO)中沙猫群种群缺乏变异机制的缺陷,在其探索阶段和开发阶段分别引入柯西变异机制和高斯变异机制,得到了改进沙猫群优化算法(ISCSO),并提出了SCSO优化SDAE的发动机故障诊断方法。发动机故障诊断实例结果表明:与其余5种方法相比,所提方法的平均诊断精度提高了1.47%~6.5%,平均耗时缩短了5.29~19.44 s。

优化堆叠降噪自编码器用于调度操作票自动校验

为实现核电厂变电站电力调度操作票的自动智能校验,提出了一种基于优化堆叠降噪自编码器(OSDAE)操作票自动校验方法。该方法在对操作票文本进行向量化的基础上,利用优化过的堆叠降噪自编码器实现操作票文本的语义辨析与正误自动化校验。实验结果表明,所提方法的操作票校验评估综合指标可达94.88%,是几种方法中最高的,具有一定的优势。

基于改进的堆叠降噪自动编码器深度模型的转子-转轴系统故障诊断方法

旋转机械转子-转轴系统故障诊断方法中大多采用传统浅层模型,对于数量较大的样本其处理能力有限。为解决此问题,提出一种利用改进的堆叠降噪自动编码器(SDAE)深度模型的故障诊断方法,并对转子-转轴系统的典型故障进行诊断。利用某机械故障综合模拟实验台,结合基于LabVIEW开发的信号采集系统模拟并采集转子-转轴系统的10类单一故障和7类复合故障振动信号。在训练SDAE模型时引入Dropout机制对模型进行改进,并结合Softmax分类器进行网络训练与诊断。与传统BP网络、自动编码器(AE)、无Dropout机制的SDAE和卷积神经网络(CNN)进行对比,结果表明:改进的SDAE方法对于转子-转轴系统故障的正确识别率最高,特别是对复合故障的诊断效果比其他模型更理想,充分验证了改进的SDAE深度模型的优越性。

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。

基于堆栈降噪自动编码器的桥梁损伤识别方法

基于深度学习理论,针对现有桥梁损伤模式识别法的不足,利用多个降噪自动编码器进行损伤特征的提取与组合,应用Softmax方法判断损伤模式,提出了基于堆栈降噪自动编码器的桥梁损伤识别方法。为了验证所提方法的准确性,以连续梁桥为例,使用所提方法及现有BP神经网络法进行损伤位置识别,对比了2种方法的识别精度和抗噪性能。研究结果表明:所提方法能准确识别损伤位置,相对于现有BP神经网络法具有更强的损伤识别能力、更高的识别精度及较强的抗噪能力。

基于改进堆栈降噪自编码器的锅炉设备在线监测数据清洗方法

数据清洗过程是对锅炉设备在线监测数据预处理的一个重要环节,针对数据清洗步骤繁琐,易导致连续性数据被破坏等问题,提出一种基于混合自适应性矩估计和随机梯度下降算法优化的堆栈降噪自编码器的数据清洗方法。首先,引入自适应性矩阵估计和随机梯度下降的混合算法,以不断调整堆栈降噪自编码器模型的网络参数。其次,利用模型训练正常状态数据,获取数据的隐藏特征,得到正常状态下的重构误差。再次,用该模型检测异常状态数据,根据其重构误差分析各种类型的数据对模型的影响,并对“脏数据”和反映设备故障的异常数据进行快速分类清洗修复。通过某电厂锅炉监测数据的清洗修补实验,证明了该方法能准确识别出“脏数据”,修补后的数据亦能遵循数据整体的分布规律,满足了数据的清洗要求,为后续数据分析挖掘和设备故障诊断工作奠定了良好的基础。

基于堆叠降噪自编码器的肝癌亚型分类

肝癌是威胁人类健康的常见恶性肿瘤之一。通过对基因数据使用深度学习方法进行整合来系统地获取对肝癌的认知,使用多组学的疾病分析方法来探究各组学之间的相互关系,有助于更准确的临床决策。然而,由于多组学数据具有高维稀疏性,存在大量的冗余特征和较少的可用临床标签样本。堆叠降噪编码器(SDAE)是能够从海量数据中获取有效特征的高效模型,因此基于SDAE模型提出一种层次式堆叠降噪编码器,来学习肝癌的RNA表达、miRNA表达和DNA甲基化数据的特征并进行整合和识别。实验结果表明:Hi-SDAE方法提高了对肝癌亚型分类的准确度,为肝癌针对性治疗提供了更有价值的参考依据。

基于堆叠降噪自动编码器的胶囊缺陷检测方法

目前医用胶囊生产过程中的缺陷检测主要由人工完成,费时费力,容易受主观因素的影响。提出一种基于堆叠降噪自动编码器的胶囊表面缺陷检测方法,该方法首先建立深度自动编码器网络,并根据缺陷样本进行降噪训练,获取网络的初始权值;然后通过BP算法进行微调,得到训练样本到无缺陷模板之间的映射关系;最后利用重构图像与缺陷图像之间的对比关系,实现测试样本的缺陷检测。实验表明,堆叠降噪自动编码器较好地建立了上述映射关系,能快速、准确地进行缺陷检测,对噪声具有很强的鲁棒性和稳定性。

优化堆叠降噪自动编码器滚动轴承故障诊断

针对深度堆叠降噪自动编码器(SDAE)网络超参数采用经验枚举获得时存在的泛化能力较弱,且选参过程与设计人员经验有关,效率低等问题,利用新设计的人工变性天牛算法(ATLA)对SDAE网络超参数进行自适应选取,并确定网络结构,训练得到故障状态的特征表示,最后输入到Softmax分类层进行故障检测,并确定故障类别。通过变工况下滚动轴承故障诊断仿真实验验证,该文所提出的ATLA-SDAE诊断方法在泛化性能、故障识别率等方面均优于BP神经网络、支持向量机(SVM)以及卷积神经网络(CNN)方法,能够从海量数据中自适应地提取更深层次的故障特征,可避免手动设计和提取故障特征的繁琐过程,更有利于提高故障分类的精度和诊断效率。

基于栈式降噪自动编码器的气体识别

为克服手工设计特征的繁杂过程以及特征不通用性,提高气体识别准确率,提出一种基于深度学习的气体定性识别方法,自动提取自适应的气体数据特征。实验基于UCI机器学习气体数据集,分别对比基于2层深度神经网络结构-栈式降噪自动编码器以及浅层机器学习算法的气体定性识别效果。实验结果表明,基于深度学习算法自动提取特征的过程更简单、通用,提高了气体识别的准确率,改善了传统方法的复杂流程。

基于栈式降噪稀疏自动编码器的雷达目标识别方法

雷达目标识别中特征提取是关键步骤,所提取特征的好坏决定着识别效果的优劣,但传统特征提取方法很难发掘目标数据深层次本质特征。深度学习理论中的自动编码器模型能够用数据去学习特征,获得数据不同层次的特征表达。同时为消除噪声影响,该文提出一种基于栈式降噪稀疏自动编码器的雷达目标识别方法,通过设置不同隐藏层数和迭代次数,从雷达数据中直接高效地提取识别所需的各层次特征。暗室仿真数据实验结果验证了该方法较K近邻分类方法及传统栈式自编码器有更好的识别效果。

基于降噪自动编码器的不平衡情感分类研究

目前,网络评论的情感分类研究大部分是不平衡样本数据,正向样本的数量一般远大于负向样本,对这种不平衡样本集进行分类时容易产生少数类误差较大的问题。而且由于网络评论的表达形式多变,不易获取到大量的有监督的数据。针对上述问题,对无监督的不平衡网络评论情感分类进行研究。首先通过改进降噪自动编码器,提高少数类的特征值,避免分类样本向多数类偏移。然后将获取的特征值作为k-means算法的输入值,实现了无监督的样本分类。实验证明,该算法对不平衡率较高的样本具有良好的适应性,从而验证了算法的有效性。

基于改进降噪自动编码器的点击率预测

点击率(CTR)预测是个性化广告和推荐系统中的一项基本任务.针对提升点击率预测效果和处理冷启动问题,本文中提出了一种基于改进降噪自动编码器的点击率预测模型ADVAE (ADditional Variational Auto Encoder),该模型在输入数据加入高斯随机噪声,利用改进的降噪自动编码器生成新的嵌入特征,然后分别进行低阶和高阶的特征交互来预测用户点击行为.该方法可以在数据稀疏以及系统冷启动情况下,更深层地学习特征嵌入与交叉之间的关系.该模型关注特征域之间的交互,动态修复低频数据的特征嵌入,具有更强的鲁棒性.此外,该方法可以动态应用到其他深度学习模型,具有更高的灵活性.实验结果表明,该方法在点击率预测和系统冷启动问题上的性能表现均优于现有方法.

基于优化栈式降噪自动编码器的路面不平度检测

路面不平度严重影响着路面的使用寿命和乘坐的舒适性,为了根据路面谱密度检测路面平整度,提出了一种根据深度学习思想的优化栈式降噪自动编码器(SDAE)的路面不平度检测方法。以四自由度车辆振动模型为基础,将通过ADAMS仿真得到的汽车质心垂直加速度功率谱和汽车质心俯仰角加速度功率谱为输入样本,并利用优化后的降噪自动编码器对路面进行检测和分类,试验结果表明:基于优化后的栈式降噪自动编码器的路面不平度检测精度高达95.7%,提高了检测的准确率,并改善了传统方法的复杂流程,适用于路面不平度检测。

基于降噪自动编码器特征学习的音乐自动标注算法

目前,音乐自动标注模型大多采用手动设计模式,因而存在最佳特征难以选择的问题。提出了一种基于非监督学习的特征学习算法,该算法能自动学习特征的潜在结构而不需要依赖先验知识。首先,预处理阶段主要提取音乐的音级轮廓频率谱并进行PCA白化降维处理;然后,采用深度学习中的降噪自动编码器算法对降维后的特征进行无监督的学习,并采用最大值池化和取均值来聚合得到新的特征向量;最后,将特征向量和标签送入多层感知机中进行有监督的学习。基于Magnatagatune和GTZAN数据库的实验结果表明,本文算法在一定程度上提高了音乐自动标注的准确率。

用于域适应的多边缘降噪自动编码器

神经网络模型被广泛用于跨领域分类学习。边缘堆叠降噪自动编码器(marginalized stacked denoising autoencoders,mSDA)作为一种神经网络模型,通过对源领域和目标领域数据进行边缘化加噪损坏,学习一个公共的、健壮的特征表示空间,从而解决领域适应问题。然而,mSDA对所有的特征都采取相同的边缘化加噪处理方式,没有考虑到不同特征对分类结果的影响不同。为此,对特征进行区分性的噪音系数干扰,提出多边缘降噪自动编码器(multi-marginalized denoising autoencoders,M-MDA)。首先,利用改进的权重似然率(weighted log-likelihood ratio update,WLLRU)区分出领域间的共享和特有特征;然后,通过计算特征在两个领域的距离,对共享特征和特有特征进行不同方式的边缘化降噪处理,并基于单层边缘降噪自动编码器(marginalized denoising autoencoders,MDA)学习获取更健壮的特征;最后,对新的特征空间进行二次损坏以强化共享特征的比例。实验结果表明,该方法在跨领域情感分类方面优于基线算法。