栈式稀疏自编码网络的多时相全极化SAR散射特征降维

利用极化合成孔径雷达(PolSAR)能够实现地物的识别和分类,而多时相全极化SAR可以获取地物更多的散射特征,提升地物识别精度,但高维散射特征的引入会带来严重的维数灾难问题。为了实现对高维散射特征的有效降维,本文提出一种基于栈式稀疏自编码网络S-SAE(Stacked Sparse AutoEncoder)的多时相PolSAR散射特征降维方法。该方法首先对PolSAR数据进行极化目标分解以获取高维散射特征;然后使用S-SAE对获取的多维特征进行降维处理,其中S-SAE降维方法首先采用无监督训练方式进行逐层贪婪训练;再结合Sigmod分类器,利用监督训练的方式对S-SAE进行参数优化,实现高维特征的有效降维;最后以降维后的特征作为支持向量机(SVM)和卷积神经网络(CNN)分类器的输入,实现地物分类。通过仿真和实测的两组多时相Sentinel-1数据处理结果表明,双隐层的S-SAE降维方法在各分类器上均取得最优的降维效果;对比各降维方法在SVM分类器上的分类精度,S-SAE较于局部线性嵌入(LLE)与主成分分析(PCA)降维方法,总体分类精度分别至少提升了9%和14%;在CNN分类器上,S-SAE较于LLE与PCA降维方法,总体分类精度分别至少提升了7%和9%。

相移键控信号的深度神经网络解调器

多元位置相移键控(MPPSK)信号具有高带宽利用率的特性,但是,带限信道下传统解调方案的解调性能大幅度下降。针对这个问题,提出了基于栈式稀疏自编码(SSAE)网络的码元判决方案。从接收信号提取特征信息和码元之间的码间干扰,并使用深度学习的思想对SSAE网络进行训练,使SSAE网络在信道环境恶劣的条件下对码元进行正确分类。此外,提出'多码元联合判决'方案并应用到SSAE网络的训练中,有效提高网络的解调性能。仿真结果表明,SSAE网络比传统方案的解调性能提高1~2个数量级,并且对信道环境的适应性更强。

基于LMD能量熵和定位分析的风电变流器开路故障诊断

为提高风电变流器的故障诊断准确率,针对永磁同步风电机组网侧变流器IGBT模块的单一开路和双开路故障问题,提出一种基于局部均值分解(LMD)能量熵和定位分析的风电变流器开路故障诊断方法。首先,采集网侧变流器三相输出电流作为原始信号,利用LMD将其自适应分解为多层乘积函数(PF)分量,并求取各状态下PF分量的能量熵特征。然后,根据开路故障造成的三相电流时间序列的畸变特性进行定位分析。最后,将融合能量熵特征和定位参数的特征向量输入栈式稀疏自编码(SSAE)网络进行训练和故障识别。仿真与实验结果表明,融合能量熵特征和定位分析的特征提取方法使故障特征更为明显,相较于其他特征提取方法可有效提高风电变流器故障诊断准确率。

SSAE和IGWO-SVM的滚动轴承故障诊断

针对滚动轴承的故障诊断问题,提出了一种基于栈式稀疏自编码网络(stacked sparse auto encoder,简称SSAE)、改进灰狼智能优化算法(improved grey wolf optimization,简称IGWO)以及支持向量机(support vector machine,简称SVM)的混合智能故障诊断模型。首先,利用栈式自编码网络强大的特征自提取能力,实现故障信号深层频谱特征的自适应学习,通过引入稀疏项约束提高特征学习的泛化性能;其次,利用改进的灰狼算法实现支持向量机的参数优化;最后,基于优化后的SVM完成对故障特征向量的分类识别。所提混合智能故障诊断模型充分结合了深度神经网络强大的特征自学习能力和支持向量机优秀的小样本分类性能,避免了手工特征提取的弊端,可对不同故障类型的振动信号实现更精准的识别。多组对比实验表明,相比传统方法,笔者所提出的模型具有更优秀的故障识别能力,诊断准确率可达98%以上。

基于深度学习的兵棋演习数据特征提取方法研究

为使基于机器学习的兵棋演习战场态势分析理解取得更好结果,围绕兵棋演习数据特征提取问题,以深度学习方法为手段,提出了一种栈式稀疏降噪自编码网络模型,输入真实的兵棋演习数据进行了特征提取实验,通过分类精度表征了方法的效果,并进行了多种不同方法的对比实验,证明了深度学习方法的优势.