基于深层卷积随机配置网络的电熔镁炉工况识别方法研究

为解决电熔镁炉工况识别模型泛化能力和可解释性弱的缺陷,提出一种基于深层卷积随机配置网络(Deep convolutional stochastic configuration networks,DCSCN)的可解释性电熔镁炉异常工况识别方法.首先,基于监督学习机制生成具有物理含义的高斯差分卷积核,采用增量式方法构建深层卷积神经网络(Deep convolutional neural network,DCNN),确保识别误差逐级收敛,避免反向传播算法迭代寻优卷积核参数的过程.定义通道特征图独立系数获取电熔镁炉特征类激活映射图的可视化结果,定义可解释性可信度评测指标,自适应调节深层卷积随机配置网络层级,对不可信样本进行再认知以获取最优工况识别结果.实验结果表明,所提方法较其他方法具有更优的识别精度和可解释性.

基于深度迁移学习的大雾等级智能认知方法研究

已有雾气检测模型存在缺陷以及深层神经网络优化存在困难。模仿人类认知模式,借鉴迁移学习和闭环控制理论思想,探索了一种基于动态交错组卷积的雾气等级智能认知方法。首先,构建交错组卷积层以降低卷积运算的通道冗余;其次,构建可区分性测度指标和认知决策信息系统,获取雾气图像多层次差异化简约特征空间数据结构;再次,设计深层随机配置网络分类器,构建具有强泛化能力的分类准则;最后,基于广义误差和熵理论,仿人类反复推敲比对的认知模式实时评测雾气等级认知结果的可信度,基于迁移学习机制实现雾气图像多层次差异化特征空间及其分类准则的自寻优重构,对可信度低的雾气图像进行再认知。15 000幅大雾图像的平均识别率为95.98%,实验结果表明,所用方法与其他算法相比,增强了模型的泛化能力,提升了模型的认知精度。