基于深度信念神经网络的微震波到时拾取方法

微震信号到时的准确拾取是进行震源定位等技术的基础。传统的到时拾取方法大多依赖于人工干预,对采集数据信噪比的要求较高。为了提高低信噪比中微弱信号的拾取准确率,提出一种基于S变换和深度信念神经网络的拾取方法。该网络模型训练分两步进行,首先对经S变换处理过的原始数据利用受限玻尔兹曼机进行无监督预训练,得到网络模型参数的初值;再通过误差反向传播来微调网络参数,构建最终的深度信念神经网络模型。本次利用训练好的网络对数据进行拾取,并与STA/LTA法的拾取结果进行对比,分析结果表明本文方法有更高的抗噪性。

多模深度卷积神经网络应用于视频表情识别

由于视频中的手工特征和主观情感之间的直接相关性很小,识别视频序列中的面部表情是一项很有挑战性的任务,为了克服这个缺陷,有效提高视频中的人脸表情识别性能。本方法采用两个深度卷积神经网络,即空间卷积神经网络和时间卷积神经网络,用于视频中的时空表情特征学习。其中,空间卷积神经网络用于提取视频中每一帧静态的表情图像的空间信息特征,而时间卷积神经网络用于从视频中多帧表情图像的光流信息中提取动态信息特征。然后,将这两个深度卷积神经网络学习到的时空特征进行基于深度信念网络(DBN)的特征层融合,输入到支持向量机实现视频中的人脸表情分类任务。在公共的RML和BAUM-1s视频情感数据集的测试结果表明,该方法分别取得了71.06%和52.18%的正确识别率,明显优于现有文献报导的结果。多模深度卷积神经网络的人脸表情识别方法能提高视频中人脸表情的识别性能。

一种基于特征映射与深度学习的虚假数据注入检测方法

智能电网逐步发展为大型电力信息物理系统,信息与物理系统的交互降低了其抵御虚假数据攻击(false data injection attacks, FDIA)的能力。针对这一问题,研究并提出了一种基于多层递阶融合模糊特征映射方法(multi-layer hierarchical fusion fuzzy feature mapping, MLHFFFM)与条件深度信念网络(deep belief network, DBN)相结合的智能电网虚假数据注入检测方法。首先,对FDIA原理进行分析,基于MLHFFFM结合主成分分析法对智能电网负荷数据进行聚类,选取日负荷与预测日类似的近似日;然后,提出利用条件深度信念神经网络对近似日智能电网负荷进行分析,通过选取不同参数对日负荷特征进行动态捕捉从而检测FDIA;最后,结合某省实际负荷以IEEE33节点系统为例进行分析。案例分析结果表明,所提模型相比于其他模型,在不同攻击强度下准确率均保持在95%以上,错报率在5%以下,能够有效检测出虚假数据的注入。

深度学习:多层神经网络的复兴与变革

人工智能(AI)已经进入一个新的蓬勃发展期。推动这一轮AI狂澜的是三大引擎,即深度学习(DL)、大数据和大规模并行计算,其中又以DL为核心。本文回顾本轮"深度神经网络复兴"的基本情况,概要介绍常用的4种深度模型,即:深度信念网络(DBN)、深度自编码网络(DAN)、深度卷积神经网络(DCNN)及长短期记忆递归神经网络(LSTM-RNN)。简要介绍深度学习在语音识别和计算机视觉领域几个重要任务上的应用效果情况。为便于应用DL,介绍了几种常用的深度学习开源平台。对深度学习带来的启示和变革做了一些开放式的评述,讨论了该领域的开放问题和发展趋势。

基于DBN的液压泵劣化程度评估方法研究

针对轴向柱塞泵中心弹簧失效故障难以有效评估的问题,提出一种基于梅尔频率倒谱系数(MFCC)和深度信念神经网络(DBN)的液压泵劣化程度评估方法。对现场采集的正常数据和3种不同程度中心弹簧失效故障的液压泵振动信号进行信号预处理,包括预加重、分帧和加窗等;对预处理后的信号进行快速傅里叶变换(FFT),得到其频率谱和功率谱,然后让其通过Mel滤波器组,得到信号的对数能量;最后对对数能量进行离散余弦变换,得到信号的倒谱系数和一阶差分系数,并以此构成特征向量。基于DBN方法搭建深度学习模型,对特征向量进行学习,将测试样本导入深度学习模型,对中心弹簧失效程度进行评估,并将倒谱系数和一阶差分系数的识别结果进行对比。结果表明:当选择倒谱系数为特征向量时,具有较高的识别精度,能够有效识别轴向柱塞泵中心弹簧的性能劣化程度。

基于深度集成学习的类极度不均衡数据信用欺诈检测算法

信用欺诈数据分布极度不均衡时,信息失真、周期性统计误差和报告偏倚所产生的噪声错误对训练模型干扰凸显,且易产生过拟合现象.鉴于此,提出一种深度信念神经网络集成算法来解决类极度不均衡的信用欺诈问题.首先,提出双向联合采样算法克服信息缺失和过拟合问题;然后,构造2阶段基分类器簇,针对支持向量机(support vector machine,SVM)对不均衡数据分布所表现的分类超平面向少数类偏移问题,利用增强(boosting)算法生成SVM与随机森林(random forest,RF)结合的基分类器簇;利用深度信念网络(deep belief network,DBN)整合基分类器簇的多元预测,输出分类结果.考虑传统精度评价指标过度关注多数类样本,忽视信用欺诈存在违约损失高于利息收益事实,引入成本-效益指数兼顾正类和负类样本的识别能力,提高模型对少数类样本预测精度.通过对欧洲信用卡欺诈数据检测发现,相比于其他相关算法成本效益指数均值提高3个百分点,同时,实验比较样本不均衡比例对算法精度影响,结果表明在处理极端不均衡数据时所提算法效果更优.

基于图像处理的鸡蛋新鲜度预测模型研究

采集98枚不同贮藏时间鸡蛋图像信息,测量鸡蛋蛋重、蛋白及气室高度等新鲜度常规指标,以Matlab图像处理工具箱为研究工具,测量蛋黄面积比、气室高度及整蛋长短径,通过SPSS统计分析蛋重与整蛋长短径和气室高度关系回归模型,蛋白高度与蛋黄面积比、气室高度等关系模型;以蛋重及蛋白高度为特征参数,利用深度信念网络建立预测模型,进行新鲜度预测分级。所建蛋重及蛋白高度预测模型相关系数分别为0.942和0.925,新鲜度分级准确率为93.3%。结果表明:该试验所设计基于图像处理数据的鸡蛋新鲜度分级模型准确率高,采集装置简单,可用于估测鸡蛋新鲜度。

多源异构大数据下综合能源系统用户用能行为预测分析研究

在综合分析用户侧用能数据特征和数据来源基础上,建立了基于Spark平台和平衡迭代规约聚类分析(BIRCH)的用户用能行为聚类分析算法,并提出了算法并行化策略和聚类结果评价指标。针对用户用能行为聚类结果,结合Spark平台和深度信念神经网络(DBN)构建了用户用能需求多线程预测模型。通过算例对并行化聚类算法和多线程需求预测模型进行了仿真分析,结果表明,构建的基于Spark-BIRCH的用户用能行为聚类算法具有较高的准确度和有效度,基于Spark-DBN的预测模型比单一预测模型的预测精度更高。仿真结果验证了2种模型的有效性和可行性。

基于SAE-DBN的联合收割机液压系统运行状态监测

液压系统是联合收割机重要的组成系统之一,针对收割机液压系统故障特征提取困难以及多种故障场景下的预警准确率低等问题,提出了一种基于堆叠自编码器和深度信念神经网络融合(SAE-DBN)的联合收割机液压系统运行状态监测方法。在SAE-DBN模型训练过程中,依次训练AE层和RBM层并堆叠,分别得到SAE和DBN,再将SAE和DBN进行连接并微调模型参数。将液压系统中关键部位的参数作为SAE-DBN的输入,进行二次特征提取,然后对液压系统的运行状态进行分类。雷沃GM80型联合收割机的作业运行试验表明:基于SAE-DBN联合收割机液压系统运行状态监测的准确率达到了91.88%,与SAE和BP神经网络等方法相比分别提高了3.82%和8.09%,为液压系统故障诊断提供了一种新的思路。