“分解-校正-集成”模式下基于深度信念网络模型的径流预测

精准的短期径流预测可为流域内水资源规划、防洪调度及抗旱减灾工作提供重要的科学依据。为减小模型的系统误差,提高径流预测精度,在“分解-集成”模式的基础上提出“分解-校正-集成”框架,构建EEMD-DBN-EnKF、VMD-DBN-EnKF模型。利用集合卡尔曼滤波数据同化算法对偏离实测径流过大的分量校正以降低分解子序列在预测中产生的系统误差,并与未修正的EEMD-DBN、VMD-DBN模型及单一DBN模型进行了对比分析。结果表明:基于模态分解的组合模型较单一模型RMSE减小了至少23%,NSE与R^(2)增加了21%以上;基于径流分量校正的组合模型相较于模态分解的组合模型各评价系数有所提升,其中VMD-DBN-EnKF预测模型误差最小,效果最优,NSE与R^(2)达到0.89以上,其次依次为EEMD-DBN-EnKF>VMD-DBN>EEMD-DBN。综上“分解-校正-集成”模式的预测框架在玛纳斯河流域具有良好的适用性,可为玛纳斯河径流短期预报提供技术支持。

基于IMODA自适应深度信念网络的复杂模拟电路故障诊断方法

针对传统DBN在无监督训练过程中预训练耗时久、诊断精度差等问题,提出了一种基于改进多目标蜻蜓优化自适应深度信念网络(IMODA-ADBN)的模拟电路故障诊断方法。首先,根据参数更新方向的异同提出了自适应学习率,提高网络收敛速度;其次,传统DBN在有监督调优过程利用BP算法,然而BP算法存在易陷入局部最优的问题,为了改善该问题,利用改进的MODA算法取代BP算法提高网络分类精度。在IMODA算法中,添加Logistic混沌印射和基于对立跳跃以获得帕累托最优解,增加算法的多样性,提高算法的性能。在7个多目标数学基准问题上测试该算法,并与3种元启发式优化算法(MODA、MOPSO和NSGA-II)进行比较,证明了IMODA-ADBN网络模型具有稳定性。最后将IMODAADBN运用到二级四运放双二阶低通滤波器的诊断实验中,实验结果表明该方法在收敛速度快的基础上保证了分类精度,诊断率更高,能够实现高难故障的分类与定位。

深度信念网络在农业信息领域中的应用研究

中国是农业大国,随着农业信息化和现代化的快速发展,农业信息领域更偏向于数据的挖掘和分析。深度信念网络是由多个受限玻尔兹曼机堆叠形成的深层神经网络模型,可以自动提取农业信息领域数据特征,具有操作简便、对计算机硬件要求较低的优点,在农业信息领域数据分析方面得到广泛应用,尤其是在农作物疾病和杂草识别检测、农作物产量预测、土壤性质预测和降水预报以及畜牧生产和管理等领域的应用表现出色,为农业信息领域数据处理和分析提供了新方向。在阐述深度信念网络在农业信息领域发展概况的基础上,介绍了深度信念网络的重要应用,分析了深度信念网络在农业信息领域的优势和缺陷,最后对深度信念网络在农业信息领域的应用前景了进行展望。

基于邻域粗糙集与深度信念网络的油浸式变压器故障诊断

针对油浸式变压器的故障类型分类问题,提出一种基于邻域粗糙集与DBN的故障诊断模型。通过对变压器中故障气体进行无编码比值处理,得到了35种故障特征气体比值。利用相关性分析与领域粗糙集算法对所得气体比值进行特征选择,删去冗余以及对故障类型没有贡献的特征气体比值。将所得的9种特征气体比值作为输入变量,构建DBN诊断模型,实现了油浸式变压器的故障诊断。DGA数据上的实验结果验证了所提方法的有效性和准确性。

基于最优深度信念网络的高比例分布式光伏发电数据虚拟采集方法研究

为了解决配电站的高比例分布式光伏数据难以采集问题,提出了一种基于最优深度信念网络的分布式光伏数据虚拟采集方法。最优深度信念网络包括两部分,分别为基本深度信念网络与自适应萤火虫算法。其中,自适应萤火虫算法被用于估计深度信念网络的输出权重矩阵。首先,所提出的分布式光伏数据虚拟采集方法,可以实现同一光伏电站在仅1座分布式光伏设备具有完备数据采集装置情形下,完成区域范围内所有分布式光伏设备数据的虚拟采集;然后,以区域范围内100座分布式光伏设备对所提出的分布式光伏数据虚拟采集方法进行了验证。

基于深度信念网络的循环流化床SO_(2)排放浓度预测

我国火电机组超低排放要求二氧化硫排放时,其质量浓度小于35 mg/m3,精准预测SO_(2)排放浓度并加以控制对于火电机组环保运行具有重要意义。针对循环流化床SO_(2)排放浓度预测问题,引入深度机器学习方法建立了基于深度信念网络的SO_(2)排放浓度预测模型。首先,通过机理分析确定影响SO_(2)排放浓度的操作变量,并作为模型输入;其次,利用DBN网络提取模型输入的深度特征,以ELM作为回归器建立预测模型;最后,将DBN-ELM模型与目前常用的3种SO_(2)排放浓度预测模型进行了对比,结果表明,该模型均方根误差、平均绝对误差分别为175.3 mg/m^(3)、117.6 mg/m^(3),预测精度远高于其他3种对比模型,在实际工程中更具有应用价值。

基于深度信念网络的高速路段换道行为研究

为了应对高速路段由换道所导致的交通安全问题和交通拥堵问题,在分析各影响因素在换道决策中所占比重的基础上,利用深度信念网络建立了车辆的换道决策模型,用来协助驾驶人选择合适的换道时机,提高车辆换道的安全性、可靠性和高效性。利用详细的车辆轨迹数据对模型进行训练,结果表明:建立的深度信念网络模型能有效地给出合理的决策。此外,该模型还可为交通仿真研究和高级辅助驾驶系统的开发提供思路。

基于深度信念网络的光通信网络数据异常识别研究

为了降低光通信网络被攻击的概率,保证光通信的安全顺畅,提出基于深度信念网络的光通信网络数据异常识别方法。利用时间-频率相结合的算法建立光通信信道模型,获取信道特征。根据信道特征密度设计数据异常特征的判断准则,利用数据挖掘聚类算法提取异常数据特征。融合BP网络和受限玻尔兹曼机网络,确立深度信念网络结构,结合隐藏层与可见层单元的概率分布情况构建数据异常识别模型,经过数据采集、特征归一化和模型微调等过程完成光通信网络数据异常识别。仿真实验表明,所提方法能够获取准确的光通信网络异常数据特征,光通信网络数据异常识别高和误报率低。

基于随机子空间的集成深度信念网络算法

燃煤电站的NO_(x)排放是造成大气污染的主因之一,准确测定SCR入口处的NO_(x)浓度对控制NOx排放具有重要意义。针对燃煤过程中的高维参数变量,提出基于随机子空间的集成深度信念网络预测算法。利用偏最小二乘法对现场数据进行特征提取并计算方差解释度;根据方差解释度进行随机子空间划分,建立输入样本在不同方向上的投影子空间,在各个子空间训练相同结构的基学习器;最后,通过BP神经网络进行集成。以660 MW超超临界直流燃煤锅炉为研究对象,进行仿真实验,结果与常用NO_(x)排放预测模型进行对比,表明所提预测模型有良好的提升效果。

基于深度信念网络的盾构隧道施工安全研究

针对广州地铁18号线盾构隧道工程施工的主要安全问题——地表沉降和管片上浮,基于现场监测得到的施工参数与安全问题间的海量大数据,采用深度学习网络——深度信念网络构建了施工安全预测模型,并研究了六个主要施工掘进参数对施工安全的影响。结果表明:深度信念网络可以根据现场监测大数据得到较准确的地表沉降和管片上浮预测值;且地表沉降量随土仓压力、注浆量和注浆压力的增大而减小,随千斤顶推力、刀盘扭矩和掘进速度的增大而增大。而管片上浮量随土仓压力和注浆压力的增大而增大,随千斤顶推力和注浆量的增大而减小,刀盘扭矩和掘进速度对管片上浮影响不大。

多特征融合和深度信念网络的红外弱小目标跟踪方法

研究基于多特征融合和深度信念网络的红外弱小目标跟踪方法,实时掌握目标运动状况,为有效处置目标突发情况提供可靠依据与参考。利用FPGA技术采集红外弱小目标图像,并通过FPGA完成采集图像降噪处理,采用双矩形窗口提取图像特征,并使用基于协方差矩阵的多特征融合策略获取融合结果并将其输入到深度信念网络模型中,在此基础上对红外弱小目标进行识别与检测,并通过Camshift算法明确质心所处方位,最终完成红外弱小目标跟踪。实验结果表明:误差结果约为0.1~0.15,处理图像帧数为150帧,说明本红外弱小目标检测、跟踪效果较好、误差小、效率高。

基于深度信念网络的高校教育管理模式评价研究

针对当前高校教育管理模式评价方法存在局限性,为了获得更优的高校教育管理模式评价结果,文章提出了基于深度信念网络的高校教育管理模式评价方法。建立了高校教育管理模式评价指标,将其作为深度信念网络的输入,采用分歧算法和反向传播算法对深度信念网络进行学习和参数优化,建立高校教育管理模式并评价模型。实验结果表明:深度学习网络的评价精度高,可以获得理想的高校教育管理模式评价结果。

基于深度信念网络的织物疵点检测

为提高织物疵点检测精度和效率,提出了一种基于深度信念网络的织物疵点检测方法。用改进的受限玻尔兹曼机模型对深度信念网络进行训练,完成模型识别参数的构建。利用同态滤波方法对图像进行预处理,使疵点图像更加清晰,同时抑制了背景图像。以Python语言,基于TensorFlow框架构建深度信念网络模型,对织物疵点图像进行处理得到学习样本,确定模型激活函数后,分析了各模型参数对织物疵点检测准确率的影响规律,得到激活函数为Relu, Dropout值为0.3,预训练学习率为0.1,微调学习率为0.000 1,批训练个数为64时,模型参数值达到最优。最后,利用在无缝内衣机上采集到的各类疵点图像,对深度信念网络织物疵点检测模型进行验证。结果表明:所提出的织物疵点检测方法能够快速、有效地对织物疵点进行检测和分类识别,准确率达到98%。

基于深度信念网络的光通信网络数据异常识别研究

为提高光通信网络数据传输能力,基于深度信念网络研究光通信网络数据异常识别方法。先构建光通信网络数据传输模型,采用深度信念网络进行传输信道均衡控制,利用模糊多分类支持向量机提取数据异常特征,构建数据分类学习模型,实现对数据异常重构和关联规则挖掘,采用深度信念网络对光通信网络数据进行异常张量切片重组,用张量对多关系网络进行建模,实现对光通信网络数据异常识别。仿真结果表明,所提改进方法的能量开销仅为1.2 kJ,生命周期为55.75 h,且识别时间仅为1.0 ms,优于其余两种方法,具有更大的应用价值。

计及深度信念网络场景生成的风/光/储协同优化规划方法

新能源出力具有随机波动性,考虑具有随机性的新能源出力场景对新能源与储能规划具有重要意义。现有基于随机抽样的场景生成方法难以考虑新能源波动性和出力时序性。基于此,首先提出一种基于深度信念网络的新能源出力时间序列场景生成方法,以充分挖掘新能源出力特性。其次,综合考虑系统经济性和环保性,建立了基于中长期时序电力平衡的风/光/储协同规划模型。为充分计及新能源出力随机性,采用多组风/光出力模拟序列作为规划模型输入,以所有场景期望结果作为最终规划结果,并对规划结果进行可靠性校核。最后,以我国某省级电网为例进行算例分析,研究不同随机场景和参数灵敏度下的风/光/储容量规划方案,为考虑新能源出力随机性的电源规划问题提供解决方案。

基于深度信念网络的属性散射中心匹配及在SAR图像目标识别中的应用

合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标识别是SAR图像解译的重要应用。为提高SAR目标识别的稳健性,本文提出基于深度信念网络(Deep Belief Network,DBN)的属性散射中心匹配方法。属性散射中心参数特征丰富,能够很好地反映目标的局部散射特性。DBN发挥深度学习优势,可以实现测试样本与模板样本散射中心集的稳健匹配,并且能够较好地适应噪声干扰、部分缺失等情形。在构建的属性散射中心匹配关系的基础上,定义相似度度量准则。基于最大相似度的原则确定测试样本所属类别。实验依托MSTAR数据集开展,经验证,所提方法对于SAR目标识别问题具有良好的有效性和稳健性。

基于深度信念网络的污水处理设备故障诊断方法

针对目前污水处理设备复杂且监测系统不完善的问题,研究了污水处理设备故障诊断模型。通过BP网络创建污水源热泵机组故障诊断模型,将某污水源热泵集中供暖系统作为研究对象,收集各工况数据作为训练样本,创建故障诊断模型并且分析性能。通过实验结果表示,此方法能够降低训练迭代次数,提高诊断精准率,性能优化效果良好。

基于自适应深度信念网络的商场空调冷负荷预测

本文提出了基于自适应深度信念网络的商场空调冷负荷预测方法,通过分析对比本文所提出算法与深度信念网络以及高斯处理后的连续受限玻尔兹曼机-深度信念网络(CRBM-DBN)三种不同的算法模型,得到了可靠的商场空调冷负荷预测模型。通过实验分析,本文改进后的模型在预测准确度方面,较DBN模型均方根相对误差提高66.69%,较CRBM-DBN模型提高55.87%。在运行时间方面,较DBN模型节省了9.11 s,较CRBM-DBN模型节省了6.97 s,模型的收敛速度以及训练精度得到有效提高。

基于深度信念网络的模拟电路故障诊断

为及时精准地发现模拟电路故障,保障电子仪表的安全稳定运行,提出了基于深度信念网络的模拟电路故障诊断方法。采用自动编码器模拟电路初始故障信号进行降噪处理,将降噪后信号输入到深度信念网络中提取特征,极限学习机根据特征建立故障诊断模型,结果表明,深度信念网络可以有效提取模拟电路各类故障特征,模拟电路各类故障的整体诊断精确率可达到98.47%,可为模拟电路保障诊断提供了一种新的工具。

基于深度信念网络的复杂机电设备故障诊断方法

常规的复杂机电设备故障诊断方法主要使用欧式向量矩阵确定故障逻辑特征,易受故障动态判断关联作用的影响,导致故障特征提取指标不拟合,因此基于深度信念网络设计了一种全新的复杂机电设备故障诊断方法。利用经验模态分解(Empirical Mode Decomposition,EMD)提取复杂机电设备故障的诊断特征,构建多Agent复杂机电设备故障诊断模型,并结合深度信念网络设计了设备故障诊断深度信念网络(Deep Belief Network,DBN)分类器,从而实现了复杂机电设备故障的诊断。实验结果表明,设计的复杂机电设备深度信念网络故障诊断方法提取的不同故障指标和实际故障指标拟合,证明设计的复杂机电设备故障诊断方法的诊断效果较好,为降低复杂机电设备的运行风险贡献力量。