基于元学习的多可信度深度神经网络代理模型

为了降低计算量,多可信度代理模型技术通过融合不同精度和计算量的分析模型构建高精度分析模型的代理模型,在基于仿真的工程优化中得到广泛应用。现有的多可信度建模方法在面对高维问题时往往仍需要大量高精度样本点,计算量很大,且大都基于高斯随机过程理论,超参数估计时长随着问题维数和非线性程度的增加明显增长且不够稳健。为此,充分利用深度神经网络在高维信息提取和近似方面的巨大潜能,以及元学习理论在小样本学习领域的优势,提出一种基于元学习的多可信度深度神经网络(Meta-learning based multi-fidelity deep neural networks, MLMF-DNN)代理模型方法。通过若干数学算例和NACA0012翼型稳健优化问题的应用,表明提出的MLMF-DNN方法相比于经典的Co-Kriging方法,在预测精度和训练时长上均有明显改善,对于高维问题优势更明显。

基于层次稀疏DBN的瓶颈特征提取方法

针对现有语音特征无法有效利用长时段语音和监督性类别信息,及现有瓶颈特征提取方法耗时过长等缺陷,提出基于层次结构稀疏深度可信神经网络的瓶颈特征提取方法.该方法将重叠组套索作为深度可信神经网络目标函数的稀疏正则项使用,从而构建训练速度更快的稀疏深度可信神经网络.然后利用层次结构的网络架构方式,将两个稀疏深度可信神经网络串联后使用,进一步增强瓶颈特征的判决能力.文中将此瓶颈特征应用于音素识别中,实验表明该特征的有效性.

大数据下的深度学习研究

给出了大数据和机器学习的子领域——深度学习的概念,阐述了深度学习对获取大数据中的有价值信息的重要作用。描述了大数据下利用图像处理单元(GPU)进行并行运算的深度学习框架,对其中的大规模卷积神经网络(CNN)、大规模深度置信网络(DBN)和大规模递归神经网络(RNN)进行了重点论述。分析了大数据的容量、多样性、速率特征,介绍了大规模数据、多样性数据、高速率数据下的深度学习方法。展望了大数据背景下深度学习的发展前景,指出在不远的将来,大数据与深度学习融合的技术将会在计算机视觉、机器智能等多个领域获得突破性进展。

高判别精度的区块链交易合法性检测方法

区块链上的交易合法性检测对于加密数字货币的监管具有重大意义。针对现有交易合法性检测方法存在的检测精度低下、判别过程中难以有效兼顾交易本身信息与前后拓扑信息的问题,提出融合可信深度森林的多角度高精度合法性检测方法。设计基于可信生成特征的可信深度森林TForest,以特征重排序的方式赋予子样本足够的区分度,结合可变滑动窗口以均衡无混淆的方式提取可信子样本,在大幅度降低生成特征维度的基础上,提高了深度森林的判别精度。提出一种集成策略,基于不同基模型对于正负样本识别能力的差异性,采用双阶段逐层优化的方式有效融合可信深度森林与Transformer图网络及残差网络三类基判别器,兼顾两方面信息,构成高精度的多角度分析模型T2Rnet。在Elliptic数据集上的实验结果显示,该模型的F1-score达到83.11%,相比基准图卷积方法提升31.6%,具备可靠的交易合法性检测性能。

基于双结构深度学习的滚动轴承故障智能诊断

大型转动机械在工业生产过程中,轴承故障频发,呈现出一种“大数据”的特性,并且现场获取的故障数据往往是不完备和无标签的,亟需开发具有自学习能力的诊断算法。针对该研究提出一种基于双结构深度学习的轴承故障类型与损伤程度的智能诊断算法。该方法使用不完备的数据建模,分为故障类型自学习网络和故障损伤等级识别网络两个结构。对轴承故障信号进行形态学滤波,抑制部分噪声,增强信号的脉冲特征;对消噪后信号进行S变换得到时频图,获取故障类型的共性特征;并将时频图作为卷积神经网络(CNN)的输入,利用网络的相似性度量在目标空间对同类型样本汇聚、不同类型样本分离,实现对轴承故障类型的分类与新故障类型的自学习。将实现故障类型分类的信号经归一化处理后作为深度置信网络(DBN)的输入,利用DBN对微小故障的敏感性对不同损伤程度的差异特征进行提取,之后将提取的特征作为贝叶斯分类器的输入,依据后验概率判别规则实现故障损伤等级自主识别。将该方法应用于西储大学实验平台的滚动轴承故障数据,结果表明,该方法在不完备数据建模的情况下,不仅能完成故障类型与损伤等级的准确分类,而且还能实现故障自学习和损伤等级自增长,增强了诊断过程的智能性。

基于DBN的线上供应链金融信用风险研究

"互联网+"背景下,针对如何解决深度挖掘线上供应链金融大数据背后信用风险的问题,提出了一种基于深度信念网络(DBN)的线上供应链金融信用风险评估方法。首先,建立了由受限玻尔兹曼机(RBM)和分类器SOFTMAX构成的深度信念网络评估模型,并利用该模型对三类数据集进行性能评估测试;其次,运用因子分析法从21个指标中甄选8个指标,输入到RBM中进行转换,形成更为科学的评估指标,再将指标输入到SOFTMAX中进行评估;最后,将这种基于DBN的线上供应链金融信用风险评估方法应用到实例中进行了验证。结果表明:该方法的评估准确率达96.04%,与SVM法、Logistic法相比较,具有更高的评估准确率和更好的合理性。

风电功率预测的新兴技术与发展趋势综述

介绍了风电功率预测技术的新兴技术与发展趋势,分析了分区建模、Koopman算子深度神经网络、DBN与多元线性回归结合等方法;探讨了未来研究的方向,强调了对算法的改进和多领域应用的重要性。

基于深度置信网络的矿井涌水量预测研究

在矿井开采过程中,准确预测矿井涌水量对于矿井防治水及高效、安全生产具有重要意义。针对矿井涌水量影响因素复杂导致预测精度不高的问题,提出一种基于深度置信网络(DBN)间接预测矿井涌水量的方法。针对不同的盘区建立相应的DBN涌水量预测模型,对矿井各个盘区水仓提取涌水量数据,之后分别导入DBN预测模型进行预测,得到各个盘区的涌水量,进而得出矿井总体涌水量,同时将结果分别与BP、ELM神经网络以及DBN直接预测矿井涌水所得到的预测结果进行对比。试验结果表明,DBN间接预测的预测精度最高,其平均绝对百分误差仅有5.85%,运行时长也大幅缩短,说明DBN间接预测矿井涌水量模型具有更好的预测效果。研究结果为矿井涌水量的准确预测提供了一种新的方法。

阀门内漏识别及内漏速率量化技术研究

阀门作为天然气管线的关键部件,若发生内漏会带来经济损失及生产安全隐患。因此,阀门内漏的有效诊断及内漏速率的准确量化具有重大意义。针对复杂背景噪声下内漏诊断效率不高的问题,以内漏信号和非泄漏噪声信号的功率谱密度图作为输入,构建了阀门内漏卷积神经网络(convolutional neural network, CNN)识别模型;针对物理理论及浅层网络模型在多工况阀门内漏数据上存在量化误差大的问题,构建了阀门内漏速率深度信念网络(deep belief network, DBN)量化回归模型,并与支持向量回归机、BP神经网络等模型进行了对比研究。研究结果表明:所构建模型的内漏识别准确率及内漏速率量化平均绝对百分比误差分别为99%和9.101 2,证实了所构建模型的高效性,为阀门内漏诊断与评价开拓了新的研究方向。

一种无线传感器网络安全路由算法研究

路由则是无线传感器网络中的关键一环,路由攻击有可能破坏和降低无线传感器网络的功能。可靠的路由协议对于路由安全和无线传感器网络的效率至关重要。目前已有大量研究来建立路由节点之间的信任,包括使用加密方法和集中式路由。由于难以正确识别不受信任的路由节点活动,大多数路由技术还无法得到实际应用。本文提出了一种融合区块链基础设施和深度神经网络的可信安全路由算法,以提高无线传感器网络路由的安全性和效率。为了验证传输过程,利用区块链网络内的权威证明共识机制,通过深度学习方法选择校对所需的验证器,该模型优先考虑了每个节点的特征,然后利用马尔科夫决策过程确定合适的下一跳作为能够安全传输消息的转发节点。实验结果表明,本文所提的路由算法在50%的恶意节点路由情况下优于已有的路由算法。