基于深度小波去噪自动编码器的轴承智能故障诊断方法

针对原始振动数据无监督特征学习问题,提出一种深度小波去噪自动编码器与鲁棒极限学习机相结合的滚动轴承的智能故障诊断方法。利用小波函数作为非线性激活函数设计小波去噪自动编码器,从而有效地捕获信号特征;利用多个小波去噪自动编码器构造一个深度小波去噪自动编码器来增强无监督特征学习能力;采用鲁棒极限学习机作为分类器,对不同的轴承故障进行分类识别。对实验所得的轴承振动信号进行对比分析,结果验证了该方法在原始振动数据无监督特征学习的条件下优于传统方法和标准深度学习方法。

基于堆叠式降噪自动编码器和深度神经网络的风电调频逐步惯性智能控制

风电调频的逐步惯性控制(SIC)策略在负荷波动后提供一个阶跃式功率增发,能够有效阻止系统频率下降,保障电网频率安全.但在其功率恢复阶段,容易出现二次频率跌落现象,需优化SIC以获得更好的调频效果.传统方法存在计算维度高和耗时较长的弊端,难以满足不同场景下快速提供最优控制效果的需求.为实现负荷扰动事件下风电调频的最优逐步惯性快速控制,引入深度学习算法,提出一种基于堆叠式降噪自动编码器(SDAE)和深度神经网络(DNN)的风电调频逐步惯性智能控制方法.首先,使用麻雀搜索算法获得最优参数,使用SDAE高效提取数据特征;随后,基于DNN对数据特征进行学习,并引入加速自适应矩估计优化网络参数,提升网络全局最优参数;最后,应用SDAE-DNN联合方法实现扰动事件后风电调频的逐步惯性在线控制.在IEEE 30节点测试系统中分别对单台风力机和风电场进行仿真分析,与传统方法、浅层反向传播神经网络及原始DNN所得结果对比发现,所提网络结构具有更优的预测精度和泛化能力,该方法能够实现良好的逐步惯性调频效果.

基于降噪自动编码器的协同过滤推荐算法

协同过滤是推荐算法中运用最广也是最成功的技术之一,但是传统协同过滤的缺点也很明显.近年来基于深度学习神经网络的协同过滤技术备受关注,例如本文基于自动编码器的协同过滤推荐系统.自动编码器的训练过程较之于其他网络更短,精度也更为优秀,但是由于结构简单,更容易陷入局部最小导致过拟合.基于此,本文提出了降噪的自动编码器,最后在MovieLens 1M和MovieLens 10M数据集上进行验证.结果表明,降噪自动编码器具有更好的泛化能力.

基于降噪自动编码器与一维卷积网络的风机故障诊断方法

针对风力发电机在发生不同故障时相应的传感器数据会发生变化的特点,提出了一种基于自动降噪编码器与一维卷积网络的故障诊断模型。通过构建在时序上能同时识别多个特征的一维卷积层,实现对所有传感器时序数据的特征提取,提取的特征在全连接层的作用下,通过合理设置网络结构与参数,实现对故障的准确识别。同时,针对在复杂生产环境中,传感器的数据会含有噪声的情况,提出了基于自动降噪编码器的降噪方法,通过降噪编码器的降噪作用,将噪声信号重构成原始信号,从而提高在噪声环境下的故障识别效果。仿真算例表明,与基于模型的方法和其他基于数据驱动方法相比,所提出的方法在精度、鲁棒性上都有明显优势。

叠加去噪自动编码器结合深度神经网络的心电图信号分类方法

针对现有心电图信号分类方法精度较低,模型训练收敛速度较慢的缺点,提出一种基于叠加去噪自动编码器和深度神经网络方法的新型分类方法。该方法采用无监督学习方式,利用带有稀疏约束的叠加去噪自动编码器,实现心电图原始数据的特征学习。基于深度神经网络对信号进行分类,同时利用监督式自主学习微调方法对神经网络权重进行适时调整,从而保证信号分类的精度和质量。利用三个机构的经典数据库对该方法进行实验研究,并与目前两种最新的方法进行对比。实验结果证明,该方法在专家标记样本较少的情况下,仍能明显提高心电图数据分类的准确率,同时加快训练时的收敛速度。

基于改进的堆叠降噪自动编码器深度模型的转子-转轴系统故障诊断方法

旋转机械转子-转轴系统故障诊断方法中大多采用传统浅层模型,对于数量较大的样本其处理能力有限。为解决此问题,提出一种利用改进的堆叠降噪自动编码器(SDAE)深度模型的故障诊断方法,并对转子-转轴系统的典型故障进行诊断。利用某机械故障综合模拟实验台,结合基于LabVIEW开发的信号采集系统模拟并采集转子-转轴系统的10类单一故障和7类复合故障振动信号。在训练SDAE模型时引入Dropout机制对模型进行改进,并结合Softmax分类器进行网络训练与诊断。与传统BP网络、自动编码器(AE)、无Dropout机制的SDAE和卷积神经网络(CNN)进行对比,结果表明:改进的SDAE方法对于转子-转轴系统故障的正确识别率最高,特别是对复合故障的诊断效果比其他模型更理想,充分验证了改进的SDAE深度模型的优越性。

基于自动编码器的地震随机噪声压制方法

近些年,随着我国经济飞速发展,地震勘探在油气资源、煤矿资源和铀矿资源勘探中的重要性日益凸显。地震资料处理是地震勘探中的关键环节,而此环节好坏与地震资料的信噪比、分辨率和保真度息息相关。其中,地震随机噪声的压制被认为是提高信噪比步骤中的重要一步。提出一种深度去噪自动编码器的方法去压制地震随机噪声,该方法将地震数据作为输入,然后将其编码成多级抽象,然后将它们重建成没有噪声的地震数据。通过合成数据和实地数据的实验结果可以看出,深度去噪自动编码器比其他传统方法具有更好的去噪效果。

基于深度去噪自动编码器的无人机航空影像目标检测

利用无人机航拍获取目标场景影像信息的方式,具有可低空作业、覆盖面积广、机动性强、效率高、不受地势环境阻碍等优点,广泛应用于军民用领域,军事领域包括威胁目标空中监视、目标搜索、目标打击,民用领域包括交通监测、灾难营救、管线巡检、区域勘测、边境巡逻等方面。无人机航空影像目标检测过程中,针对待识别目标具有多个角度、成像像素尺寸小、机体震动干扰强等困难,提出一种基于深度去噪自动编码器的目标检测模型。该模型通过进行选择性搜索,提取航空影像感兴趣区域,计算感兴趣区域的径向梯度特征,得到旋转不变特征向量,利用深度去噪自动编码器滤掉原始数据中的噪声,并提取特征向量的深层特征。在国际无人机低空航空影像标准数据集UAV123以及德国宇航院的慕尼黑无人机航空影像集DLR 3K上开展了识别实验,结果表明,针对航空影像目标包括地面车辆、行人、海面船只等,所提方法能够达到90%以上的识别精度,在精准率、召回率、F1调和值等指标上领先于现有方法。

基于深度小波自动编码器和极限学习机的轴承故障诊断

针对原始振动数据无监督特征学习问题,提出了一种深度小波自动编码器(deep wavelet automatic encoder,DWAE)与鲁棒极限学习机(extreme learning machine,ELM)相结合的滚动轴承的智能故障诊断方法。首先,利用小波函数作为非线性激活函数设计小波自动编码器从而有效地捕获信号特征。其次,利用多个小波自动编码器构造一个深度小波自动编码器来增强无监督特征学习能力。最后,采用鲁棒极限学习机作为分类器,对不同的轴承故障进行分类识别。对实验所得的轴承振动信号进行对比分析,结果验证了研究结果能够在原始振动数据无监督特征学习的条件下该方法优于传统方法和标准深度学习方法。

基于堆叠降噪自动编码器的胶囊缺陷检测方法

目前医用胶囊生产过程中的缺陷检测主要由人工完成,费时费力,容易受主观因素的影响。提出一种基于堆叠降噪自动编码器的胶囊表面缺陷检测方法,该方法首先建立深度自动编码器网络,并根据缺陷样本进行降噪训练,获取网络的初始权值;然后通过BP算法进行微调,得到训练样本到无缺陷模板之间的映射关系;最后利用重构图像与缺陷图像之间的对比关系,实现测试样本的缺陷检测。实验表明,堆叠降噪自动编码器较好地建立了上述映射关系,能快速、准确地进行缺陷检测,对噪声具有很强的鲁棒性和稳定性。

基于自动编码器组合的深度学习优化方法

为了提高自动编码器算法的学习精度,更进一步降低分类任务的分类错误率,提出一种组合稀疏自动编码器(SAE)和边缘降噪自动编码器(m DAE)从而形成稀疏边缘降噪自动编码器(Sm DAE)的方法,将稀疏自动编码器和边缘降噪自动编码器的限制条件加载到一个自动编码器(AE)之上,使得这个自动编码器同时具有稀疏自动编码器的稀疏性约束条件和边缘降噪自动编码器的边缘降噪约束条件,提高自动编码器算法的学习能力。实验表明,稀疏边缘降噪自动编码器在多个分类任务上的学习精度都高于稀疏自动编码器和边缘降噪自动编码器的分类效果;与卷积神经网络(CNN)的对比实验也表明融入了边缘降噪限制条件,而且更加鲁棒的Sm DAE模型的分类精度比CNN还要好。

基于降噪自动编码器及其改进模型的微博情感分析

随着自然语言处理科学的迅猛发展,情感分析作为其重要的一个分支广泛应用于社交网络平台上,尤其是微博由于其传播广泛且蕴涵丰富的情感信息而备受学者青睐。为解析微博中表达的情感信息以及深入挖掘其蕴涵的潜在感情,在降噪自动编码器的深度模型之上研究探索改进了这个深度学习模型。降噪自动编码器的工作特点是在引入噪声的干扰之下实现对原始输入的还原,而其改进模型的优势在于考虑到了噪声的多样性和复杂性,并通过深度学习训练加强模型的原始特征复原能力,以此来克服不可预判的原始输入噪声。通过分别使用SVM、降噪自动编码器模型以及改进的模型进行情感分析实验,对比分类效果而得出改进的深度模型对微博文字情感把握更准确而且抗干扰能力及鲁棒性有所提升的结论。

基于栈式降噪自动编码器的气体识别

为克服手工设计特征的繁杂过程以及特征不通用性,提高气体识别准确率,提出一种基于深度学习的气体定性识别方法,自动提取自适应的气体数据特征。实验基于UCI机器学习气体数据集,分别对比基于2层深度神经网络结构-栈式降噪自动编码器以及浅层机器学习算法的气体定性识别效果。实验结果表明,基于深度学习算法自动提取特征的过程更简单、通用,提高了气体识别的准确率,改善了传统方法的复杂流程。

基于栈式降噪稀疏自动编码器的雷达目标识别方法

雷达目标识别中特征提取是关键步骤,所提取特征的好坏决定着识别效果的优劣,但传统特征提取方法很难发掘目标数据深层次本质特征。深度学习理论中的自动编码器模型能够用数据去学习特征,获得数据不同层次的特征表达。同时为消除噪声影响,该文提出一种基于栈式降噪稀疏自动编码器的雷达目标识别方法,通过设置不同隐藏层数和迭代次数,从雷达数据中直接高效地提取识别所需的各层次特征。暗室仿真数据实验结果验证了该方法较K近邻分类方法及传统栈式自编码器有更好的识别效果。

基于降噪自动编码器的不平衡情感分类研究

目前,网络评论的情感分类研究大部分是不平衡样本数据,正向样本的数量一般远大于负向样本,对这种不平衡样本集进行分类时容易产生少数类误差较大的问题。而且由于网络评论的表达形式多变,不易获取到大量的有监督的数据。针对上述问题,对无监督的不平衡网络评论情感分类进行研究。首先通过改进降噪自动编码器,提高少数类的特征值,避免分类样本向多数类偏移。然后将获取的特征值作为k-means算法的输入值,实现了无监督的样本分类。实验证明,该算法对不平衡率较高的样本具有良好的适应性,从而验证了算法的有效性。

基于深度自动编码器的机场安检人脸识别系统设计

由于现有的机场安检系统通常只针对行李和旅客携带的违禁物品进行检测,没有考虑到对于正在通缉的罪犯进行监控和核查,设计了一种基于Gabor小波滤波和深度自动编码器的机场安检人脸识别系统;首先,以ATmega128L为处理器核心,SA7111作为模数转换器,MAX7000作为全局逻辑控制单元设计了机场人脸识别系统硬件,然后采用Gabor小波函数作为卷积核函数,在对原始图像分块的基础上进行卷积,采用多个RBM堆叠组成的自动编码器,通过比较差异算法训练RBM从而自动提取人脸特征,最后构建一个三层的BP神经网络,将自动提取的人脸特征作为输入,将图像标签作为输出层,并通过反向传播算法训练网络进行人脸识别;通过部署仿真实验环境对文中方法进行验证,仿真结果表明:文中系统能较为精确地实现人脸识别,与其它方法相比,具有识别率高和收敛速度快的优点。

基于改进堆栈降噪自动编码器的预想事故频率指标评估方法研究

可再生能源大规模并网导致电力系统转动惯量降低,在扰动事件下的频率稳定问题突出。时域仿真存在计算量大、运算耗时长等缺陷,难以满足复杂多变运行方式和海量预想事故下的频率指标快速评估需求。为了实现功率扰动事件下系统惯性中心多维频率指标(极值频率、最大频率变化率、准稳态频率)的快速评估,该文将深度学习引入到频率稳定研究中,提出一种基于改进堆栈降噪自动编码器(improved stacked denoising autoencoders,ISDAE)的智能化评估方法。首先,利用随机森林算法筛选出重要特征变量作为输入数据,实现输入数据降维;然后,将多个降噪自动编码器堆叠,构建深度学习网络结构;采用"预训练-参数微调"方法训练网络参数,引入Dropout技术提高算法泛化能力、防止过拟合,基于均方根反向传播(root mean square back propagation,RMSprop)优化方法对网络参数进行微调,减小陷入局部最优的概率;最后,根据离线训练得到的ISDAE网络结构实现扰动事件后系统惯性中心的多维频率指标在线评估。在修改后的IEEE RTS-79系统进行测试,与时域仿真、浅层神经网络以及未改进的SDAE方法所得结果进行比较,验证所提方法的快速性、准确性以及良好的泛化能力。

基于优化栈式降噪自动编码器的路面不平度检测

路面不平度严重影响着路面的使用寿命和乘坐的舒适性,为了根据路面谱密度检测路面平整度,提出了一种根据深度学习思想的优化栈式降噪自动编码器(SDAE)的路面不平度检测方法。以四自由度车辆振动模型为基础,将通过ADAMS仿真得到的汽车质心垂直加速度功率谱和汽车质心俯仰角加速度功率谱为输入样本,并利用优化后的降噪自动编码器对路面进行检测和分类,试验结果表明:基于优化后的栈式降噪自动编码器的路面不平度检测精度高达95.7%,提高了检测的准确率,并改善了传统方法的复杂流程,适用于路面不平度检测。

基于降噪自动编码器特征学习的音乐自动标注算法

目前,音乐自动标注模型大多采用手动设计模式,因而存在最佳特征难以选择的问题。提出了一种基于非监督学习的特征学习算法,该算法能自动学习特征的潜在结构而不需要依赖先验知识。首先,预处理阶段主要提取音乐的音级轮廓频率谱并进行PCA白化降维处理;然后,采用深度学习中的降噪自动编码器算法对降维后的特征进行无监督的学习,并采用最大值池化和取均值来聚合得到新的特征向量;最后,将特征向量和标签送入多层感知机中进行有监督的学习。基于Magnatagatune和GTZAN数据库的实验结果表明,本文算法在一定程度上提高了音乐自动标注的准确率。

基于栈式去噪自动编码器的边际Fisher分析算法

特征学习是模式识别领域的关键问题。基于自动编码器的深度神经网络通过无监督预训练与有监督微调能够有效地提取数据中关键信息,形成特征。提出一种基于栈式去噪自编码器的边际Fisher分析算法,该算法将边际Fisher分析运用于有监督微调阶段,进一步提升算法的特征学习能力。实验结果表明,该算法与标准的栈式去噪自编码器和基于受限玻尔兹曼机的深度信念网相比,具有更好的识别效果。