基于变分模态分解和深度多核极限学习机的轴承故障分类

针对轴承故障分类任务中核极限学习机(kernel extreme learning machine,KELM)超参数选择困难、模型运算速度慢的问题,提出一种基于深度混合核极限学习机(deep hybrid kernel extreme learning machine,DHKELM)的轴承故障分类方法,利用天鹰优化算法(aquila optimization algorithm,AO)实现该模型超参数的优化选择。首先,以峰度指数作为鲸鱼优化算法(whale optimization algorithm,WOA)的适应度函数,对变分模态分解(variational mode decomposition,VMD)的相关参数寻优,利用最优参数组合进行VMD分解,得到k个模态分量并求其希尔伯特-黄变换(Hilbert-Huang Transform,HHT)边际谱作为特征数据,将其作为天鹰优化DHKELM分类器的输入,对不同状态的轴承故障进行识别。实验结果表明,KELM,DHKELM,天鹰优化DHKELM三种分类模型故障识别准确率分别为94%,96.67%,98.34%,运算时间分别为0.0631,0.0360,0.0175 s,证明AO-DHKELM识别准确率和运算速度均具有明显优势。

融合特征基于深度多核学习的动态表情识别

针对传统动态表情识别方法由于需要处理多帧表情图片而导致提取的特征维数过高、特征类别较为单一、分类器较难适用异构特征数据等问题,提出在帧数不统一的表情图片序列中,利用慢特征分析自动检测表情序列的峰值帧,继而在峰值帧上分别提取表情的几何特征和Gabor特征后降维,并利用深度多核学习对几何特征和Gabor特征融合后的异构特征信息进行学习并分类,从而提高识别率。在The Extended Cohn-Kanade Dataset(CK+)表情库进行的实验结果表明,识别率可达到94.4%。

基于小波变换样本熵和深度核极限学习机的电压暂降源辨识

电压暂降源的准确辨识是电压暂降治理决策和责任划分的基础。本文针对电压暂降源辨识困难问题,以信号处理和机器学习为基础,提出了一种基于小波变换样本熵和深度核极限学习机的电压暂降源辨识方法。利用小波变换对电压暂降信号进行分解,并计算分解后的小波系数的样本熵,以构成特征向量。基于极限学习机和自编码器理论并引入核函数构建深度核极限学习机模型,并将特征向量作为模型输入,通过多次训练和参数调试,获得最优参数。利用训练好的模型对输入数据进行辨识,以实现电压暂降源的辨识。结果表明,所提方法的准确率高、抗噪声性能好。

融合深度置信网络与与核极限学习机算法的核磁共振测井储层渗透率预测方法

由于低孔低渗储层孔隙结构较为复杂,现有核磁共振(NMR)测井渗透率模型对于低孔低渗储层预测精度不高。为此,提出一种融合深度置信网络(DBN)算法与核极限学习机(KELM)算法的渗透率预测方法。该方法首先对DBN模型进行预训练,然后将KELM模型作为预测器放置在训练好DBN模型后,利用训练数据进行有监督的训练,最终形成深度置信-核极限学习机(DBKELMN)模型。考虑到该模型需充分利用反映孔隙结构的横向弛豫时间谱信息,将离散化后的核磁共振测井横向弛豫时间谱作为输入,渗透率作为输出,确定NMR测井横向弛豫时间谱与渗透率的函数关系,并基于该函数关系对储层渗透率进行预测。实例应用表明,融合DBN算法与KELM算法的渗透率预测方法是有效的,预测样本的平均绝对误差(MAE)较斯伦贝谢道尔研究中心(SDR)模型降低了0.34。融合DBN算法与KELM算法的渗透率预测方法可提高低孔渗储层渗透率预测精度,可应用于油气田勘探开发。

基于深度高斯过程回归的视频异常事件检测方法

针对现有异常检测方法忽视异常事件发生概率小而造成虚警这个问题,基于高斯过程回归(GPR)的框架,将GPR核函数非参数化所具有的灵活性与深度神经网络的结构特性相结合,并将卷积神经网络封装在GPR的核函数中,以同时实现异常检测任务中特征提取和检测两个步骤。在测试阶段,相对于训练样本集的后验概率的对数似然较小的被判定为异常。方法在一个模拟数据集和一个完全真实的数据集上进行了实验验证,实验结果证明所提出的方法在两个数据集上分别达到了83.9%的帧级AUC和34.4%的帧级AUC,在性能上达到了现有技术发展水平。

基于混合特征选择和INGO-DHKELM的变压器故障诊断方法

针对变压器故障特征选择困难和诊断模型准确率较低的问题,提出一种混合式故障特征选择方法,并利用改进北方苍鹰优化算法(improved northern goshawk optimization algorithm,INGO)优化深度混合核极限学习机(deep hybrid kernel limit learning machine,DHKELM)实现变压器故障诊断。首先,基于相关比值法构建24维变压器故障特征集,从线性相关和非线性相关的角度出发,采用Pearson相关系数和互信息法,筛除相关性较低的特征。其次,引入Logistic混沌映射、随机反向学习和自适应t分布变异改进NGO算法,提升其寻优性能。然后,利用INGO算法对保留特征进行二次筛选,获得最优输入特征。最后,将极限学习机自动编码器引入混合核极限学习机中,建立DHKELM诊断模型,利用INGO对DHKELM模型初始参数进行优化,完成INGO-DHKELM变压器故障诊断模型的构建。实验表明,与常规特征选择方法相比,利用混合式故障特征选择方法所选择的输入特征进行故障诊断能够有效提升诊断准确率;相较于其他优化型诊断模型,INGO-DHKELM具有更高的准确率和更好的稳定性。

基于BO-DKELM的滚动轴承故障诊断

滚动轴承作为旋转机械中的必需元件,其任何故障都可能导致机器乃至整个系统发生故障,从而导致巨大的经济损失和时间的浪费,因此必须及时准确地诊断滚动轴承故障;针对传统极限学习机中模型参数对滚动轴承故障诊断精度影响较大的问题,提出了一种基于贝叶斯优化的深度核极限学习机的滚动轴承故障诊断方法;首先,将自动编码器与核极限学习机相结合,构建了深度核极限学习机(DKELM)模型;其次,利用贝叶斯优化(BO)算法对DKELM中的超参数进行寻优,使得训练数据集和验证数据集在DKELM模型中的分类错误率之和最低;然后,将测试数据集输入到训练好的BO-DKELM中进行故障诊断;最后,采用凯斯西储大学轴承故障数据集对所提方法进行验证,最终故障诊断精度为99.6%,与深度置信网络和卷积神经网络等传统智能算法进行对比,所提方法具有更高的故障诊断精度。

应用优化DHKELM的柴油机故障诊断方法

为准确、高效地对柴油机故障进行诊断,提出应用优化深度混合核极限学习机(deep hybrid kernel extreme learning machine, DHKELM)的柴油机故障诊断方法。该方法以各样本的频谱幅值作为故障特征,归一化处理后作为DHKELM模型的输入,从而实现对柴油机各故障状态的识别。相较极限学习机,该模型具有更深层次的结构,引入了混合核函数以及自动编码器,可以准确区分易混淆的故障类型,提高诊断准确率。针对DHKELM模型中各个超参数难以确定的问题,提出利用改进麻雀搜索算法(improved sparrow search algorithm, ISSA)对模型中各超参数进行寻优,充分发挥模型的故障诊断性能。实验结果表明,在实验室实测数据中,所提方法较传统方法具有较好的故障诊断精度,为柴油机故障诊断提供了一种新的思路。

基于HPO-VMD和MISMA-DHKELM的短期光伏功率组合预测

为提高光伏发电功率的预测精度,提出一种优化变分态分解(VMD)、多策略改进黏菌优化算法(MISMA)和深度混合核极限学习机(DHKELM)的短期光伏功率组合预测方法。首先,利用VMD分解技术将不同天气类型的功率数据分解成多个模态分量,为避免模态分量间的频率混淆,使用狩猎者(HPO)算法优化VMD的关键参数-分解层数和惩罚因子;然后,针对不同天气类型分解的各分量建立DHKELM预测模型,并采用MISMA优化DHKELM模型的超参数;最后,将各模态分量预测结果求和重构作为最终预测结果。利用新疆某光伏电站的实际数据进行实验分析,实验结果表明:该方法在不同天气类型下均能实现较好的预测效果,预测精度明显优于单一预测模型,与其他方法对比,验证了该方法的有效性。

Kernel principal component analysis network for image classification

In order to classify nonlinear features with a linear classifier and improve the classification accuracy, a deep learning network named kernel principal component analysis network（ KPCANet） is proposed. First, the data is mapped into a higher-dimensional space with kernel principal component analysis to make the data linearly separable. Then a two-layer KPCANet is built to obtain the principal components of the image. Finally, the principal components are classified with a linear classifier. Experimental results showthat the proposed KPCANet is effective in face recognition, object recognition and handwritten digit recognition. It also outperforms principal component analysis network（ PCANet） generally. Besides, KPCANet is invariant to illumination and stable to occlusion and slight deformation.