行人检测的深度稀疏自编码网络

针对传统卷积神经网络在行人检测中卷积速度慢、抗噪弱、冗余大的问题,提出了一种基于深度稀疏自编码网络的方法。首先在输入层后添加一层感兴趣层,在非相邻和相邻特征(nor-neighboring and neighboring features,NNNF)的基础上丰富图像的对称性特征,融合LUV空间、梯度方向等多通道的跨通道特征,并在非相邻特征设计的区域处理中采用一种改进的随机池化方法来消除行人形变的影响,得到表示行人信息的主要特征。然后利用四个自动编码器设计四层隐含层深度网络,以交叉熵为损失函数及改进的ReLU(rectified linear unit)函数为激活函数,以此结合稀疏表示的理论构建新的目标函数来学习网络,寻找数据的内在结构。最后用第四层隐含层输出的有效特征来训练分类器。在公共数据库上进行实验验证,结果表明,与现存的其他方法相比,该方法降低了平均漏检率,减少了运行时间,具有良好的鲁棒性。

基于深度稀疏自编码网络和场景分类器的电网气象故障预警方法

为保证电网安全稳定运行,提高电网防灾减灾和弹性水平,提出了一种基于深度稀疏自编码网络和场景分类器的电网气象故障预警方法。首先,采用主客观权重相结合的动态赋权方法,对气象因子进行初始赋权,以合理表征不同气象因子对电网故障的影响程度。然后,对传统的深度自编码网络增加稀疏性约束条件,以提高网络训练的收敛性,并在深度自编码网络的最后一层增加场景分类器,以提高气象因子与电网故障场景间关联关系的合理性。最后,将带权重的气象因子以及设备因子和环境因子作为深度稀疏自编码网络的输入,利用支持向量机构建多因素耦合的电网气象灾害故障预警模型。采用实际电网故障算例验证了所提方法的有效性。

基于深度稀疏自编码网络的植物叶片分类

针对传统机器学习方法对植物叶片图像分类识别率不高的问题,探讨了基于深度稀疏自编码网络(Deep Sparse Autoencoder Network,DSAN)的植物叶片分类研究。自动编码器通过编码和解码重构输入数据,对植物叶片进行分层特征学习,在自动编码器上添加稀疏限制,对隐含层神经元进行压缩,从而学习到更高层的隐含特征用于分类,解决了因选取的特征表达不足导致网络模型分类性能不佳的问题。实验采用公开的植物叶片图像数据库MalayaKew(MK)作为研究对象,该数据集包含44类植物。将预处理之后的叶片图像直接作为输入数据,通过DSAN学习到叶片的高层特征,结合Softmax分类器用于分类。实验结果表明,该算法能够有效提高植物叶片图像的分类精度,在植物分类领域具有一定的应用价值。

深度稀疏自编码网络识别飞行员疲劳状态

针对飞行员疲劳状态识别的复杂性和准确性,提出一种基于脑电信号的深度学习模型.首先对飞行员脑电信号进行滤波分解,提取delta波(0.5~4 Hz)、theta波(5~8 Hz)、alpha波(7~14 Hz)、beta波(14~30 Hz),提取基于脑电节律波的频域特征,作为识别模型的输入向量.其次,将一种基于深度稀疏自编码网络–Softmax模型用于飞行员疲劳状态识别,并与单层的稀疏自编码网络–Softmax和传统方法主成分分析(PCA)–Softmax模型识别结果进行比较.最后,实验结果显示,针对飞行员疲劳状态识别问题,所建立的学习模型具有很好的分类识别效果,具有较好的工程推广价值.

基于深度SSDAE网络的刀具磨损状态识别

针对刀具磨损状态识别过程中采集数据量大、干扰信号复杂且需人为选择特征参数的问题,为提高刀具磨损状态识别模型的鲁棒性与泛化性,提出了一种数据驱动下深度堆叠稀疏降噪自编码(stacking sparse denoising auto-encoder,简称SSDAE)网络的刀具磨损状态识别方法,实现隐藏在数据中深层次的数据特征自动挖掘。首先,将原始振动信号分解为一系列固有模态分量(intrinsic mode function,简称IMF),并采用皮尔逊相关系数法选取了最优固有模态来组合一个新的信号;其次,采用SSDAE网络自适应提取特征后对刀具磨损阶段进行了状态识别,识别精度达到98%;最后,对网络模型进行实验验证,并与最常用的刀具磨损状态识别方法进行了对比。实验结果表明,所提出的方法能够很好地处理非平稳振动信号,对不同刀具磨损阶段状态的识别效果良好,并具有较好的泛化性能和可靠性。

基于主动深度学习的高光谱影像分类

针对当前高光谱遥感影像分类人工标注样本费时费力,大量未标注样本未得到有效利用以及主要利用光谱信息而忽视空间信息等问题,提出了一种空-谱信息与主动深度学习相结合的高光谱影像分类方法。首先利用主成分分析对原始影像进行降维,在此基础上提取像素的一正方形小邻域作为该像素的空间信息并结合其原始光谱信息得到空谱特征。然后,通过稀疏自编码器得到原始数据的稀疏特征表达,并通过逐层无监督学习稀疏自编码器构建深度神经网络,输出原始数据的深度特征,将其连接到softmax分类器,利用少量标记样本以监督学习的方式完成模型的精调。最后,利用主动学习算法选择最不确定性样本对其进行标注,并加入至训练样本以提高分类器的分类效果。分别对Pavia U影像和Pavia C影像进行分类实验的结果表明,该方法在少量标记样本情况下,相对于传统方法能有效地提高分类精度。

基于深度收缩稀疏自编码网络的飞行员疲劳状态识别

飞行员的疲劳状态识别具有重要的研究意义和应用价值.针对飞行员疲劳状态识别的复杂性和准确性,提出一种新的基于脑电信号的飞行员疲劳状态识别深度学习模型.在对飞行员的脑电信号进行滤波分解的基础上,提取delta波(0.5～4 Hz)、theta波(5～8 Hz)、alpha波(7～14 Hz)和beta波(14～30 Hz),将其重组信号作为深度收缩稀疏自编码网络-Softmax模型的输入向量,用以对飞行员疲劳状态的识别,所得到的实验结果与深度自编码网络-Softmax模型和传统方法PCA-Softmax模型识别结果进行比较,结果表明所建立的深度学习模型具有很好的分类效果,分类准确率可达91.67%,且学习所得的特征稳定性好,验证了所提模型具有稳定性和重复验证性.