基于相关能量波动评估的学习样本筛选与深度置信神经网络的滚动轴承故障诊断研究

在数据驱动的滚动轴承状态智能辨识中,针对辨识模型构建过程中由于学习样本“质量差”造成其故障识别率低的问题,提出一种如何筛选学习样本的准则来提升基于深度置信神经网络滚动轴承智能辨识模型识别率的方法。首先,基于变分模态分解将具有时变调制特性的滚动轴承振动信号分解为有限个表征原信号不同成分的本征模函数分量;其次,根据其故障能量波动及其相关来量化并评估上述每个分量包含故障成分的比重,并据此对振动信号进行筛选重构来获取学习样本;最后,将上述学习样本集作为深度置信网络的输入来构建滚动轴承的故障辨识模型。实验结果表明,所提方法不仅筛选出滚动轴承振动信号中包含故障主成分的本征模函数分量并实现学习样本集构建,而且提高了基于振动数据的滚动轴承状态辨识模型的故障识别率。

深度神经网络筛选蛋白质组学高置信度定量肽段

质谱分析是蛋白质组学的重要研究方法。数据不依赖获取是一种稳定且复现性高的质谱仪数据采集方式,具有质荷比范围宽广,通量高等特点。DIA-NN是处理DIA蛋白质组学数据的主流定量软件之一。由于DIA-NN分析DIA数据后输出的肽段中存在低置信度肽段,生物学家需要根据肽段碎片离子色谱峰组图(XICs)的相似性来人工筛选出高置信度肽段。人工筛选的任务量大、耗时长,并且筛选标准因人而异,这导致结果具有主观性。本文提出了一种名为MSDeepFilter的算法,它基于深度学习技术,能够自动筛选出高置信度的肽段。MSDeepFilter算法结合压缩激励神经网络和残差网络设计深度学习模型,从XICs中提取特征,以此区分高置信度和低置信度肽段。与传统机器学习模型Adaboosting和支持向量机模型相比,MSDeepFilter模型在基准数据集上的多项分类性能指标均表现更优,测试集AUC值达到了98.7%。这表明MSDeepFilter具有优秀性能,可以替代人工筛选的环节。

基于神经网络的校园课程智能推荐系统

学校在线选课和线上教育的普及,使得课程推荐成为一个重要的研究课题。文章提出了一种基于深度置信网络的校园课程智能推荐系统。该系统采用One-Hot编码的方法构建课程画像,采用多元分类编码的方法构建用户画像,并使用深度置信网络来输出用户和课程之间的匹配程度。实验结果表明,该系统的精准率、召回率和F1值均达到了良好水平。

基于连续型深度置信神经网络的软件可靠性预测

为了提高软件可靠性智能预测的精度,采用连续型深度置信神经网络算法用于软件可靠性预测。首先提取影响软件可靠性的核心要素样本,并获取样本要素的关键特征;然后建立连续型深度置信神经网络(Deep Belief Network,DBN)的软件可靠性预测模型,输入待预测样本,通过多个受限波尔兹曼机(Restricted Boltzmann Machine,RBM)层的预处理训练,以及多次反向微调迭代获取DBN权重等参数,直到达到最大RBM层数和最大反向微调迭代次数;最后获得稳定的软件可靠性预测模型。实验结果证明,通过合理设置DBN隐藏层节点数和学习速率,可以获得良好的软件可靠性预测准确率和标准差。与常用的软件可靠性预测算法相比,所提算法的预测准确度高且标准差小,在软件可靠性预测方面的适用度较高。

结合深度置信网络与混合神经网络的图像分类方法

图像分类方法主要是使用分类器对提取的图像特征进行分类.因此,提取的图像特征和使用的分类器直接影响分类结果.图像特征提取一般是人为设定特征提取模式,然而,对于内容复杂的图像难以人为设定有效的特征模式.此外,随着训练集规模的增加,分类器想要获得更好的分类精度需要大量的训练时间.为了解决这些问题,提出混合神经网络分类器,并将该分类器和深度置信网络结合设计了新的图像分类方法.混合神经网络分类器由演化函数模块层和神经元层组成,演化函数模块层作为输入层,神经元层作为分类结果的输出层.深度置信网络是一种用于自动提取输入数据深层特征的网络模型.本文中提出的新的图像分类方法分为2个步骤,首先,堆叠受限玻尔兹曼机构成的深度置信网络用于提取图像的特征向量,其次,使用混合神经网络分类器对提取的特征向量进行分类.采用MNIST数据集和UCI数据集对提出的方法进行实验验证.实验结果表明,与堆叠受限玻尔兹曼机和softmax分类器的组合,堆叠受限玻尔兹曼机和基于演化策略的softmax分类器的组合以及堆叠受限玻尔兹曼机和支持向量机的组合相比,提出的分类方法可以在更短的时间内获得比较高的分类精度并且具有更好的抗过拟合能力.

基于变量选择的深度置信神经网络锅炉烟气NOx排放预测

准确预测NOx排放量有利于降低选择性催化还原(SCR)烟气脱硝成本,优化锅炉燃烧过程。本文利用偏最小二乘法(PLS)对燃煤锅炉实际数据进行变量重要性投影分析,得到变量重要性投影指标Vip,以Vip为依据对原始变量进行排序,将20项最优变量子集作为深度置信神经网络(DBN)的输入,得到NOx排放预测的PLS-DBN模型,并将PLS-DBN模型与最小二乘支持向量机(LSSVM)、DBN、误差反向传播神经网络(BPNN)模型用于某660 MW机组锅炉的3000组训练集及500组预测集进行测试对比。结果表明:PLS-DBN模型训练集和测试集的预测误差均较小,且在训练集和测试集上均方根误差不大于2%的预测准确率分别为0.940和0.714,预测准确率最高;表明PLS-DBN模型比其他3种NOx预测模型具有更高的预测精度和模型泛化能力。

基于深度置信神经网络的变风量空调送风量的预测

送风量的精准预测是实现变风量空调蓄冷量精确控制的重要环节。本文根据变风量空调送风量的影响参数,基于深度置信神经网络方法,建立变风量空调送风量的预测模型。将该模型的预测结果同BP、Elman和模糊神经网络的预测结果进行对比,结果表明,深度置信神经网络的预测精度最高,平均绝对相对误差、均方根相对误差和决定系数分别为1.555%、0.789%和0.9975,由此说明本文建立的模型能够精确有效地预测变风量空调的送风量。

基于变分模态分解和深度置信神经网络模型的滑坡位移预测

三峡库区共有滑坡1000余处,频繁发生的滑坡灾害极大威胁着人民生命财产安全,因此开展合理有效的滑坡位移预测对减少财产损失和拯救人民的生命具有重要的研究意义。以三峡库区白家包滑坡为例,针对当前滑坡位移预测中常用分解方法的局限,在位移时间序列的分解中引入可以控制分解模态数目的变分模态分解方法,选取不同模态参数进行对比,以提高分解模型的精度和有效性;并基于滑坡触发因子建立深度置信网络模型对位移子序列进行预测,重构所有子序列预测结果得到总的位移预测值。总位移预测均值绝对误差3.657 mm,平均绝对百分比误差为0.010%,总体预测精度高,该方法误差小,具有良好的应用指导意义。

基于结构动力特性的结构损伤深度置信网络分层识别研究

为了高效准确地识别结构损伤,将机器学习和智能算法相结合,提出一种基于结构动力特性的结构损伤深度置信网络分层识别方法,分层依次识别损伤位置与损伤程度。为识别损伤位置,利用结构前3阶竖向振动频率和单节点3阶模态位移建立六元向量,以此六元向量作为输入参数,通过深度置信网络识别损伤位置;为识别损伤程度,分别采用前3阶竖向振动固有频率和模态位移或6节点模态曲率差为参数输入深度置信网络识别损伤程度,并以简支梁为模型进行验证。结果表明:识别损伤位置时,即使噪声程度达到10%,仍可准确识别损伤位置;识别损伤程度时,基于6节点模态曲率差的深度置信网络抗噪性强,在15%噪声水平下对损伤程度预测最大相对误差不超过5.08%,均方差为0.4878。与BP神经网络相比,无噪声时,BP神经网络的预测能力优于深度置信网络;相同噪声水平下,深度置信网络的预测能力明显优于BP神经网络,体现了基于结构动力特性的结构损伤深度置信网络分层识别方法鲁棒性强,识别结果精度高。

析取置信规则库系统参数优化的深度神经网络模型

基于深度学习的置信规则库系统在参数优化方面存在可移植性差、应用效率低等问题,为此,将深度神经网络与析取置信规则库结合,有效减少模型的规则和参数的数量;引入梯度下降算法优化模型参数,提高模型构建和优化的效率.通过非线性函数拟合、北京市空气质量污染预测和多个UCI公共分类数据集的实验,对提出的方法进行验证,并将实验结果与现有的置信规则库系统和传统的机器学习方法进行对比.结果表明,所提出的方法比传统的方法具有更高的推理精度和更快的训练速度.

深度神经网络在船舶自动舵中的应用

为了改进现有船舶自动舵的控制精度,提高自动舵的自适应能力,提出一种基于深度置信网络(DBN)的自动舵控制算法。首先,利用对比散度算法,结合上海海事大学高级船员考试系统中记录的数据,对组成DBN的每一层受限玻尔兹曼机(RBM)模型依次进行预训练,并将结果作为深度神经网络权重的初值。在此基础上,使用反向传播算法,进行多层深度结构的微调训练。仿真实验表明,该方法与资深船长的模拟操船误差仅为5.2%。

一种改进的基于深度前馈神经网络的极化码BP译码算法

近年来高性能和低复杂度的信道译码算法一直是5G移动通信的核心技术之一,深度学习方法因在译码性能方面表现突出已成为研究热点。基于深度神经网络的极化码译码器使用多尺度置信传播算法可以得到较低复杂度和延迟性能,但其译码性能依旧有待提高。在多尺度置信传播译码算法的基础上提出了一种具有多偏移因子的最小和极化码译码算法,通过使用交叉熵损失函数与提出的交叉熵多损失函数对深度神经网络译码器进行训练,生成的深度神经网络译码器可以降低复杂度和时延,显著提高译码性能。

深度神经网络在阿尔兹海默病预测中的应用分析（英文）

综述了深度神经网络方法在阿尔兹海默病分类和预测中的应用.首先,描述了深度神经网络方法在阿尔兹海默病分类和预测中的优势.其次,介绍了深度神经网络方法在阿尔兹海默病分类和预测中的具体应用,重点介绍了文献中使用的深度神经网络模型、数据类型、研究人群和特征类型等,并比较它们在AD/MCI分类中的表现.最后,预测了该领域未来的发展趋势和挑战.

一种基于深度Encoder-Decoder神经网络的智能电网数据服务器流量异常检测算法

传统的网络流量异常检测通常基于单一原始特征变量进行阈值判断,或者对多个相关变量进行降维设计统计量后进行阈值判断,这类方法虽然简单,但无法应对变量间非线性关系随时间变化的情况。本文设计一种能够自适应动态逼近变量间非线性关系的深度神经网络,在普通的Encoder-Decoder神经网络的基础上引入2层注意力机制,提高了神经网络对长期历史信息的利用程度,实现了流量正常状态估计。基于估计得到的流量正常行为,分析其与实测值的残差分布情况,并最终给出置信区间作为判别异常行为的控制限。

基于三流联合卷积神经网络的机械臂抓取检测

目前已有一些研究将深度学习应用于机械臂的抓取检测中,但很难同时保证检测的实时性和准确性.本文提出一种用于抓取检测的三流联合卷积神经网络模型,该模型由三个独立的深度卷积神经网络流组成,其中每个流分别处理其对应的输入模态,并将它们以一种后期融合的方式结合在一起;然后利用改进的单级回归算法进行抓取位置预测,并提出一种新的置信度计算方式.该模型在康奈尔抓取数据集上图像分割和对象分割的准确率分别为94.9%和93.7%.并且在GPU上以每秒14.2帧的速度进行实时检测.测试结果表明,我们的模型同时保证了抓取检测的实时性与准确性,提高了检测的速度与精度.

基于小波包神经网络的轴承故障识别模型

针对传统故障特征提取过程复杂、诊断方案单一且准确性差等问题,提出了基于多阈值小波包和深度置信网络(DBN)的轴承故障识别方案。本文作者采用最优小波基函数和软硬阈值结合方法对原始振动信号进行三层分解降噪处理,得到8个从低频到高频段的信号成分,对其进行组合重构作为神经网络的输入样本;通过DBN在数据处理上的特征重构优势,建立了DBNBP神经网络的轴承故障识别模型,确定模型的各类参数。经多次实验,探究不同样本输入对模型识别率的影响,并与传统的浅层神经网络识别模型做对比分析,结果表明:经训练的DBNBP轴承故障识别模型可从原始数据、小波包分解信号实现轴承故障信号的准确特征学习和分类,结合识别率和诊断时间考虑,经小波包分解信号输入具有更优的诊断效率。

基于DBN网络与BP神经网络PID控制的永磁同步电机调速策略比较研究

针对BP神经网络自身存在的学习速率固定、记忆不稳定等缺点,设计了一种基于DBN网络PID的永磁同步电机控制器,通过Matlab/Simulink对基于BP神经网络PID控制器的电机调速策略和基于DBN网络PID控制器的电机调速策略进行建模仿真分析,探讨两者对于PMSM调速策略中控制鲁棒性和稳定性的优劣。仿真结果表明,基于DBN网络PID的永磁同步电机调速控制策略训练效果更佳,具有更好的稳定性和鲁棒性。

基于DBN,SVM和BP神经网络的光谱分类比较

恒星的分类对了解恒星和星系形成与演化历史具有重要的研究价值。面对大型巡天计划及由此产生的海量数据,如何迅速准确地将天体自动分类显得尤为重要。通过对SDSS DR9的恒星光谱数据进行深度置信神经网络(DBN)、神经网络和支持向量机(SVM)等算法分类的对比,分析三种自动光谱分类方法在恒星分类上的适用性。首先利用上述三种方法对K,F恒星进行识别分类,然后再分别对K1,K3和K5次型和F2,F5,F9次型识别,最后基于SVM支持向量机的二次分类模型,利用K次型的数据,构建剔除不属于K次型的模型。结果表明:深度置信网络对K,F型恒星分类效果较好,但是对K,F次型的分类效果不佳;SVM支持向量机在K,F型恒星分类以及相应的次型分类都具有较好的识别率,对K,F型分类效果要好于K,F次型的分类效果;BP神经网络对K,F型恒星以及其次型的识别一般;在剔除不属于K次型实验中,剔除率高达100%,可知SVM能够对未知的光谱数据进行筛选与分类。

基于复合神经网络的GIS局放故障类型识别

气体绝缘金属封闭开关设备(GIS)局部放电故障类型识别是故障预警和制定检修计划的重要基础,对维护电力设备的安全稳定运行意义重大。在此背景下,首先分析常见的几种GIS故障类型;然后,在超高频传感器采集到的图谱信号处理和分类上,由于卷积神经网络(CNN)和深度置信网络(DBN)融合而成的复合神经网络模型可以快速实现有效特征信号的提取和故障类型准确分类,因此该文融合CNN和DBN,建立复合神经网络的主体结构,并利用该网络进行GIS局部放电故障类型识别;最后进行实验验证。结果表明该复合神经网络模型识别故障的准确性最高可达99%。

一种改进的BP神经网络在手写体识别上的应用

传统的浅层学习神经网络虽然结构简单,算法速度快,但错误率较高,且容易陷入局部最小。文中采用深度结构的深度置信网,优化基于传统BP神经网的初始值,以获得较好的检测结果,并利用Dropout技术改进BP网络隐层单元,获得较快的运算速度。实验证明,经过DBN和Dropout改善后的网络错误率有明显降低,并且算法实时性得到了一定改善。