基于堆叠稀疏自编码的滚动轴承故障诊断

针对机械设备故障数据大容量、多样性的特点,提出一种基于堆叠稀疏自编码(SSAE)的滚动轴承故障智能诊断方法。使用自动编码器(AE)逐层训练网络,从海量数据中自适应地学习各类故障的特征表达,再通过有监督的反向传播算法优化整个网络,最终将特征输入softmax分类器实现滚动轴承健康状况精确诊断。在动力传动故障诊断试验台采集了5类轴承故障数据进行测试。试验结果表明:SSAE算法能够有效地提取故障特征,且故障诊断效果优于传统智能诊断方法。

基于神经网络的手写体数字识别

本文重点解决以图像方式存在的手写体数字识别问题,首先对图像进行预处理,其次对结构特征进行提取,最后利用神经网络模型对前面两步得到的样本数据进行学习和训练。通过MATLAB进行仿真,神经稀疏编码算法应用在手写体数字识别中能够得到比较好的识别率。

梵高绘画风格特点的数字化分析

利用稀疏编码算法提取的图像特征可用于视觉艺术作品的风格分析,但往往并不对训练所得的基函数做深度的数据挖掘。通过对视觉艺术作品的稀疏变换,获得能反映风格图像本质特征的训练基,对训练基进行空间特征量统计及高阶特征量统计。利用训练基的Gabor变换能量,对梵高不同时期风格作品进行归一化互信息计算,从而对梵高不同时期艺术作品差异特点做出分析。仿真结果表明,对基函数的深度挖掘,能够将人们对基函数的直观感受进行数字量化,在一定程度上对作品风格做出区分,并可为画作评论提供一定参考。