基于自编码算法的深度学习综述

深度学习是机器学习的一个分支,开创了神经网络发展的新纪元.自编码算法作为深度学习结构的重要组成部分,在无监督学习及非线性特征提取过程中起到了至关重要的作用.首先介绍自编码算法的基本概念及原理,然后介绍基于自编码算法的改进算法,最后列举了自编码算法在若干领域应用的知名案例和发展趋势.

基于自编码算法聚类的城镇住宅建筑日用电典型模式分析

面对能源短缺和环境污染问题,为了实现节能减排的目标,可再生能源近年来得到发展。可再生能源产能特性不同于传统的电力网络,具有更强的波动性与不稳定性,使得供电侧与用电侧负荷特性的相互匹配尤为重要。因此,在实际工程应用中,需要对建筑用电的负荷特性做深入分析,有助于传统电力系统与可再生能源的结合,指导调配控制策略的设计制定。本研究关注区域、城市规模级别下,不同家庭住户的用电负荷特性,针对住宅用电负荷展开聚类分析,分析区域内住宅的日用电特性。原始数据来自各户家庭智能电表的每日电耗数据,在一年时间的监测跨度下,每一户数据呈现"高维特征"。为避免"维数灾难",本研究引入自编码算法对高维数据做降维运算,并利用k维近邻算法对用电数据预处理剔除异常值。对降维后的数据做聚类分析,分析不同类别的用电尖峰值与负荷特性,得到住宅用电量随季节变化特征。本研究以中国南京市城区住宅为例,对住宅建筑用电做聚类分析,本研究对于区域用电容量设计以及储能规划具有一定的指导作用。

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。

基于自编码特征提取及弹性学习的手写数字识别

针对自编码算法提取输入特征能更好地发现样本间的相关性的优点,以自编码算法提取待识别样本特征作为多层前向网络的输入,以弹性BP算法训练网络,并用MNIST手写数字数据库样本测试。从正确率、拒识率、错误率和可靠率4项性能指标方面与逐像素方法进行了综合对比测试。研究表明,采用自编码特征提取、多层前向神经网络作为分类器以及弹性BP算法进行训练的手写数字识别,具有更快的收敛速度和更高的识别可靠率。

基于深度自学习的图像哈希检索方法

基于监督学习的卷积神经网络被证明在图像识别的任务中具有强大的特征学习能力。然而,利用监督的深度学习方法进行图像检索,需要大量已标注的数据,否则很容易出现过拟合的问题。为了解决这个问题,提出了一种新颖的基于深度自学习的图像哈希检索方法。首先,通过无监督的自编码网络学习到一个具有判别性的特征表达函数,这种方法降低了学习的复杂性,让训练样本不需要依赖于有语义标注的图像,算法被迫在大量未标注的数据上学习更强健的特征。其次,为了加快检索速度,抛弃了传统利用欧氏距离计算相似性的方法,而使用感知哈希算法来进行相似性衡量。这两种技术的结合确保了在获得更好的特征表达的同时,获得了更快的检索速度。实验结果表明,提出的方法优于一些先进的图像检索方法。

基于机器学习和NetFPGA的智能高速入侵防御系统

当前网络安全面临着日益多样化的威胁和挑战。入侵防御系统作为一种新兴的、能够动态监视并及时阻断异常网络传输行为的网络安全设备,成为目前主要的研究方向。目前主流的入侵防御系统主要通过人工预设的入侵规则集合对网络流进行匹配来发现、处理入侵,这种方法效率低下、维护困难,且存在严重的处理速度与成本的矛盾。针对上述问题,文章提出了结合基于硬件的网络数据流高速捕获过滤、经典机器学习技术以及当前人工智能领域前沿的深度学习自编码技术的入侵检测新思路,实现了基于NetFPGA的智能、高速的网络入侵防御系统,并在测试中取得了优于其他同一成本水平入侵检测系统的结果。

基于深度学习的通信信号自动调制识别技术

基于特征提取和模式识别的多体制通信信号自动调制识别技术是软件无线电领域中的重要研究课题,是复杂电磁环境下频谱管理、频谱检测等非协作通信领域的关键技术之一。提出一种基于深度学习的通信信号调制模式识别算法,应用自编码技术进行特征提取,获得具有较好的抗干扰能力的特征集,然后使用BP神经网络对经过筛选的特征进行分类识别,实现了MQAM通信信号调制模式自动识别。仿真实验结果表明,所提出的方法分类识别效果好,有效提高了数字调制信号自动识别的抗干扰能力。

人工智能技术在风电机组预知维护中的研究与应用

随着我国经济的快速发展、工业现代化进程加速,能源需求正在持续增长,为了响应国家“碳达峰”“碳中和”目标,风能作为清洁、无污染、可再生并且开发技术成熟的清洁能源,需求更是与日俱增。风机装机量在增加的同时,也伴随着故障检修不及时、不全面以及检修人员匮乏等问题。因此本文提出了基于大数据及人工智能技术故障预警方法,使用深度学习堆叠自编码(SAE)算法对风电机组齿轮箱散热及齿轮箱轴承类故障进行预警,模型准确率达73.6%;利用长短型记忆网络(LSTM)模型完成了发电机轴承故障诊断预警;利用机组降容的数据特点与图像识别进行深度融合对风电机组降容诊断及根因分析,模型准确率达到85%。