基于降维的堆积降噪自动编码机的表情识别方法

堆积降噪自动编码机是一种典型的深度学习模型,它能够刻画数据丰富的内在信息,具有较强的特征学习能力。基于主成分分析(principal component analysis,PCA)技术和堆积降噪自动编码机(stacked denoising autoencoders,SDAE)模型,提出一种新的表情识别算法PCA+SDAE。该算法对人脸图片进行裁剪及归一化等预处理,采用主成分分析技术对人脸特征进行线性降维,再利用堆积降噪自动编码机逐层进行特征学习并同时实现对人脸表情数据的非线性降维,可以得到更好的、维度更低的表情特征,并据此进行表情分类。对PCA+SDAE算法的仿真测试实验结果表明,其综合性能比其他的基于深度学习模型的表情识别方法更好,同时与传统的非深度学习表情识别方法相比,它具有更高的表情识别正确率。

基于稀疏降噪自动编码机的心律失常自动分类

心律失常是导致心肌缺血、心衰和心脏性猝死等疾病的主要因素之一,对心律失常进行准确高效的检测和分类具有重要的研究价值。本文提出了一种基于堆叠稀疏降噪自动编码机构建深度神经网络的心电信号特征检测算法,从而实现了心律失常的自动分类。分类系统利用稀疏降噪自动编码机获取心电信号的低维深度结构特征,其无监督学习方式使得特征具有更好的区分度和一定的抗干扰能力,然后将特征输入Softmax分类器进行信号分类。采用美国麻省理工MIT-BIH心律失常数据库对所提方法进行验证,总分类精度可达99.43%,实验结果表明该方法具有对心律失常自动分类的有效性。

基于堆栈降噪自动编码模型的动态纹理分类方法

针对以往动态场景分类中需要手动提取动态特征描述符以及特征维数过高的问题,提出利用深度学习网络模型进行动态纹理特征的提取。首先利用慢特征分析法(SFA)预先学习每个视频序列的动态特征,将该特征作为深度学习网络模型的输入数据进行学习,进一步得到信号的高级表示,深度网络模型选用堆栈降噪自动编码模型,最后用SVM分类法对其进行分类。实验证明该方法所提取的特征维数低,并且能够有效地表示动态纹理。

堆叠稀疏降噪自编码的脑电信号识别

该文以深度学习中的自动编码机为基础,对原始输入向量加入噪声处理,隐含层加入稀疏限制,再将单一的网络结构堆叠成深层神经网络,提出改进算法——堆叠稀疏降噪自动编码机。通过在两个不同数据集(实验室采集数据集和2005年BCI竞赛数据集IVa)进行对比实验,结果表明该算法在运动想象脑电信号的特征提取上具有更强的学习能力和鲁棒性。

计算机图像智能识别下的割草机器人设计研究

为了提升割草机器人的工作效率、安全及自主性,基于堆叠降噪自动编码机设计了智能图像识别算法,用于实现割草机器人进行作业时自动化识别环境,以进一步提高工作效率。将割草机器人视觉传感器所采集的草地图像作为输入信号,通过叠加多层自动降噪编码机组成深度神经网络,可以深入挖掘草地图像所携带的信息,识别并提取图像特征。通过训练所建立网络,获得稳定输出,提高了割草机器人识别目标准确率。试验结果表明:本算法可进一步提高割草机器人识别准确率,从而提高工作效率。

基于深度学习的高频交易金融数据的波动率预测

随着信息化技术的发展,许多在线交易平台都可以提供高频的实时交易数据,为基于大数据的高频交易数据的波动率研究提供了基础。使用机器学习和深度学习算法分析大量的交易数据,建立波动率预测模型,可以帮助投资者更好地把握市场风险和机会,但金融高频交易数据存在大量噪声和非平稳性,导致模型的预测效果不佳。针对以上问题,本文构建了基于降噪自动编码器和不稳定注意力机制的深度学习模型,并利用该模型对高频交易数据波动率预测。实验结果表明该模型相较于常用的机器学习和深度学习方法拥有更准确的预测效果。

基于多模特征深度学习的机器人抓取判别方法

针对智能机器人抓取判别问题,研究多模特征深度学习与融合方法.该方法将测试特征分布偏离训练特征视为一类噪化,引入带稀疏约束的降噪自动编码(Denoising auto-encoding,DAE),实现网络权值学习;并以叠层融合策略,获取初始多模特征的深层抽象表达,两种手段相结合旨在提高深度网络的鲁棒性和抓取判别精确性.实验采用深度摄像机与6自由度工业机器人组建测试平台,对不同类别目标进行在线对比实验.结果表明,设计的多模特征深度学习依据人的抓取习惯,实现最优抓取判别,并且机器人成功实施抓取定位,研究方法对新目标具备良好的抓取判别能力.

高速铁路列控系统列车位置在线估计算法研究

针对高速铁路列控系统的列车定位误差问题,首先分析不同型号ATP车载设备通过应答器的绝对定位信息进行距离误差校正的数据,验证列车定位相对误差的正态分布特性;其次提出列车的相对测距近似模型,并以最小二乘法进行在线参数辨识;最后建立列车位置更新的离散线性模型,以定位相对误差的噪声特性和最小二乘的相对测距近似模型为基础,利用多层降噪自动编码网络辅助的卡尔曼滤波算法直接对列车的相对位置在线估计从而得到绝对定位信息。利用ATP车载设备与高速动车组接口型式试验的现场数据进行仿真分析,仿真实验与实际误差校正的对比结果表明,文章提出的方法可以有效降低高速列车行走过程中的定位误差,对应均方根误差统计,整体改善程度至少达到34.39%。

基于图结构的文本表示方法研究

针对空间向量模型孤立地看待每个词表示文本缺少结构化信息的问题,文章提出基于图结构的融合主题模型LDA和深度学习降噪自动编码机文本表示的方法。该方法在保有词袋模型信息的基础上,引入词与词之间顺序的信息,构造一个统一维度的二维矩阵,利用LDA主题与词的概率关系,索引原始矩阵中的主要信息,训练降噪自动编码机模型,获得最终的文本表示。基于公开数据源20Newsgroup的20个类别的新闻组,采用分类的方法验证文本表示的结果。结果表明,文中方法在1-NN和SVM分类方法上, F-值均高于其他对比的文本表示方法。因此,引入词与词之间顺序的信息可以丰富句子的含义,增强理解文本内容的深层语义,有效提高文本的分类应用效果。

基于DAE和TCN的复杂工业过程故障预测

为实时监测复杂工业过程的故障状态,精确预测故障趋势,提出基于降噪自编码和时间卷积网络的故障预测方法。首先,利用随机森林算法筛选故障相关特征。之后,利用堆栈降噪自编码网络提取非线性特征以及特征重构,并根据重构误差构造平方预测误差(SPE)统计量作为故障状态特征。最后,针对时间卷积网络残差模块中的ReLU激活函数在负区间内导数为零导致部分神经元无法被激活的问题,设计基于自门控激活函数(Swish)和滤波器响应(FRN)规范化的时间卷积网络(SFTCN)。将得到的SPE组成时间序列,利用SFTCN的预测模型实现其状态趋势预测。通过在TE仿真平台数据和美国密歇根大学智能维修中心实测的轴承全生命数据上的实验表明,与未改进的时间卷积网络对比,所提方法的预测平均绝对百分比误差至少降低20.9%,具有较高的应用价值。

基于WRF数值模式的SDAE-SVR风速预测模型研究

风速预测是风力预报中的核心与基础,采用天气研究和预报(Weather Research and Forecasting,WRF)模式进行风力预报往往存在风速预测误差较大的问题.为了提高风速预测精度,提出了一种基于深度学习和支持向量回归(Support Vector Regression,SVR)相结合的风速预测模型.该模型以WRF模式预报输出的多种气象变量为基础,结合气象自动观测站传感器的实测风速,引入堆栈降噪自动编码(Stacked De-noising Auto-Encoder,SDAE)深度网络来学习样本数据中隐含的深度特征,然后将该深度网络最后一层输出的深度特征置入回归器SVR中,利用SVR良好的回归预测性能对WRF模式预报的未来1 h风速进行预测订正.结果表明:所建立的SDAE-SVR风速预测模型具有较高的风速预测精度,在对典型日的WRF模式预报未来1 h风速的预测订正中,其平均百分比误差与均方根误差仅为8.28%与0.8066m·s^-1.