基于MRSDAE-SOM结合HGRU的滚动轴承RUL预测

基于传统方法预测轴承剩余使用寿命(Residual Useful Life,RUL),步骤繁多,成本昂贵,且模型不具泛化性。现有的基于深度学习(Deep Learning,DL)的预测方法,由于数据量过大,经常导致模型出现过拟合现象,从而使模型精度不高。为了克服以上缺点,提出一种基于MRSDAE-SOM结合HGRU的滚动轴承RUL预测方法。首先,使用无监督式网络流形正则化堆栈去噪自编码器(Manifold Regularization Stack Denoising Auto Encoder,MRSDAE)结合自组织映射(Self-Or-ganizing Mapping,SOM)构建轴承健康因子(Health Indicator,HI)。然后,通过分层门控循环单元(Hierarchical Gated Re-current Unit,HGRU)网络建立预测模型,HGRU网络通过加入多尺度层和密集层,使其具有捕获时序特征且集成不同时间尺度注意力信息的能力。最后,通过实验验证表明,相比于其他基于数据驱动的方法,所提方法构建健康因子使用无监督方式,高效快捷且便于应用;预测模型泛化能力好,并有效防止了过拟合现象,实现了更高的预测精度。

一种融合AutoEncoder与CNN的混合算法用于图像特征提取

深度学习方法在图像的特征提取方面具有优势。针对传统特征提取方法需要先验知识的不足,提出一种自动编码器(Auto Encoder)与卷积神经网络(convolutional neural network,CNN)相结合的深度学习特征提取方法。该方法给Auto Encoder加入快速稀疏性控制,据此对图像训练出基本构件,并初始化CNN的卷积核;同时,给CNN加入了滤波机制,使输出特征保持稀疏性。实验结果表明,在Minist手写数字库和Yale人脸库的识别效果上,提出的特征提取方法均取得了较好的结果,实验进一步通过交叉验证T检验指出,引入滤波机制的特征提取模型优于没有采用滤波机制的模型。

提高动态光散射测量系统信噪比的一种方法

通过对光电倍增管计数统计特性的分析,提出了由于光电倍增管的光电子发射是一个随机过程,在计算光子自相关函数时,就会引入一个Poisson噪声。因此,根据Wiener-Khintchine定理,将时域自相关函数转换为频域的功率谱密度,采用数字滤波的方法滤除Poisson噪声及无效直流信号,可明显提高系统的信噪比,并通过实验证实了该方法的合理性。

基于人工经验网络架构为初始化的NAS算法

为了解决神经架构搜索(neural architecture search,NAS)算力要求高、搜索耗时长等缺陷,结合深度神经网络的人工设计经验,提出基于人工经验网络架构初始化的NAS算法.该算法对搜索空间进行了重新设计,选取VGG-11作为初始架构,有效减少了由参数的随机初始化带来的无效搜索.基于上述设计方案,在图像分类经典数据集Cifar-10上进行了实验验证,经过仅12 h的搜索便获得VGG-Lite架构,其错误率低至2.63%,参数量为1.48 M.比现阶段性能最佳的人工设计结构DenseNet-BC错误率低0.83%,参数量减少至DenseNet-BC的1/17.结果表明,该方法可以搜索到优秀的网络架构并显著提高搜索效率,对NAS算法的普及有着重要的意义.