一种交替变换更新层数的DBN-DNN快速训练方法

针对语音识别中DBN-DNN训练时间过长的问题,提出了一种DBN-DNN网络的快速训练方法。该方法从减少误差反向传播计算量的角度出发,在更新网络参数时,通过交替变换网络更新层数来实现加速;同时,也设计了逐渐减少网络全局更新频率和逐渐减少网络更新层数两种实施策略。这种训练方法可以与多种DNN加速训练算法相结合。实验结果表明,在不影响识别率的前提下,该方法独立使用或与随机数据筛选(stochastic data sweeping,SDS)算法、ASGD算法等DNN加速训练算法相结合,都可以取得较为理想的加速结果。

Monitoring method of gear teeth failure of hydraulic gear pump based on improved VMD and DBN-DNN of electrical signal

Abundant system operation state information is included in the electrical signal of the hydraulic system motor.How to accurately extract and classify the operation information of electrical signal is the key to realize the condition monitoring of hydraulic system.The early fault characteristics of hydraulic gear pump hidden in the motor current signal are weak and difficult to extract by traditional time-frequency analysis.Based on the correlation coefficient and artificial bee colony algorithm(ABC),the parameter optimization of variational mode decomposition(VMD)is realized in this paper.At the same time,the principle of maximum signal correlation coefficient and kurtosis value is adopted to determine the effective intrinsic mode function(IMF).Moreover,the permutation entropy(PE)and root mean square(RMS)of the effective IMF components are input into the deep belief network(DBN-DNN)as high-dimensional feature vectors.The operation state of gear pump is monitored.The results show that the weak characteristics of current signal of gear pump fault are accurately and stably extracted by this method.The running state of gear pump is monitored and the accuracy of gear fault diagnosis is improved.

基于深度学习的桥梁健康监测数据有效性分析

作为桥梁结构健康监测系统的基石,监测数据的有效性分析是十分重要,然而现今大多数分析方法都依赖统计学理论,需要大量的领域知识,不适用于大规模数据集。提出了一种灰色关联度与深度学习相结合的方法,通过灰色关联分析对数据进行预处理,自动给定数据标签并进行标签正确性验证,结合深度学习模型DNN、DBN对数据有效性进行分析。实验表明:所提方法将监测数据有效性分析准确率提升至94.47%,具有较好的预测性能,解决了传统人工分析存在的低效率、低准确度的问题,适用于大型桥梁结构健康监测系统。

利用多源信息和深度置信神经网络的配电系统空间负荷预测

准确的空间负荷预测是配电系统精益化规划的基础。在此背景下,提出利用多源信息融合和深度置信神经网络的配电系统空间负荷预测方法。首先,在分析空间负荷元胞多源信息特征的基础上,采用基于程度副词语义标定的结构化方法对负荷元胞的非结构化属性进行结构化处理,以充分挖掘利用负荷元胞数据信息。然后,采用受限玻尔兹曼机方法和反向传播(back propagation,BP)算法相结合学习元胞特征,以提升元胞高维特征提取的性能,并采用训练后的深度置信神经网络预测待规划区域的空间饱和负荷密度。最后,以某城市的区域配电系统为例,对所提出的空间负荷预测方法进行验证;仿真结果表明:在空间负荷预测模型中考虑非结构化信息的影响可以提高空间负荷预测精度,且与现有的一些方法相比,所提方法的预测精度更高。