基于深度学习的电机故障诊断

故障诊断在保证电机的稳定运行中占据着非常重要的地位,因此,故障诊断在当前的研究中是一个热点。该研究利用短时傅里叶变换把一维的振动信号转换成二维的时频图,进而解决电机轴承的振动信号的非线性和不稳定性问题,并且作为卷积神经网络的输入,通过对故障特征信号的直接提取,来形成样本数据集,通过卷积神经网络与softmax多分类器来建立故障诊断模型,在Python中验证该算法优化的准确性,证明了该算法可以提高电机故障诊断的准确率。

基于联合多重重建自编码器的桁架损伤识别

针对桁架杆单元存在不同损伤类型时损伤特征信息难以捕捉且识别结果不准确的问题,提出了利用联合多重重建自编码器(JMRAE)进行损伤识别的方法。首先,运用JMRAE按照不同尺度数分段截取信号,将Sigmoid函数和ReLU函数进行组合以提取特征量,引入零相位成分分析(ZCA)降低特征量维度,以保留重要信息并减少数据冗余。然后,运用SoftMax分类器求解隐含层中不同片段的局部特征量,并进行特征量融合以判断结构状态。最后,运用三维桁架结构数值模型和实验室搭建桁架进行验证,并与精细复合多尺度散布熵(RCMDE)、峰度和反向传播(BP)神经网络方法进行对比研究,结果表明所提方法具有更高的损伤识别准确性。

基于深度学习算法的人事考评信息非线性映射方法

目前人事的考评方法无法准确获取考评指标,导致考评耗时高、考评精确度低、用户满意度低。为此,提出基于深度学习算法的人事考评信息非线性映射方法。采用深度学习算法对人事信息进行处理,获得人事信息的特征,并将其输入Softmax分类器中;根据特征分类结果,选取人事考评指标;采用非线性映射获取人事考评特征与考评等级之间的关系,完成人事的考评。实验结果表明,所提方法的考评耗时最高为37 s,考评精确度在95%以上,用户满意度接近100%。

基于SDAE+Softmax模型的体系贡献率评估方法

战争就是交战双方作战体系之间的对抗。体系贡献率评估是体系建设和分析重点关注的问题,是对作战要素在作战体系中所发挥作用的一种度量。针对体系的复杂系统特性,构建SDAE+Softmax模型对体系效能涌现过程进行建模,模型描述了体系基础指标与任务指标之间的关系。提取Softmax分类器的分类概率相对值作为体系贡献率评估的综合特征指标,量化体系组分改变对体系效能的影响。基于SDAE+Softmax模型的评估方法,为体系贡献率评估提供了全新的思路,是对传统评估方法的突破。

基于Softmax概率分类器的数据驱动空间负荷预测

提出了一种数据驱动空间负荷预测方法。将网格化体系下的功能地块作为空间负荷预测的基本单元,并且通过多维指标体系进行属性描述。基于大量调研数据,通过数据挖掘方法对不同类型地块的空间负荷密度分布规律和负荷曲线典型形态进行提取。建立Softmax多元概率分类模型对未知地块的负荷水平类型进行匹配。自下而上对相邻地块负荷预测结果进行时域叠加,得到更大区域的预测信息,包括其负荷量和预测负荷曲线。算例仿真结果表明提出的空间负荷预测方法在预测精度上有一定提升。

基于深度特征表示的Softmax聚类算法

图像和语音已成为日常生活和科研的常见数据类型,图像的聚类分析是数据挖掘和图像处理领域的重要任务之一.基于自编码器的深度聚类方法具有表征能力有限的缺点,并且特征的生成与聚类指派是分步进行的.为此,提出一种基于新颖卷积自编码器的深度Softmax聚类算法(ASCAE‐Softmax).首先设计一种非对称的卷积自编码器网络结构(ASCAE),通过优化卷积和添加全连接层,使整个网络呈非对称;接着使用Softmax聚类器把特征映射成聚类概率分布,构造辅助目标概率分布,将特征学习与聚类判别联合在一起.通过迭代最小化KL(Kullback‐Leibler)散度损失达到清晰的聚类划分.实验结果表明,该方法能够学习出使同类更加紧凑、异类更加稀疏的特征表示,且聚类结果优于经典的深度聚类算法.

基于深度神经网络和SoftMax分类器的台区负荷分类识别方法

随着传统分类分析算法研究的不断深入,台区用电负荷模式的分类识别也在不断发展。提出了一种基于深度神经网络(deep neural networks,DNN)和SoftMax分类器的台区负荷分类识别方法,结合已有的典型负荷曲线特征库,实现对台区未知用户的负荷预测,为电网部门需求侧管理提供可靠的支撑。对某台区1200个用户负荷数据进行实证分析,结果表明,提出的分类方法在算法收敛性、计算时间以及预测精度等方面具有更好的性能。

基于小波熵理论的动力发电设备故障自动检测方法

传统方法检测动力发电设备存在检测效率低、检测灵敏度低且抗噪能力差的问题,基于此提出基于小波熵理论的动力发电设备故障自动检测方法。首先采用小波熵理论中的小波函数,即信号时间熵和信号频率熵,对原始故障数据分别进行故障分类和特征提取,再利用Softmax分类器“数据带”和阶跃函数,对已提取的故障特征样本分别进行内、外故障特征分类,最终根据分类结果实现动力发电设备故障的自动检测。实验结果表明方法效率高、灵敏度高、抗噪能力强且不受故障距离的干扰。

基于栈式自编码的水体提取方法

为了进一步提高利用遥感图像进行水体提取的准确率和自动化程度,提出一种基于栈式自编码(SAE)深度神经网络的水体提取方法。通过堆叠稀疏自编码器构建深度网络模型,使用逐层贪婪训练法依次训练每层网络,从像素层面无监督学习特征,避免传统神经网络等方法需进行人工特征分析与选取的问题;用学习到的特征结合相应的样本标签有监督训练softmax分类器;利用反向传播(BP)算法微调优化整个模型。采用塔里木河ETM+数据进行实验,基于SAE的水体提取方法准确率达到94.73%,比支持向量机(SVM)和反向传播(BP)神经网络方法分别高出3.28%和4.04%。实验结果表明,所提方法能有效提高水体提取的精度。

残差网络分层融合的高光谱地物分类

高光谱图像具有较高的空间分辨率,蕴含着丰富的空间光谱信息,近年来被广泛用于城市地物分类中。在高光谱图像分类过程中,空间光谱特征的提取直接影响着分类精度;传统的高光谱图像特征提取方法只利用了4或8邻域的像素进行简单卷积处理,因而丢失了大量的复杂、有效信息;卷积神经网络(CNN)虽然可以自动提取空间光谱特征,在保留图像空间信息的同时,简化网络模型,但是,随着网络深度增加,网络分类产生退化现象,而且网络间缺乏相关信息的互补性,从而影响分类精度。该工作引入CNN自动提取空间光谱特征,并且针对CNN深度增加所导致的退化问题,设计了面向地物分类的高光谱特征融合残差网络。首先,为了降低高光谱图像的光谱冗余度,利用PCA提取主要光谱波段;然后,为了逐级提取光谱图像的空间光谱特征,定义了卷积核为16,32,64的低、中、高3层残差网络模块,并利用64个1×1的卷积核对3层特征输出进行卷积,完成维度匹配与特征图融合;接着,对融合后的特征图进行全局平均池化(GAP)生成用于分类的特征向量;最后,引入具有可调节机制的Large-Margin Softmax损失函数,监督模型完成训练过程,实现高光谱图像分类。实验采用Indian Pines,University of Pavia和Salinas地区的高光谱图像来验证方法有效性,设置批次训练的样本集为100,网络训练的初始学习率为0.1,当损失函数稳定后学习率降低为0.001,动量为0.9,权重延迟为0.000 1,最大训练迭代次数为2×10^4,当3个数据集的样本块像素分别设置为25×25,23×23,27×27,网络深度分别为28,32和28时,3个数据集的分类准确率最高,其平均总体准确率(OA)为98.75%、平均准确率(AA)的评价值为98.1%,平均Kappa系数为0.98。实验结果表明,基于残差网络的分类方法能够自动学习更丰富的空间光谱特征,残差网络层数的增加和不同网络层融合可以提高高光谱分类精度;Large-Margin Softmax实现了类内紧凑和类间分离,可以进一步提高高光谱图像分类精度。

卷积神经网络在黄瓜叶部病害识别中的应用

针对传统黄瓜病害识别方法中提取到的分类特征容易受病害叶片形态多样性、光照和背景影响的问题,提出了一种基于卷积神经网络的黄瓜病害识别方法,并建立了一个具有6种黄瓜病害的155 000多幅训练叶片图像数据库。根据病害叶片图像的复杂性,利用卷积神经网络从该数据库中自动学习黄瓜病害叶片图像的属性特征,再利用Softmax分类器进行分类。试验结果表明,与基于特征提取的传统病害识别方法相比,该方法的识别性能较高。

Gabor特征与深度信念网络结合的人脸识别方法

提出了一种基于Gabor特征和深度信念网络(DBN)的人脸识别方法,通过提取Gabor人脸图像的不同尺度图进行卷积融合,将融合后的特征图作为DBN的输入数据,训练多层来获得更加抽象的特征表达,整个训练的过程中采用交差熵来微调DBN,模型的最顶层结合Softmax回归分类器对抽取后的特征进行分类。在AR人脸库测试的实验结果表明:将Gabor特征与DBN结合应用于人脸识别,其准确率可高达92.7%,与其他浅层学习模型相比,DBN学习了数据的高层特征的同时还降低了特征维数,提高了分类器的分类精度,最终有效改善了人脸识别率。

基于多尺度卷积神经网络的交通标志识别

针对自然场景中交通标志识别问题涉及的识别准确率和实时性改善需求,提出了一种改进的基于多尺度卷积神经网络(CNN)的交通标志识别算法.首先,通过图像增强方法比选实验,采用限制对比度自适应直方图均衡化方法作为图像预处理方法,以改善图像质量.然后,提出一种多尺度CNN模型,用于提取交通标志图像的全局特征和局部特征.进而,将组合后的多尺度特征送入全连接SoftMax分类器,实现交通标志识别.采用德国交通标志基准数据库(GTSRB)测试了所提算法的有效性,测试结果表明,算法在GTSRB基准数据集上获得98.82%的识别准确率以及每幅图像0.1ms的识别速度,本文算法具有一定的先进性.

基于SAE深度特征学习的数字人脑切片图像分割

针对目前基于数字人脑切片图像的分割算法较少,分割精度和有效性较低等不足,提出一种基于稀疏自编码器(SAE)深度特征学习的分割算法.在特征提取阶段,采用从粗到精两级方式对SAE进行训练,以增强模型学习到的深度特征的鉴别能力;在分类阶段,使用softmax分类器进行目标分割.对中国可视化人体(CVH)数据集的脑白质分割及三维重建的实验结果表明,相对于其他传统的手工特征(如图像强度特征、方向梯度直方图特征和主成分分析特征),SAE提取的图像深度特征具有更强的鉴别能力,显著地提高了分割精度.

基于卷积神经网络的手势动作雷达识别方法

随着手势动作识别技术在人机交互、生活娱乐及医疗服务等应用领域的逐步深入,其对非接触、微光条件下的稳健测量与识别能力提出更高要求。针对该问题,研究了一种基于线性调频连续波(LFMCW)雷达距离-多普勒(RD)信息和卷积神经网络(CNN)的典型手势动作识别方法。首先,对于LFMCW雷达回波,通过去斜、快时间域快速傅里叶变换和相干积累,获取手势目标的二维RD像数据;其次,以RD像幅度矩阵作为CNN输入样本,利用2层卷积与池化处理构建特征空间,从而通过全连接与softmax分类器实现对手势动作的有效识别;最后,在此基础上,采用24 GHz工业雷达传感器设计手势测量实验系统,形成关于4种典型手势动作的LFMCW雷达回波数据库。实验结果表明,将24 GHz LFMCW雷达回波RD处理与CNN结合能够实现对典型手势动作的有效识别。

基于梯形网络和改进三训练法的半监督分类

为了提高半监督深层生成模型的分类性能,提出一种基于梯形网络和改进三训练法的半监督分类模型.该模型在梯形网络框架有噪编码器的最高层添加3个分类器,结合改进的三训练法提高图像分类性能.首先,用基于类别抽样的方法将有标记数据分为3份,模型以有标记数据的标签误差和未标记数据的重构误差相结合的方式调整参数,训练得到3个Large-margin Softmax分类器;接着,用改进的三训练法对未标记数据添加伪标签,并对新的标记数据分配不同权重,扩充训练集;最后,利用扩充的训练集更新模型.训练完成后,对分类器进行加权投票,得到分类结果.模型得到的梯形网络的特征有更好的低维流形表示,可以有效地避免因为样本数据分布不均而导致的分类误差,增强泛化能力.模型分别在MNIST数据库,SVHN数据库和CIFAR10数据库上进行实验,并且与其他半监督深层生成模型进行了比较,结果表明本文所提出的模型得到了更高的分类精度.

基于光谱技术的土壤环境污染物成分检测方法

土壤污染会严重威胁人类生活,因此有必要对土壤环境污染物成分进行检测,以寻求正确的处理方法。但目前检测手段较为落后,使得污染物成分检测精度较低。为解决这一问题,本文提出了一种基于光谱技术的土壤环境污染物成分检测方法。首先使用光谱仪器扫描土壤样品,再利用差分吸收光学光谱技术测量土壤环境污染物含量,将该含量作为改进深度学习网络的输入向量;然后将粒子群算法优化权值与Softmax分类器相结合,获得的深度学习自动编码器,对输入向量编码进行解码,并训练输入向量样本合集,至此,完成基于深度神经网络的土壤污染物检测模型的构建。实验结果证明,该方法具有较强的样本数据分类能力,具有较高的污染物成分检测精度。

基于改进的稀疏降噪自编码网络的三维模型识别方法

针对海量数据挖掘中三维模型特征识别准确率较低的问题,提出一种改进的稀疏降噪自编码神经网络模型.先基于改进的稀疏降噪自编码方法构建深度神经网络模型,再利用无监督预训练方法及受限的拟牛顿计算方法对自编码神经网络进行训练,最后采用softmax回归和得到的特征训练最终的分类器.结果表明:该方法对有噪声的三维模型特征信息具有较好的鲁棒性;与栈式自编码神经网络和自学习神经网络相比,该方法识别率较高.

基于堆叠稀疏自动编码器的手写数字分类

将稀疏自动编码器(Sparse Autoencoder,SAE)模型应用于数字识别中,并通过多个稀疏自动编码器的堆叠构建了深度网络,采用非监督贪婪逐层训练算法(Greedy Layer-Wise Unsupervised Learning Algorithm)初始化网络权重,使用反向传播算法优化网络参数。利用堆叠稀疏自动编码器学习数字图像的特征,使用softmax分类器进行数字分类。经实验证明,与其它浅层学习模型对比,深度网络不仅进一步学习了数据的高层特征,同时还降低了特征维数,提高了分类器的分类精度,最终改善了手写数字的分类效果。

基于深度信念网络的文本分类算法

随着网络的迅猛发展,文本分类成为处理和组织大量文档数据的关键技术.目前已经有许多不同类型的神经网络应用于文本分类,并且取得良好的效果.但是,大部分模型仅采用文档的少量特征作为输入,没有考虑到足够的信息量;而当考虑到足够的特征时,又会发生维数灾难,导致模型难以训练或者训练时间大幅增加.利用深度信念网络从文本中抽取特征,并利用softmax回归分类器对抽取后的特征分类.深度信念网络不仅具有强大的学习能力,同时还能从高维的原始特征中抽取低维度高度可区分的低维特征,因此利用深度信念网络来对文本分类,不仅能够考虑到文档的足够的信息量,而且能够快速的训练.并且实验结果也表明利用深度信念网络实现文本分类的性能很好.