基于改进SAE网络的自然图像分类

针对自然图像分类算法的精度低以及网络训练耗时过长的实际问题,提出了一种结合卷积自动编码器(Convolutional Auto-Encoders,CAE)的改进堆叠自动编码器(Stacked Auto-encoders,SAE)网络。研究了CAE学习局部特征的能力,并将其作为整个SAE网络的第一层。在提取初步特征的同时降低输入的维度,解决了网络参数过多,训练过程慢的问题。同时对改进的SAE网络进行微调,缩减训练时间,并提取更有利于分类的图像高层特征。实验结果表明,改进SAE网络对于自然图像的分类具有更好的普适性,可以有效地提高分类准确度,并加快网络训练速度。

基于深度学习与SAE网络的火箭推力下降故障诊断

针对运载火箭动力系统在发动机推力下降故障诊断中存在的推力下降程度及故障时间测算不精确的问题,提出了一种基于深度学习的故障诊断方法。不同时刻及程度的推力故障下,利用运载火箭六自由度运动学模型生成的过载信息作为故障训练样本,采用堆栈自动编码器方法训练网络,利用训练好的网络辨识发动机推力下降程度,带入六自由度仿真模型中可以实现在线故障诊断。数字仿真证实:该方法可以对火箭发动机的不同时刻与不同推力下降程度的推力损失进行故障诊断,与普通神经网络方法相比,精确性更高。

基于PSO-SAE神经网络的城市燃气管道剩余寿命预测

城市燃气管道由于长时间受到温度、压力、含水量等环境因素的影响,管材极易腐蚀、老化,无法到达设计寿命。针对这一问题,本文提出了一种PSO-SAE算法,利用优化算法自适应调整SAE网络中的超参数,实现对城市燃气管道的剩余寿命这一保障管材安全使用的关键指标做出准确预测,并通过实验验证该方法的有效性和可行性,对燃气企业的安全生产管理具有积极的参考意义。

基于SAE深度神经网络的自主循环恢复辨识算法研究

目的:提出一种新的胸部按压过程中人体自主循环恢复辨识算法,以实现对按压急救过程中自主循环恢复的准确辨识,指导胸部按压的启停。方法:对10头实验猪进行室颤诱导及电击除颤以采集包含自主循环恢复阶段的数据,期间持续记录脉搏波信号的变化,数据采集完成后对脉搏波进行处理并得到能量图谱,基于栈式自编码(stacked autoencoder,SAE)深度神经网络进行建模预测,实现自主循环恢复的准确辨识。结果:实验结果显示,在心脏骤停心肺复苏自主循环恢复过程中,基于SAE深度神经网络的自主循环恢复辨识算法对无胸部按压情况下自主循环恢复的平均辨识准确度达95.0%,对有胸部按压情况下自主循环恢复的平均辨识准确度达86.5%。结论:基于SAE深度神经网络的自主循环恢复辨识算法的辨识准确度较高,可以为伤员心肺复苏按压过程提供指导,辅助医学救援人员实施高效率的检伤和救治工作。

基于GSA-SAE的航空发动机故障诊断方法

航空发动机的健康状态对飞机的飞行安全至关重要,而航空发动机实际工作时常常由于其结构复杂、工作环境恶劣等因素难以对健康状态进行有效的故障诊断。本文提出了一种基于引力搜索方法(Gravitational search algorithm,GSA)和堆栈自动编码器(Stack autoencoder,SAE)的航空发动机故障诊断方法,并对某型涡扇航空发动机进行了故障诊断技术研究。首先,对获取的某型涡扇航空发动机进口空气总温、高压转子转速、低压转子转速、涡轮落压比、高压压气机进口空气总温和高压压气机出口空气压力等17个参数的数据进行预处理,创建SAE故障诊断模型架构。为解决SAE网络各隐含层神经元数目需要人为设置而导致不能获得最佳诊断效果问题,提出了采用GSA优化算法对SAE网络进行优化,寻找并获取最佳SAE网络各隐含层神经元个数。在此基础上,创建基于GSA-SAE的最优航空发动机故障诊断模型,并由获取的航空发动机相关参数数据对创建的最优GSA-SAE故障诊断模型的有效性进行了试验验证。结果表明,本文提出的基于GSA-SAE的航空发动机故障诊断方法能够有效地解决SAE网络各隐层神经元数目由于依靠人为设置而导致故障诊断效果不佳的问题,避免了人为因素的干扰与影响,具有良好的故障诊断效能。GSA-SAE模型的故障诊断准确率高达98.222%,优于SAE、广义回归神经网络(General regression neural network,GRNN)和反向传播(Back propagation,BP)诊断模型的故障诊断准确率。

一种深度小波过程神经网络及在时变信号分类中的应用

针对多通道非线性时变信号分类问题,提出一种基于稀疏自编码器的深度小波过程神经网络(SAE-DWPNN)。通过构建一种多输入/多输出的小波过程神经网络(WPNN),实现对时变信号的多尺度分解和对过程分布特征的初步提取;通过在WPNN隐层之后叠加一个SAE深度网络,对所提取的信号特征进行高层次的综合和表示,并基于softmax分类器实现对时变信号的分类。SAE-DWPNN将现有过程神经网络扩展为深度结构,同时将深度SAE网络在信息处理机制上扩展到时间域,扩展了两类模型的信息处理能力。该网络可提取多通道时序信号的分布特征及其结构特征,并保持样本特征的多样性,提高了对信号时频特性和结构特征的分析能力。文中分析了SAE-DWPNN的性质,给出了综合训练算法。以基于12导联ECG信号的7种心血管疾病分类诊断为例,实验结果验证了模型和算法的有效性。

基于堆栈自编码网络的铣刀磨损特征提取方法

针对传统切削数据人工提取的特征主观性和盲目性强、特征提取过程耗时且提取质量难以保证等问题,提出一种基于堆栈自编码网络(SAE)的切削信号数据特征提取方法,构建了由3个自动编码器(AE)组成的SAE网络。前一个AE无监督训练后得到隐藏层特征,作为下一个AE的输入,最后整体利用反向传播算法进行有监督微调,从而得到更优的特征表达。从基于SAE的数据重构性能分析和加工信号特征主成分分析2个层面,对切削信号特征提取的优劣进行评估。实例验证说明,相比于传统手工提取特征的方法,所提方法在压缩信号的特征提取方面表现出明显的优势,进一步说明了SAE特征提取的有效性。

基于自适应遗传随机共振的滚动轴承微弱故障诊断

随机共振(SR)能够利用噪声能量增强微弱信号,有效降低了噪声信号对特征提取的影响,针对SR方法参数选择时缺少交互以及提取特征诊断效果缺乏验证的不足,提出自适应遗传随机共振(AGSR)的滚动轴承微弱故障诊断方法。AGSR方法利用遗传算法(GA)寻找随机共振的最优系统参数,在考虑参数间交互作用的同时对其进一步优化,有效提高了轴承微弱故障特征的提取效果,随后将AGSR方法提取的特征信号输入堆叠自动编码器(SAE),通过反向传播算法多次迭代优化整个SAE网络,最终实现故障诊断。滚动轴承实测数据的检验结果表明,该方法可有效实现滚动轴承早期微弱故障检测。