基于SDAE-SVM算法的雷达干扰方案在线决策方法

面向主动雷达型末制导干扰场景,提出了一种基于SDAE-SVM算法的雷达干扰方案在线决策方法。基于认知电子战机理构建在线干扰方案决策原理模型,包括雷达状态在线评估模块和干扰效果在线评估模块;区分有源压制干扰和有源欺骗干扰,分别构建雷达状态在线评估指标和干扰效果在线评估指标;建立雷达状态和干扰效果自适应评估流程,融合SDAE算法和SVM算法构建SDAE-SVM算法,用于干扰方案在线决策模型求解。通过仿真案例分析得出以下结论:本研究提出的雷达干扰方案在线决策方法准确率达到96.02%,同时与单独使用SDAE算法和SVM算法进行求解相比,采用SDAE-SVM算法求取的决策方案准确率最高,证明本研究方案可行。

基于MIBBPSO-SDAE的液压系统故障诊断

为了监测液压系统的故障状态,需要安装多种传感器,采集的数据庞大且复杂,通过多特征计算可以得到多种特征。为了使诊断更加准确,提出一种MIBBPSO-SDAE的故障诊断方法。基于互信息的粒子群(MIBBPSO)特征选择方法以及标签相关性的蜂群初始化策略,利用特征和类标签之间的相关性来加速收敛;利用2个局部搜索算子增强算法的利用性能;使用一种自适应翻转变异算子找出最优的特征子集。然后将筛选出的特征子集进行数据融合,输入到经过训练的堆叠降噪自编码器(SDAE)的模型中进行故障诊断。结果表明:MIBBPSO-SDAE方法对柱塞泵、冷却器、节流阀以及蓄能器4种元件的诊断准确率分别为99.5%、100%、96.52%和98.1%,能够较准确地识别故障类型。

基于SDAE-Transformer-ECA网络的锂电池剩余使用寿命预测

锂离子电池剩余使用寿命(remaining useful life,RUL)的准确预测对于提高电池使用寿命、降低异常事故的概率,起着至关重要的作用。本文结合堆叠噪声自编码器(stacked denoising auto encoder,SDAE)和变压器(transformer)的优势,提出了一种结合高效通道注意力(efficient channelattention,ECA)的SDAETransformer-ECA的锂离子电池RUL预测网络。首先,针对电池在使用过程中存在的容量再生现象和数据集采集误差等噪声污染,利用SDAE对输入数据进行重构去噪、提取特征。然后,通过Transformer网络对重构数据进行序列信息的捕获。最后,结合ECA网络对捕获信息进行跨通道整合和交互,从而实现锂离子电池的RUL的预测。本文先基于美国马里兰大学先进生命周期工程中心(Center for Advanced Life Cycle Engineering,CALCE)提供的电池容量数据集进行实验验证,实验证明本文模型的各项误差都较低,具有较高的准确性,且与次优算法Bi-LSTM相比,平均RE相对降低了62.67%,平均MAE相对降低了40.68%,平均RMSE相对降低了34.33%。再使用美国航空航天局(National Aeronautics and Space Administration,NASA)提供的B0007号电池容量数据集进行泛化性验证,实验得到的RE、MAE和RMSE结果分别是1.98%、3.12%和4.16%,与RNN、LSTM、GRU和Bi-LSTM等现有算法相比,本文模型预测准确性更高,证明了该模型的泛化性。

改进GAN结合SDAE的传动系统主轴承故障诊断

针对传动系统主轴承故障诊断准确率低的问题,结合辅助分类器生成对抗网络(ACGAN)与堆叠降噪自编码器(SDAE),提出一种ACGAN-SDAE的故障诊断方法。通过ACGAN生成高质量的新样本,以扩充传动系统主轴承故障样本量的大小,并利用SDAE从含噪样本中提取鲁棒性特征,提高了故障诊断的准确率。仿真结果表明,ACGAN-SDAE故障诊断方法可有效诊断不同故障样本量下的传动系统主轴承故障,具有良好的域自适应性和抗噪性能,平均故障诊断准确率达到90%以上,相较于SDAE、SVM、MLP常用故障诊断方法,具有一定的优越性。

基于GLCM-SDAE的滚动轴承故障诊断方法

目的针对传统信号分析方法在滚动轴承故障特征提取和故障分类等方面的不足,结合堆栈去噪自编码(Stacked De-noising Auto-Encoders,SDAE)算法在提取特征和特征分类等方面的优势,提出一种基于灰度共生矩阵(Grey-Level Co-occurrence Matrix,GLCM)和SDAE的滚动轴承智能故障诊断方法.方法首先通过短时傅里叶变换(Short-Time Fourier Transform,STFT)将滚动轴承振动信号转化为灰度时频图,然后利用灰度共生矩阵提取灰度时频图中的故障特征参数,构建滚动轴承故障类别的特征向量空间,最后将其输入到构建的SDAE网络模型中,以实现滚动轴承的智能故障诊断.结果在轴承数据集上进行了故障特征提取和故障类型识别实验,结果表明笔者所提方法在训练集和测试集上平均分类精度均达到了95%以上.结论相较于从原始信号中提取特征的支持向量机(Support Vector Machine,SVM)、深度信念网络(Deep Belief Network,DBN)等方法,笔者所提出的方法能够提高故障识别率,可有效地对滚动轴承故障状态进行智能诊断.

基于DBSCAN和SDAE的风电机组异常工况预警研究

提出一种基于密度的聚类方法(DBSCAN)和堆栈式降噪自编码器(SDAE)结合的风电机组性能预测及异常运行工况预警方法。首先采用DBSCAN算法对机组监控与数据采集(SCADA)系统历史运行数据进行清洗,然后利用SDAE建立风电机组的正常运行性能预测模型。基于该模型,采用时移滑动窗口方法构建能准确反映风电机组异常状态的识别指标,并根据统计学区间估计理论合理确定指标阈值,以实现异常工况预警。采用某风电机组的真实历史运行数据进行故障重演试验。结果表明:该方法能够在故障发生前及时对风电机组的异常运行工况发出预警,验证了该方法的有效性。

基于SVD与SDAE的神经协同过滤算法

本文提出一种结合奇异值分解SVD和堆栈式降噪自动编码器SDAE的神经协同过滤算法(NSSCF),利用神经网络有效的高阶特征表示学习能力来提高推荐的质量。NSSCF算法首先通过SVD将原始用户-项目评分矩阵降维,融入辅助信息再用SDAE获取项目特征并计算基于评分的项目间相似度;在项目属性矩阵上计算基于属性的项目间相似度,求出项目间的综合相似度;最后获取待评分项目的最近邻集合并进行推荐。在真实数据集上,经过广泛的实验验证,本文提出的NSSCF算法在很大程度上克服了数据稀疏性问题,在性能上优于其他的传统推荐算法。

基于SDAE和GRUNN的行星齿轮故障识别

针对噪声环境和时变转速工况下行星齿轮故障识别率低的问题,提出一种基于堆叠消噪自动编码器(SDAE)和门控循环单元神经网络(GRUNN)的行星齿轮故障识别方法。构建基于SDAE和GRUNN的混合模型,处理前后关联的时序数据,自动地从含噪样本中提取鲁棒故障特征;将行星齿轮故障诊断的训练样本看作该混合模型的输入数据,采用Adam优化算法和dropout技术训练该混合模型,实现多参数的优化,防止过拟合现象的发生;根据训练后的混合模型,利用softmax分类器识别待诊样本中行星齿轮的状态。通过行星齿轮的故障识别实验验证该方法的有效性,实验结果表明该方法具有较强的抗噪能力和时变转速适应能力。

基于SDAE-BP的联合收割机作业故障监测

为了解决联合收割机作业故障的非线性特征信号难以提取的问题,该研究提出了一种基于堆叠去噪自动编码器(Stack Denoising Auto Encoder,SDAE)和BP神经网络(Back Propagation,BP)融合的联合收割机作业故障监测及诊断的方法(SDAE-BP)。以转速传感器采集联合收割机脱粒滚筒转速、籽粒搅龙转速、喂入搅龙转速、杂余搅龙转速、风机转速、输送链耙转速、割刀频率以及逐稿器振动频率,并将采集的数据集作为系统的输入。利用SDAE提取输入信号的深层次特征,并由BP神经网络辨识收割机作业状态,实现联合收割机故障监测。在SDAE-BP模型训练过程中,去噪自动编码器(Denoising Auto Encode,DAE)依次经带有不同分布中心噪声的原始数据进行训练,然后将其堆叠,并通过误差反向传播算法对模型参数进行优化,以提升模型识别故障性能和泛化能力。试验结果表明,对于2018年联合收割机田间试验数据,模型的故障诊断准确率达到99.00%,与SDAE和BP神经网络相比,分别提高了1.5和4.5个百分点。将SDAE-BP故障诊断模型用2019年的试验数据进行更新,并用2018年和2019年试验数据进行测试,结果表明,更新后的模型对2018年试验数据的故障识别准确率为99.25%,对2019年试验数据的故障识别准确率为98.74%,更新后模型在2019试验数据集上的故障识别准确率较未更新模型提高了6.52个百分点。该文所建模型能够准确识别联合收割机的故障类型,且具有较好的鲁棒性,对旋转型机械故障监测及预警具有参考价值。

基于SDAE特征表示的协同主题回归推荐模型

为解决推荐系统中的冷启动问题,在协同主题回归CTR模型的基础上引入堆叠去噪自编码器SDAE深度学习网络,用于学习用户辅助信息的隐表示,建立SDAE-CTR模型。模型应用2层SDAE网络,以用户信息为网络输入量,将编码过程获得的用户辅助信息的隐表示和解码过程获得的输入近似表示为网络的双输出量,最小化用户辅助信息和近似表示的差值来确定最优隐表示。模型融合用户-项目评分矩阵(冷启动条件无评分)、项目内容信息和用户辅助信息实现用户对未评分项目的评分预测,并在LastFM、Book Crossing和MovieLens数据集上从推荐准确度、新颖性和用户冷启动条件下的推荐效果等3方面对SDAE-CTR模型和CTR模型进行比较。结果表明,SDAE-CTR模型在冷启动或非冷启动的条件下,推荐效果都要优于CTR模型的,虽然新颖性较CTR模型稍微逊色一些,但理论上在合理的范围内,总体上SDAE-CTR模型表现较优。

结合SDAE网络和ODB学习策略的多目标视觉跟踪

针对目标视觉跟踪过程发生的目标漂移和错误匹配问题,提出一种基于SDAE(stacked DAE,堆叠去噪自编码器)网络和在线Deep Boost学习(Online Deep Boost,ODB)策略的多目标视觉跟踪算法.该方法首先在SDAE网络上通过ODB方法学习目标的局部-全局特征.然后根据特征权重结合粒子滤波器和soft-max分类器跟踪目标并对其分类,得到目标最相似的状态值.最后引入时间信息得到目标外观的动态持续时间,在线更新模型以适应目标的外观变化.实验表明,该算法能够有效适应目标外观变化,解决目标漂移现象,多目标准确率MOTP达到97.61%,较同类算法提高2.89%,其鲁棒性、稳定性也有所提高.

高斯平滑模糊函数和sDAE_LIBSVM的LPI雷达调制样式识别

结合典型LPI雷达信号的特点和调制样式识别的需求,提出了一种基于高斯平滑模糊函数和sDAE_LIBSVM的调制样式识别方法。首先,采用模糊函数变换结合高斯平滑,完成特征图像的构建;其次,通过融合栈式降噪自编码器(sDAE)和LIBSVM搭建识别网络,用于特征图像的分类识别。仿真实验可知,所提方法在SNR为-7 dB时,对BPSK,Costas,Frank,LFM及T1~T4共8类LPI雷达典型调制样式能达到97%的成功识别概率,并具有较强的稳定性和鲁棒性,相比其他方法具有更好的识别性能。

基于SDAE特征提取的含风电电网可用输电能力计算

风力发电的不确定性显著增加了电力系统可用输电能力(ATC)计算的难度。基于点估计的Gram-Charlier级数展开理论和深度学习技术,提出了一种计及越限概率要求的ATC快速计算方法,考虑的约束类型包括静态安全、静态电压稳定和暂态稳定约束。假定风电出力概率分布已知,结合两点估计法和Gram-Charlier级数展开,通过两个确定性场景的最大输电能力(TTC)计算结果逼近TTC的累积分布函数。为了快速、准确地获得确定性场景的TTC,利用堆叠降噪自动编码器(SDAE)建立了TTC计算的深度学习模型。获得TTC的累积分布函数后,将断面功率超过TTC的概率定义为越限概率,推导了给定越限概率要求下ATC计算的表达式。实际电网仿真结果表明,所提方法能够有效计及多类安全稳定约束,快速、准确计算不同越限概率要求下的ATC。

基于FFT-SDAE的地铁牵引电机轴承故障智能诊断

针对地铁牵引电机轴承故障诊断中因工况复杂影响人工提取特征效果的问题,提出了一种基于快速傅里叶变换(Fast Fourier Transform,FFT)和堆叠降噪自编码器(Stacked Denoising Auto Encoder,SDAE)(FFT-SDAE)的地铁牵引电机轴承故障智能诊断方法。首先,使用大量无标签数据预训练深度自编码器的特征提取能力,自适应提取轴承故障特征;然后,通过小样本有标签数据微调网络学习分类性能,搭建地铁牵引电机轴承的FFT-SDAE网络模型;最后,通过试验研究FFT-SDAE网络结构对轴承故障诊断准确率的影响,选取最佳网络参数。试验结果表明,在变转速和变载荷的情况下,所提方法可以很好地提取故障的深层特征,在使用工况较复杂的数据集时,所提方法的诊断准确率优于传统的故障诊断方法。

基于SDAE编码器和梯度提升树的网络入侵检测方法

随着网络应用技术的飞速发展,网络安全隐患与日俱增,大规模的网络攻击事件时常发生,对网络安全技术的发展提出了更高的要求。针对现有网络入侵检测方法在处理高维度的海量非线性数据时存在的检测性能低、误检率高等问题,提出了一种基于栈式去噪自动10编码器(Stack Denoising Auto-Encoder,SDAE)和梯度提升树(Gradient Boosting Decision Tree,GBDT)的组合式入侵检测模型(SDAE-GBDT),利用SDAE编码器提取网络流量数据的深层特征,结合GBDT的良好分类性能实现高准确率的入侵检测。

基于SDAE的受损QR码恢复算法

目的针对包装产品外壳上黑白QR码易受到污渍侵蚀损坏,长期磨损易模糊,以及图像采集过程易出现失焦模糊、运动模糊,导致无法完成识别需求,提出一种基于栈式降噪自编码器的受损QR码恢复的预处理方法,达到显著修复包装产品上受损的QR码图像并提高其识别率的目的。方法通过深度学习模型栈式降噪自编码器,可以将受到噪声干扰的像素点根据受损像素数据映射到以标准数据为参照的高概率数值点,实现整个受损QR码基于像素点的重构恢复,从而提高识别率。结果通过对实验QR码进行高斯模糊、随机污渍侵蚀等多种方式的损坏,能够将识别率较低或完全不能识别的测试图像集恢复出高质量的QR码图像,显著地提高了识别率,并且速度快、可重复性好。结论采用基于栈式降噪自编码器的受损QR码恢复的预处理方法,能够重建受损的QR码,并可以广泛应用于包装产品QR码识别前的预处理,以提高识别率。

基于SDAE-VPMCD的变压器故障诊断方法研究

为解决传统变压器故障诊断存在监测大数据、小样本分类效果差等问题,提出一种基于变量预测模型(VPMCD)和堆栈降噪自编码(SDAE)的故障诊断方法。采集变压器油色谱数据,并进行归一化处理;对堆栈降噪自编码网络进行逐层训练学习,获取数据的高层特征表示并确定网络结构参数;训练变量预测模型中四种数学模型,获取故障类型的最佳模型及相关参数;最后,采用少量有标签数据对整个模型进行微调,确定最优网络参数完成故障诊断。实验结果表明,该混合模型识别精度较高,可扩展性和鲁棒性较强。

基于SDAE与RELM的EEG情感识别方法

针对情感识别中堆叠式自动编码器存在反向传播方法收敛速度慢和容易陷入局部最优的问题,提出一种基于堆叠式降噪自动编码器(SDAE)和正则化极限学习机(RELM)的情感状态识别方法。从脑电信号的时域、频域和时频域中提取表征情感状态的初始特征,使用SDAE进行无监督特征学习,提取初始特征的高层抽象表示。在网络的回归层,使用RELM进行情感分类。在DEAP数据集上的实验结果表明,与SDAE以及DT、KNN等传统基于机器学习的方法相比,该方法在实时性、准确性和泛化性能等方面均有明显提升。

基于MHA与SDAE的Tor网站指纹识别模型

为解决Tor网站指纹识别技术在开放世界准确率低及概念漂移问题,文章提出一种基于MHA与SDAE的网站指纹识别模型一MHA-SDAE-GRU。首先将网站流量处理成序列格式;然后利用多头自注意力机制捕获输入数据的关键信息,并用堆叠降噪自编码器学习流量中的深层特征,增强模型的鲁棒性,通过GRU学习序列的前后关系;最后用Softmax函数输出结果。实验结果表明,MHA-SDAE-GRU模型在封闭世界的准确率高于CUMUL等算法,在开放世界的准确率和鲁棒性均优于CNN等算法,在概念漂移实验中对新数据的适应性优于CNN等算法。MHA-SDAE-GRU模型在网站指纹识别上具有优秀的表现。

基于GSP仿真和SDAE的航空发动机故障诊断

为了深入研究航空发动机故障机理,提出基于航空燃气涡轮发动机性能仿真软件(GSP)和堆栈降噪自编码器(SDAE)的航空发动机故障诊断方法。通过GSP性能仿真方法模拟发动机在不同设计参数下的部件故障,并得到对应的运行状态参数;从每种故障类型下的长时间序列的状态参数中提取出向量化的曲线特征,构成故障样本;将故障样本带入SDAE模型中进行深度特征提取,经过前向传播和反向微调得到训练好的模型用于发动机故障诊断。结果表明:GSP能够通过参数更改来模拟微弱故障下的状态参数,从而构建多故障样本集;SDAE的重构误差和反向传播误差能够快速收敛到较小值,SDAE的故障诊断正确率为99.5%;与深度信念网络(DBN)、人工神经网络(ANN)以及经典机器学习方法支持向量机(SVM)相比,SDAE的故障分类正确率分别提高了0.8%、6.9%和10.1%。