贫数据中基于模型自训练的空气处理设备故障诊断

针对空气处理设备(AHU)故障贫数据,基于深度置信网络(DBN)模型对4种特征选择算法进行对比研究,结果表明最大相关最小冗余算法的特征子集在诊断准确率及子集元素稳定性上表现最优。提出将DBN嵌入自训练框架的故障诊断模型,发现DBN自训练的诊断准确率较单纯DBN最高可提升19.5%。提出均匀抽样及按比例抽样2种自训练伪标签抽样策略,二者的诊断准确率均随抽样数减小而增大,在不同抽样数中的最大差异为3.42%;在所有贫数据样本中,均匀抽样策略始终优于按比例抽样,诊断准确率最大相差1.39%,表明在故障标签匮乏时,采用均匀抽样策略及较小的抽样数有利于提升DBN自训练的诊断性能。

“分解-校正-集成”模式下基于深度信念网络模型的径流预测

精准的短期径流预测可为流域内水资源规划、防洪调度及抗旱减灾工作提供重要的科学依据。为减小模型的系统误差,提高径流预测精度,在“分解-集成”模式的基础上提出“分解-校正-集成”框架,构建EEMD-DBN-EnKF、VMD-DBN-EnKF模型。利用集合卡尔曼滤波数据同化算法对偏离实测径流过大的分量校正以降低分解子序列在预测中产生的系统误差,并与未修正的EEMD-DBN、VMD-DBN模型及单一DBN模型进行了对比分析。结果表明:基于模态分解的组合模型较单一模型RMSE减小了至少23%,NSE与R^(2)增加了21%以上;基于径流分量校正的组合模型相较于模态分解的组合模型各评价系数有所提升,其中VMD-DBN-EnKF预测模型误差最小,效果最优,NSE与R^(2)达到0.89以上,其次依次为EEMD-DBN-EnKF>VMD-DBN>EEMD-DBN。综上“分解-校正-集成”模式的预测框架在玛纳斯河流域具有良好的适用性,可为玛纳斯河径流短期预报提供技术支持。

基于DBN-ELM的构网型并网逆变器控制参数自适应调整方法

“双高”电力系统中电网阻抗呈现宽范围时变特性,构网型并网逆变器控制参数缺乏自适应调整能力,存在失稳风险。对此,提出一种基于深度置信网络-极限学习机的构网型并网逆变器控制参数自适应调整方法。建立闭环极点映射模型,利用深层架构对控制参数与关键极点之间的映射关系进行训练;通过训练好的闭环极点映射模型预测得到相应的关键极点,识别出关键极点最接近参考极点时构网型并网逆变器的控制参数;通过自适应调整控制参数,确保系统在电网阻抗变化时跟踪参考极点,实现自适应稳定控制。理论分析和仿真结果均表明,所提方法能够实现控制参数的自适应调整,有效提高构网型并网逆变器对电网阻抗变化的适应性。

基于深度信念网络的循环流化床SO_(2)排放浓度预测

我国火电机组超低排放要求二氧化硫排放时,其质量浓度小于35 mg/m3,精准预测SO_(2)排放浓度并加以控制对于火电机组环保运行具有重要意义。针对循环流化床SO_(2)排放浓度预测问题,引入深度机器学习方法建立了基于深度信念网络的SO_(2)排放浓度预测模型。首先,通过机理分析确定影响SO_(2)排放浓度的操作变量,并作为模型输入;其次,利用DBN网络提取模型输入的深度特征,以ELM作为回归器建立预测模型;最后,将DBN-ELM模型与目前常用的3种SO_(2)排放浓度预测模型进行了对比,结果表明,该模型均方根误差、平均绝对误差分别为175.3 mg/m^(3)、117.6 mg/m^(3),预测精度远高于其他3种对比模型,在实际工程中更具有应用价值。

Tandem hidden Markov models using deep belief networks for offline handwriting recognition

在文档分析和模式识别领域,自由书写的脱机手写识别是一个非常具有挑战性的研究课题。近年来,为了充分探索隐藏在文档图像中的监督信息,许多研究工作试图将多层感知机以一种混合或串联的形式嵌入隐马尔科夫模型当中。然而,因为多层感知机学习能力的不足,学习到的特征对于后续的识别任务不一定是最优的。在本文中,我们针对自由书写的脱机手写识别提出一种基于深度结构的串联方法。在提出的模型中,深度置信网络被用于学习序列数据的紧致表示,隐马尔科夫模型被用于(子-)词的识别。我们在两个公开的数据集上验证了所提出的模型,这两个数据集是分别基于拉丁和阿拉伯语的RIMES和IFN/ENIT;我们还在Devanagari数据集上验证了所提出的模型,这个数据集是基于印度语的。大量的实验展示了所提出模型的优势,特别是相对于多层感知机-隐马尔科夫模型的串联方法。

基于深度信念网络的盾构隧道施工安全研究

针对广州地铁18号线盾构隧道工程施工的主要安全问题——地表沉降和管片上浮,基于现场监测得到的施工参数与安全问题间的海量大数据,采用深度学习网络——深度信念网络构建了施工安全预测模型,并研究了六个主要施工掘进参数对施工安全的影响。结果表明:深度信念网络可以根据现场监测大数据得到较准确的地表沉降和管片上浮预测值;且地表沉降量随土仓压力、注浆量和注浆压力的增大而减小,随千斤顶推力、刀盘扭矩和掘进速度的增大而增大。而管片上浮量随土仓压力和注浆压力的增大而增大,随千斤顶推力和注浆量的增大而减小,刀盘扭矩和掘进速度对管片上浮影响不大。

基于MVMD-CapSA-DBN的工业多元负荷分类研究

针对多元电力负荷数据时间序列非平稳性、时序相关性和非线性等特性,为掌握电力负荷的变化规律和发展趋势,实现对电力负荷的科学管理,将工业多元负荷有功功率作为原始数据,提出MVMD-CapSA-DBN负荷分类模型.首先,利用改进停止准则的变分模态分解(Variational Mode Decomposition,VMD)将数据分解,得到较为平稳的多个数据分量;之后,提取各分量能量值作为特征;最后,将0~1标准化的数据作为特征向量,输入经卷尾猴搜索算法(Capuchin Search Algorithm,CapSA)优化参数后的深度置信网络(Deep Belief Nets,DBN)信号分类.实验证明,可实现对工业多元负荷数据的有效分类,整体准确率在88.89%左右,部分负荷分类准确率可达100%.

基于深度置信网络算法的面向铁磁材料旋转磁滞损耗的矢量磁滞模型

铁磁材料磁滞建模是电气工程领域的基础性理论研究之一。该文基于深度置信网络(DBN)算法结合磁滞算子空间理论提出一种矢量磁滞模型。在模型结构中,引入郎之万函数作为映射函数对磁滞数据进行输入转换计算。利用多个磁滞算子构建算子空间生成高维算子数据,算子空间的数据输出作为DBN模型的输入,结合DBN算法表征算子数据与模型输出的非线性关系。利用样本的磁感应强度数据和生成的算子数据训练模型,获得模型参数。通过仿真表明构建的模型可以有效地描述铁磁材料在旋转磁化情况下的非线性特性和各项异性。同时,结合磁损分离理论改进磁损模型中相应的损耗系数,构建动态磁损计算模型,并将磁滞模型获得的数据应用于动态损耗计算。仿真表明,构建的磁滞模型可以有效地表征铁磁材料的实际磁化特性和损耗情况。

结合DBN和CHMM的滚动轴承性能退化评估

针对现有退化评估方法应用情境单一,特征指标筛选依赖人工经验,提出了一种基于深度置信网络(Deep belief network, DBN)和连续隐马尔科夫(Continuous hidden markov model, CHMM)相结合的滚动轴承性能退化评估方法。将滚动轴承正常状态下的振动信号处理为归一化幅值谱,以此作为DBN特征自动提取模型的输入,并使用CHMM做评估模型,其中CHMM的训练样本即通过DBN提取的正常状态下的特征向量。通过不同情境下的滚动轴承全寿命周期实验数据验证了所提模型的有效性。与近期有关文献所提方法进行比较,该方法避免了人工选择特征指标,且对早期微弱故障检测具有一定的敏感性。

拉曼激光放大器特性与影响因子间关系变化的数学模型设计

针对当前数学模型无法描述拉曼激光放大器的特性,设计了拉曼激光放大器特性与影响因子间关系变化的数学模型。首先分析拉曼激光放大器的工作原理,并设定拉曼激光放大器的阈值,然后找到影响拉曼激光放大器特性的影响因子,并采用深度信念网络拟合拉曼激光放大器输出特性与影响因子之间关系,从而建立相应的数学模型,最后分析该模型的性能,结果表明,模型可以准确描述影响因子与拉曼激光放大器特性之间的关系,为设计性能优异的拉曼激光放大器提供了重要支撑,具有重要的实际应用价值。

基于联锁运行数据的转辙机健康状态智能分析方法

转辙机是重要的安全关键信号设备,目前多依赖人工经验进行健康状态分析,存在误差大、预测不准的问题,现场维修维护面临很大压力.基于转辙机控制原理,利用联锁运行数据,提出一种结合深度置信网络和连续隐半马尔科夫模型的智能分析方法,对转辙机健康状态进行评估预测.首先,通过深度置信网络提取特征作为连续隐半马尔科夫模型的输入,利用联锁状态数据对预测模型进行训练,以不同观测值序列输出最大似然概率来确定转辙机的退化状态;然后,通过各退化状态驻留时间均值及方差计算转辙机退化状态的驻留时间,以此来预测转辙机健康状态的持续时间.实验表明,该方法在状态预测准确率方面达到83.08%,较传统隐半马尔可夫模型提高约13%,具有较好的预测精度,能够有效支撑现场维修维护工作.本文对信号设备的智能运维具有一定的借鉴作用.

基于机器学习模型的科技论文潜在“精品”识别研究

综合运用科技文献特征向量空间和机器学习模型实现海量文献中潜在“精品”的自动识别与推荐,能够提升海量科技文献的科学影响和其科技发展促进作用。设计和实现基于机器学习的科技文献潜在“精品”识别分类器和模型框架,测度出国际高影响力期刊和国内图书情报与档案管理期刊论文的原文及引文特征,运用特征工程构建科技论文特征向量空间;然后分别采用支持向量机和朴素贝叶斯等传统机器学习模型,以及深度置信网络和多层感知机等深度学习模型进行潜在“精品”的自动识别,并基于ROC曲线(receiver operating characteristic curve)和混淆矩阵构建评价模型识别效果的指标体系。研究结果显示:①深度学习模型在潜在“精品”识别方面的效果较差,而传统机器学习模型的识别效果较优,其中随机森林和支持向量机的潜在“精品”识别效果最佳,决策树识别效果次之,朴素贝叶斯识别效果较差且稳定性不足。②影响因子越高的期刊潜在“精品”识别效果越好;无论国际自然科学领域高影响力期刊,还是国内社会科学领域图书情报与档案管理期刊,识别出的“精品”论文全部为被引频次较高的论文且综述论文的占比较低,国内期刊的“精品”论文中仅有1篇为综述论文。③“精品”论文的计量特征值与总体论文样本相比,呈现较大差异,即“精品”论文的首次响应时间较短且拥有基金资助,参考文献数量、关键词数量和被引频次较多,摘要和论文篇幅较长且偏向多作者论文。实证结果表明,机器学习模型能够准确识别科技文献中的潜在“精品”,并提升潜在“精品”识别的自动化程度,为海量文献中潜在“精品”文献的自动识别与传播利用提供理论参考与方法支撑。

基于深度置信网络的上市公司信用风险预警模型

我国上市公司信用风险事件频发,一定程度上阻碍了金融体系的稳定发展,信用风险预警势在必行。本文借助深度置信网络,构建上市公司信用风险预警模型和预警指标体系,给出风险预警警戒值,并验证了预警模型的有效性。

基于深度学习的多特征融合杂草识别仿真

为降低叶片遮挡、光照不均等因素对杂草识别的影响,在深度学习算法的基础上,提出一种多特征融合杂草识别方法。利用光谱照相机获取地面植株图像,将K-means聚类算法与形态学相结合,把绿色植物从背景中分割后再划分叶片,并消除图像中的小面积干扰点;融合颜色、形态、纹理等图像向量,将多特征输入至深度信念网络模型内,设置最后一层为杂草类别,引入sigmoid函数做回归计算,输出结果即为杂草识别结果。通过仿真对比实验证明,无论背景、光照如何变化,所提方法均能实现精准识别。

基于深度置信网络的火炮炮口振动预测研究

火炮炮口振动数据准确预测后,可以对火炮随机振动误差进行补偿,对高机动条件下提高装备火控系统的精度具有重要意义。机器学习方法的进步为提高数据预测精度提供了有效途径。提出一种基于深度置信网络的火炮炮口振动预测模型,通过定义阶段、预处理阶段、训练阶段、测试阶段和评价阶段5个阶段,对火炮炮口振动数据进行了预测。结果表明,深度置信网络对炮口振动数据预测可以根据历史数据提取更丰富的数据特征,相较于传统BP神经网络,可以达到更好的预测精度。

基于深度信念网的大型水轮发电机组建模研究与仿真分析

针对水轮发电机组的数学机理建模存在的建模过程复杂、非线性和多参数耦合表达效果差的问题和大型水轮发电机组面临的风光能源接入和电网互联复杂的问题,比较分析机理建模和数据驱动优缺点,研究深度信念网算法关于水轮发电机组建模的可行性,建立了基于深度信念网数据驱动方法的大型水轮发电机组模型,通过某机组共计129600组实际数据进行模型训练和校验,并在机组空载频率扰动下进行仿真试验验证所建模型的有效性和稳定性。

基于改进狼群算法-深度置信网络(IGWO-DBN)模型的旋风分离器压降预测

针对目前旋风分离器压降计算模型在准确性和实用性上的不足,为更好地指导旋风分离器的结构设计和性能优化,采用深度学习方法对其压降进行了预测。选取了影响压降的7个几何参数,采用深度学习中的深度置信网络(deep belief network,DBN)对旋风分离器压降数据进行预测,并利用改进的狼群算法(improved grey wolf optimizer,IGWO)对DBN模型的初始化权重和偏置参数进行寻优,构建IGWO-DBN组合模型,同时与几种传统计算模型和机器学习模型的预测结果进行对比。结果表明,IGWO-DBN模型在计算精度上优于Shepherd-Lapple模型、Casal模型等传统计算模型,并优于反向传播神经网络(back propagation neural network,BPNN)、支持向量机(support vector machine,SVM)、极限学习机(extreme learning machine,ELM)等机器学习模型,计算效率大幅提升,且具有较好的泛化性和鲁棒性,可用于旋风分离器压降参数的预测。

一种基于改进深度信念网络的医疗设备故障预测模型

针对医疗设备智能综合管控系统在临床实践中日益凸显的若干缺陷,提出了一种基于改进深度信念网络的医疗设备故障预测模型。采用改进深度信念网络算法自动提取医疗设备故障信号的深层特征,利用多层受限玻尔兹曼机堆叠生成故障概率预测机制,实现医疗设备故障的精准预测。通过对模型开展工程评估应用实践,得出模型具有医疗设备运维信息感知全面、医疗设备动态变化适应性强、故障预测自主决策性高等优势,医疗设备故障识别均值有效率达到93.11%,主动预测均值精确率达到90.37%。

基于CEEMDAN-SE和DBN的短期电力负荷预测

为提高短期负荷预测精度,提出一种基于自适应噪声的完全集合经验模态分解(CEEMDAN)-样本熵(SE)和深度信念网络(DBN)的短期负荷组合预测模型。利用CEEMDAN-样本熵将原始负荷序列分解为多个特征互异的子序列,计算各子序列的样本熵,将熵值相近的子序列重组得到新序列,降低了原始非平稳序列对预测精度造成的影响并减小计算规模;综合考虑各新序列的周期特性和影响因素对每个新序列分别构建不同的DBN预测模型,利用DBN克服了浅层神经网络特征提取不充分及初始参数难确定的问题;最后将预测结果叠加得到最终预测值。仿真结果表明,该组合预测模型的平均绝对百分比误差和均方根误差分别为1.18%和87.91 MW,相比于BP、DBN、EMD-DBN负荷预测模型具有更高的预测精度。

基于深度信念网络的风机主轴承状态监测方法

提出了一种基于深度信念网络(DBN)的风电机组主轴承状态监测方法。为了降低建模难度并减少训练时间,首先利用相关系数法选取建模变量,进而建立主轴承正常行为的DBN温度模型并用于主轴承温度预测。该模型克服了传统神经网络随机初始化网络权重、易陷入局部最小值等缺点,能有效提高主轴承温度的预测精度。然后采用指数加权移动平均法(EWMA)对主轴承温度残差序列进行分析,并利用核密度估计方法确定故障阈值。最后基于实测的数据采集与监视控制(SCADA)系统数据对主轴承故障进行模拟。结果表明,与传统预测方法相比,该方法能有效地实现主轴承的异常状态监测。