基于DBN和BES-LSSVM的矿用压风机异常状态识别方法

针对矿用压风机这类分布式系统的异常类别复杂、识别精度低等问题,提出了一种基于深度置信网络(DBN)和最小二乘支持向量机(LSSVM)的异常状态识别方法。首先,分析压风机组成系统及其运行机理,确定常见的异常状态类型;其次,采用DBN无监督学习方式充分挖掘监测数据中异常特征并快速提取;然后,利用秃鹰搜索算法(BES)优化LSSVM的超参数,构建最优的BES-LSSVM分类模型;最后,将DBN提取的异常特征作为BES-LSSVM模型的输入,对矿用压风机异常状态进行识别。试验验证与对比分析结果表明,相较于GA,PSO,GWO算法,BES算法的求解精度和收敛速度均有所提高,同时DBN-BES-LSSVM模型在测试集上平均识别精度达到94.65%,较PCA-LSSVM模型、DBN模型和DBN-LSSVM模型的识别精度分别提高了10.53%,5.84%和3.76%,验证了DBN-BES-LSSVM模型在矿用压风机异常特征提取以及特征识别方面的优越性。

机器学习和深度学习在遥感影像分类中的对比研究

遥感影像分类是遥感技术应用的一个重要环节;机器学习和深度学习能够实现精确、自动化、迅速、可定义和规模化的遥感影像分类。本文选取机器学习算法支持向量机和深度学习算法卷积神经网络、深度置信网络、栈式自编码网络共计4种分类算法进行对比研究,并对支持向量机核函数的参数以及深度学习算法的神经元数量开展寻优以到达最高分类精度。实验结果表明,深度学习算法栈式自编码网络的总体分类精度最高,分类效果最好,在地物复杂多样地区开展遥感地物分类时具有较好的适用性和推广价值。

轨道交通户外站台门与列车间隙背景灯带图像分割算法研究

轨道交通在发车前需要清空站台与列车间隙,否则异物入侵会对乘客与列车运行造成安全隐患,基于背景灯带的异物入侵检测需要对灯带在图像中进行图像分割、提取、识别。针对在户外站台场景下,复杂背景和日光等因素为背景灯带提取带来困难的问题,提出一种无监督的图像分割算法。首先通过卷积神经网络进行特征提取,然后将特征图输入到后续分类器中对所有像素进行类别输出。在训练过程中,使用的损失函数从三方面进行设计:考虑特征相似度和空间连续约束、基于深度支持向量描述以及基于几何与光度增强。算法能够实现单样本无监督对神经网络参数进行调优。通过对某城轨站台真实数据采集及实验结果表明,本文提出的方法在与训练样本不同光照条件、拍摄角度条件下,对背景灯带进行分割的F1分数为78.47%;在性能优于其他方法的同时,耗时最多能减少97.1%;算法为基于背景灯带的异物检测方案提供一种行之有效的图像分割方法,为后续的异物自动检测提供基础。

基于DBN实现QSSVM模型的WSN数据异常检测

无线传感器网络(Wireless Sensor Network,WSN)数据异常处理效率保障了现在智能的高效率运行。在分析1/4超球面支持向量机(Quarter-Sphere support vector machines,QSSVM)测试模型的基础上,进行深度信念网络(Deep Belief Network,DBN)构建实现,设计了一种可以实现在线测试功能的异常检测算法。研究结果表明:随着窗口大小的增加,所需要的计算时间增多。QSSVM在窗口开始扩大时便产生变化,主要表现在准确度的持续提高。QSSVM检测性能随着样本维度不断升高得到较大提升,相反K-means的检测性能却有降低趋势。采用QSSVM算法处理560维HAR数据时,测试结果显示检测率高达94.16%。该研究能够满足大规模高维传感器的数据处理需求,具有很高的应用价值。

DeepTriage:一种基于深度学习的软件缺陷自动分配方法

在软件开发和维护过程中,缺陷修复工作有一项必不可少的任务,那就是缺陷分配.在大规模的软件项目中,基于文本分类的自动分配技术已被用于提高缺陷分配的效率,从而减少人工分配的等待时间和成本.考虑到缺陷报告文本内容的复杂性,本文提出了一种基于深度学习的缺陷自动分配方法,在词向量化后通过卷积神经网络对缺陷报告文本进行特征提取,然后完成分类任务.在Eclipse和Mozilla两个数据集上的结果表明,与传统的支持向量机和基于递归神经网络的方法相比,文本所提方法在准确率指标上均优于上述基准方法,而且多层平行的卷积神经网络结构比单层的卷积神经网络结构在预测效果上更好.

大数据环境下嵌入式可信软件异常识别研究

嵌入式多任务操作内核是其应用的核心,但由于嵌入式操作具有开放性,导致网络化软件中出现风险漏洞,引发可信软件异常问题,对操作内核造成损坏。大数据环境下软件数据的大规模和高复杂度加大了软件异常识别的难度,为此,提出嵌入式操作内核可信软件异常识别方法。结合不同类型的受限玻尔兹曼机,构建深度信念网络用于数据降维。采用梯度下降法改进遗传算法,将其应用在支持向量机的优化中。通过优化的支持向量机建立软件异常识别模型,将降维后数据输入模型,完成嵌入式操作内核可信软件异常识别。实验结果表明,所提方法下软件异常识别的准确率、召回率、查全率和F1值均在95%以上,且有效降低了内存开销和性能开销。

基于深度神经网络的SOFC电堆温度场建模

基于石英光纤温度传感器和直角坐标机械手,设计并搭建一种SOFC电堆温度场测量系统。然后应用上述系统测量模拟电堆的阴极气道温度数据。根据采集的数据,基于深度神经网络方法建立模拟电堆温度场模型,并与基于支持向量机方法的电堆温度场模型进行对比。结果显示:深度神经网络电堆温度场模型的训练时间更短,预测精度更高,其平均绝对误差和均方根误差分别为支持向量机电堆温度场模型的45.2%和47.4%,更有利于该文中电堆温度场建模。

基于CNN-SVM的核电厂轴承故障诊断方法

为提升核电厂旋转机械部件的故障诊断准确率,以及增强诊断模型泛化能力,本文提出了一种基于卷积神经网络和支持向量机的滚动轴承故障诊断方法。对轴承原始振动信号进行连续小波变换,得到其时频图;然后,使用预训练好的卷积基对小波时频图进行特征提取,获取深层特征,并将这些深层特征正则化处理后,使用主成分分析法对其进行降维;将得到的特征数据输入到基于粒子群优化的支持向量机中,从而实现滚动轴承的故障诊断。实验结果表明:该方法对不同负载工况下的多类滚动轴承故障具有良好的诊断效果,并且在噪声干扰下也能保持较好的效果,与其他方法相比,其抗噪稳定性更好,泛化能力更强。

基于大数据和深度神经网络的桩承载力时效性预测

以湛江组黏土中长期竖向受荷桩基为研究对象,根据湛江地区黏土中桩基承载力时效性测试的大数据,选取桩基几何参数、桩周土物理力学参数以及休止龄期作为深度神经网络(DNN)的输入,提出了适用于大规模数据样本的桩基承载力时效性预测模型,并利用该DNN模型与支持向量机(SVM)方法进行了对比分析。DNN预测模型比SVM方法更优,预测结果更具规律性和精准性,能满足联合多实例、大规模样本的预测要求,具备在大规模样本数据情况下的预测能力,可为计算桩基承载力时效性提供参考。

车联网中时延感知的计算卸载和资源分配策略

对车联网中多个车辆用户设备(Vehicle User Equipment,VUE)卸载过程中的资源分配问题进行研究,提出一种时延感知的计算卸载和资源分配策略。采用支持向量机将卸载任务根据时延和能耗的要求选择移动边缘计算(Mobile Edge Computing,MEC)服务器辅助卸载和VUE辅助卸载两种处理模式,考虑MEC服务器的计算资源分配以及车到车链路复用蜂窝链路的干扰问题,建立最小化总成本的优化问题。最后,使用深度竞争双Q网络算法完成不同处理模式下相应的资源分配过程。为了验证所提策略的有效性,将其与基于深度Q网络算法的资源分配策略、基于正交多址接入的资源分配策略和随机资源分配策略等3种策略相比。验证结果表明,所提策略可以在最大时延限制内有效降低卸载总成本。

基于KG-DBN-SVM的工控网络安全态势感知算法

工业控制网络是重要的基础设施,保障其安全稳定运行非常重要。对工控网络进行安全态势感知研究,可以帮助安全人员从更加全面的层面发现潜在威胁,保障工控网络安全。工控网络数据来源很多、结构各异,存在多源异构的特点,从这一点出发对数据进行分析,可以更好地感知工控网络安全态势。本文使用知识图谱对多源异构数据进行结构化,然后利用深度置信网络对不同工控实体数据进行特征提取与降维,最后利用支持向量机进行分类判断确定,并进行数据调优,得到最佳的工控网络安全态势感知模型。在公共的工控安全数据集上进行对比实验,实验结果表明,本文算法在准确率、召回率与F1指标上分别达到了0.938、0.891和0.914的结果,优于对比较的一系列工控网络安全算法。

自适配权重特征融合的持续身份认证

针对现有智能手机用户身份认证方法的不足,提出了一种自适配权重特征融合的持续身份认证方法。设计了一种卷积神经网络,对手机内置传感器(加速度计、陀螺仪、磁力计)获取的用户行为信息数据进行深度特征提取及融合。通过网络中3个子网络流分别提取3种传感器特征,在特征融合层加权融合,各特征的权值会在网络学习过程中根据不同特征的贡献度实现自适应分配。融合特征经过特征选择之后,使用单分类支持向量机进行用户分类认证。实验结果表明:该方法对不同用户身份认证获得的等错误率为1.20%,与现有其他认证方法相比具有更好的认证准确性。

基于深度神经网络对抗乳腺癌候选药物ERα生物活性的预测

针对抗乳腺癌候选药物的ERα生物活性建立定量结构-活性关系模型预测药物化合物的生物活性,首先通过主成分分析法,以化合物的生物活性值(IC_(50))为因变量,729个分子描述符为自变量。再利用皮尔逊相关系数,剔除高度相关的变量,最终得到20个最具有显著影响的变量。使用支持向量机(SVM)和深度神经网络(DNN)两种模型分别建立化合物对ERα生物活性定量预测模型,利用评价指标对两模型结果进行比较。结果显示DNN模型的预测结果较好,其均方根误差为0.7355,均方误差为0.5354,平均绝对百分比误差为0.0861。研究得出的预测模型可以极大地节省药物研发时间,为新型抗乳腺癌先导化合物的药物研究提供实验和理论支持。

基于DTCNN-SVM的工业循环水系统供水泵故障诊断

工业循环水系统供水泵的工作状态是影响工业过程安全生产的重要因素,为及时准确地识别供水泵的工作状态,提出一种基于深度迁移卷积神经网络和支持向量机(deep transfer convolutional neural network-support vector machine,DTCNN-SVM)的故障诊断方法。将与工作状态强相关的振动信号进行信号-图像预处理,实现振动时序信号的二维灰度图化;在此基础上,采用融合迁移学习与残差神经网络的深度迁移卷积神经网络模型提取振动信号灰度图特征,并基于模糊不一致性度量对深度学习特征进行约简;采用支持向量机法建立供水泵故障诊断模型。试验结果表明,所提方法在少量样本数据和模型参数下能有效识别供水泵工作状态。

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DCNN-SVM的道岔智能故障诊断方法研究

针对道岔故障难检测、难分类、时效差等难题,以S700型转辙机道岔为研究对象,提出一种基于DCNN-SVM的道岔故障诊断方法。首先从道岔正常转换曲线和发生故障时的动作曲线入手,总结故障类型、故障原因和故障信号形态特征,并对道岔转换动作曲线进行预处理,即数据统一维度和归一化。然后计算标准电流曲线和功率曲线,根据道岔转换曲线与标准曲线的相似度来识别道岔转换正常和异常。再采用分区时域特征提取和ReliefF特征筛选,选取对故障分类具有明显效果的时域特征,以及根据深度学习算法获取的图像特征,形成有效特征向量空间。最后使用训练集对DCNN-SVM道岔故障诊断算法进行模型训练,并基于诊断模型实现道岔故障的实时诊断。实验表明:在样本数据量足够大的情况下,DCNN-SVM道岔故障诊断方法正确率达99.01%,相比SVM算法提高0.64%,对保障行车安全具有十分重要的作用。

基于深度学习的复杂场景下车牌识别算法研究

随着汽车保有量日益增多,车牌识别已经成为智能化交通系统不可分割的一部分,在道路交通控制方面发挥着重要作用。由于实际交通环境的复杂性,传统的车牌识别算法易受到光线明暗不均、天气恶劣多变、倾斜角度大等诸多因素的干扰,具有很大的局限性。针对这一问题,本文提出了一种基于深度学习的复杂场景下车牌识别算法。从车牌识别的一般流程出发,设计基于HOG+SVM目标检测定位算法,实现对车牌的定位与筛选,最后利用CNN卷积神经网络对车牌字符实现识别。实验结果表明,在复杂多变的应用场景下,本文所提出的基于深度学习的车牌识别算法精度高、鲁棒性强。

基于改进机器学习的人体行为识别方法研究

针对人体行为识别领域传统方法特征提取复杂、分类准确率低的问题,提出了一种基于深度置信网络-支持向量机(DBN-SVM)的行为识别模型。首先,为了更好地捕捉用户行为的周期性变化,引入滤波器对行为信号进行降噪、滤波和加窗分段处理;其次,提出了DBN-SVM模型,将预处理得到的行为时频信号作为模型的可视层输入,通过DBN自动提取行为数据特征,结合SVM实现行为的分类识别。最后,实验中将该模型应用于多个行为数据集,并与传统的机器学习方法进行对比,结果表明,该方法的行为识别结果较传统的机器学习方法效率提升了4%~15%,可以更精准地实现活动分类,提高行为识别性能。

图像分析技术在农作物污染损害鉴定中的应用

农作物损害表症的快速识别对防止农作物受损、提高农作物的产量以及在农业生产中反应指示、预警潜在农作物污染损害行为,减低污染对农作物生长和农产品质量安全的威胁具有重要意义。随着图像处理技术的快速发展,基于图像处理技术的分析方法实现了对农作物损害快速、准确的无损检测与识别,本文对该方法在农作物病害、虫害、草害、污染胁迫、气象灾害和营养缺素6种逆境条件下的研究和应用进行综述,并对农业环境损害鉴定中污染损害识别研究现状进行总结,认为基于图像分析的农作物污染胁迫识别系统的研发在农业环境损害司法鉴定中有很好的应用前景,值得进一步深入探索和研究。

基于深度置信网络的连铸坯偏析等级预测研究

连铸坯中心偏析缺陷的准确预测对于连铸坯稳定生产、提升连铸质量具有重要意义。为精准预测连铸坯中心偏析缺陷,建立连铸坯偏析等级的深度学习模型,该模型应用禁忌搜索的超参数优化法,对DBN模型的网络层和回归层进行优化,提高了偏析预测的准确率。研究表明,基于DBN-SVR模型的连铸坯中心偏析预测精度较好。