基于格拉姆角场和深度残差网络的变压器绕组松动故障诊断模型

针对变压器绕组松动故障诊断中特征量难以选取,依赖人工经验的问题,提出了一种基于自动编码器降噪,格拉姆角场(GAF)和深度残差网络(ResNet)进行识别的变压器绕组松动诊断方法。该方法直接从GAF图像中自动学习有效的故障特征,不需要手动提取特征量。首先,将振动信号经过自动编码器进行降噪,获得信噪比更高的振动信号。然后,采用GAF方法将振动信号转化为二维图像,生成图像数据集,在此基础上训练ResNet,构建适用于变压器绕组松动故障分类识别的网络模型。最后,搭建变压器绕组松动故障试验平台,采集绕组在不同松动和试验电流下的振动信号并进行分析。试验结果表明,所提诊断方法对变压器绕组松动识别准确率达95%以上,能够有效识别松动相和松动程度,适用于变压器绕组松动故障的识别和诊断。

基于VMD与改进DAE人车地震动包络信号识别算法

为解决在野外环境中使用传统模式识别方法对低信噪比(signal-noise rate, SNR)的人车地震动信号进行分类时应用不便,效果不佳的问题,提出了通过基于包络检波、变分模态分解(variational mode decomposition, VMD)和改进的深度自编码器(deep auto-encoder, DAE)的特征提取算法。首先对目标的地震动信号进行希尔伯特变换以获取信号的平滑包络线,然后进行变分模态分解得到本征模函数(intrinsic mode function, IMF)信号,并利用皮尔森相关系数对分解得到的IMF信号进行筛选,之后将相关度较高的分量加权为高信噪比的中间信号,再使用改进的深度自编码器对其进行特征提取,最后使用泛化性能好的随机森林算法充当分类器,从而实现对人车目标的识别和分类。结果表明:所提算法有效缓解了其他传统算法的部分缺陷,综合识别正确率有所提高,且更加方便应用。

城市物流竞争力分析DAE-WMA优化算法

深入分析了城市物流竞争力的研究现状,结合深度学习相关理论,以深层自编码器(Deep Auto Encoder,DAE)标准模型与标准算法为基础,提出了基于Widrow函数的深层自编码器动量更新算法(DAE-WMA)。依据城市物流竞争力分析数据量特点,选取三种UCI数据集,对基于误差函数的标准算法(DAE-ESA)、基于交叉熵的标准算法(DAE-CSA)以及DAE-WMA的模式分类能力进行仿真,仿真结果表明后者的性能优于前两者。依据物流竞争实力与竞争潜力,基于层次分析法(Analytic Hierarchy Process,AHP)通过选取7个评估维度与19个评价指标构建城市物流竞争力指标体系,利用DAE-WMA方法与社会网络分析(Social Network Analysis,SNA)方法,对我国西北五省区13个主要城市的物流竞争力进行聚类分析与实证研究,仿真结果表明DAE-WMA方法相对于SNA方法,对核心节点城市的分类结果更加合理,更有利于对问题的分析。研究结果为确定新丝绸之路经济带沿线城市物流发展策略,促进国内物流业未来的协作与发展奠定了研究基础。

基于DAE+CNN辐射源信号识别算法

针对利用卷积神经网络进行辐射源信号识别过程中时间复杂度高的问题进行研究,提出一种基于降噪自编码器和卷积神经网络结合的算法。首先对雷达辐射源信号进行短时傅里叶变换,获取时频图像;然后对图像进行灰度和阈值二值化处理,将处理后的图像向量化操作输入到降噪自编码器中,提取降噪自编码器隐藏层特征数据完成降维处理,再重构成图片矩阵输入到卷积神经网络中,利用常用的softmax分类器进行分类识别。通过仿真表明,添加降噪自编码器降维处理后的模型相比原模型,时间复杂度大幅度下降;在SNR=-6 d B时,识别效果能达到80%以上;与利用传统降维方式性能相比,识别效果明显提高。

小规模数据多角度人脸表情人工智能识别仿真

已有人脸表情智能识别方法存在图像遗漏、识别速度慢、以及表情易混淆的问题,导致识别正确率低,且不适用于多人脸识别。为解决上述问题,提出小规模数据多角度人脸表情人工智能识别方法。结合去噪自编码器、稀疏自编码器及普通自编码器组成具有5层网络结构的堆栈式混合自编码器。在网络结构中训练数据样本,并对样本完成微调、权重初始化和更新。再结合粒子群优化分类器识别表情,将粒子最优值带入人脸表情识别目标函数,获得判定表情的决策矩阵,完成人脸表情人工智能识别。仿真结果表明,所提方法识别多人表情识别时无遗漏,且识别速度快、精度高、人脸表情不易混淆。

基于多模特征深度学习的机器人抓取判别方法

针对智能机器人抓取判别问题,研究多模特征深度学习与融合方法.该方法将测试特征分布偏离训练特征视为一类噪化,引入带稀疏约束的降噪自动编码(Denoising auto-encoding,DAE),实现网络权值学习;并以叠层融合策略,获取初始多模特征的深层抽象表达,两种手段相结合旨在提高深度网络的鲁棒性和抓取判别精确性.实验采用深度摄像机与6自由度工业机器人组建测试平台,对不同类别目标进行在线对比实验.结果表明,设计的多模特征深度学习依据人的抓取习惯,实现最优抓取判别,并且机器人成功实施抓取定位,研究方法对新目标具备良好的抓取判别能力.

基于自动编码器组合的深度学习优化方法

为了提高自动编码器算法的学习精度,更进一步降低分类任务的分类错误率,提出一种组合稀疏自动编码器(SAE)和边缘降噪自动编码器(m DAE)从而形成稀疏边缘降噪自动编码器(Sm DAE)的方法,将稀疏自动编码器和边缘降噪自动编码器的限制条件加载到一个自动编码器(AE)之上,使得这个自动编码器同时具有稀疏自动编码器的稀疏性约束条件和边缘降噪自动编码器的边缘降噪约束条件,提高自动编码器算法的学习能力。实验表明,稀疏边缘降噪自动编码器在多个分类任务上的学习精度都高于稀疏自动编码器和边缘降噪自动编码器的分类效果;与卷积神经网络(CNN)的对比实验也表明融入了边缘降噪限制条件,而且更加鲁棒的Sm DAE模型的分类精度比CNN还要好。

深度自动编码器的研究与展望

深度学习是机器学习的一个分支,开创了神经网络发展的新纪元。作为深度学习结构的主要组成部分之一,深度自动编码器主要用于完成转换学习任务,同时在无监督学习及非线性特征提取过程中也扮演着至关重要的角色。首先介绍深度自动编码器的发展由来、基本概念及原理,然后介绍它的构建方法以及预训练和精雕的一般步骤,并对不同类型深度自动编码器进行总结,最后在深入分析深度自动编码器目前存在的问题的基础上,对其未来发展趋势进行展望。

基于稠密自编码器的无监督番茄植株图像深度估计模型

深度信息获取是温室移动机器人实现自主作业的关键。该研究提出一种基于稠密卷积自编码器的无监督植株图像深度估计模型。针对因视角差异和遮挡而产生的像素消失问题,引入视差置信度预测,抑制图像重构损失产生的问题梯度,设计了基于可分卷积的稠密自编码器作为模型的深度神经网络。以深度估计误差、阈值精度等为判据,在番茄植株双目图像上开展训练和测试试验,结果表明,抑制问题梯度回传可显著提高深度估计精度,与问题梯度抑制前相比,估计深度的平均绝对误差和均方根误差分别降低了55.2%和33.0%,将网络预测的多尺度视差图接入编码器并将其上采样到输入图像尺寸后参与图像重构和损失计算的处理方式对提高预测精度是有效的,2种误差进一步降低了23.7%和27.5%;深度估计误差随空间点深度的减小而显著降低,当深度在9 m以内时,估计深度的平均绝对误差<14.1 cm,在3 m以内时,则<7 cm。与已有研究相比,该研究估计深度的平均相对误差和平均绝对误差分别降低了46.0%和26.0%。该研究可为温室移动机器人视觉系统设计提供参考。

基于深度自编码网络语音识别噪声鲁棒性研究

为了解决传统径向基(Radial basis function,RBF)神经网络在语音识别任务中基函数中心值和半径随机初始化的问题,从人脑对语音感知的分层处理机理出发,提出利用大量无标签数据初始化网络参数的无监督预训练方式代替传统随机初始化方法,使用深度自编码网络作为语音识别的声学模型,分析梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)和基于Gammatone听觉滤波器频率倒谱系数(Gammatone Frequency Cepstrum Coefficient,GFCC)下非特定人小词汇量孤立词的抗噪性能。实验结果表明,深度自编码网络在MFCC特征下较径向基神经网络表现出更优越的抗噪性能;而与经典的MFCC特征相比,GFCC特征在深度自编码网络下平均识别率相对提升1.87%。

一种无监督的轴承健康指标及早期故障检测方法

提出了一种无监督的轴承健康指标及早期故障检测方法。设计了一种可以有效提取轴承状态特征的深度可分离卷积自编码器模型,以编码器的输出作为轴承状态特征表示,使用Bray-Curtis距离计算退化状态特征和健康状态特征之间的距离作为轴承状态的健康指标(BC-HI)。基于健康指标BC-HI提出了一种结合Savitzky-Golay滤波的早期故障检测方法,根据健康指标的趋势获取异常阈值,判断早期故障的发生。为验证所提方法的有效性及泛化能力,在轴承加速寿命试验数据集上进行试验,试验结果表明提出的健康指标可以反映轴承的退化趋势,并且对早期故障较为敏感,具有较强的泛化能力,与孤立森林、支持向量机等方法相比,首次故障检测时间更加提前,误报警率更低,具有一定的应用价值。

基于自编码压缩与多尺度特征提取的抽水蓄能机组劣化趋势评估与预测

恶劣的运行环境为抽水蓄能机组安全运行带来严峻挑战,抽水蓄能机组劣化趋势评估与预测技术能够有效反映机组运行状况并预测机组未来劣化情况,为机组状态检修提供重要依据。然而,机组运行工况参数中存在大量冗余或干扰信息,严重影响劣化趋势评估的可靠性;此外,难以对复杂的劣化趋势序列实现准确的预测。为解决上述问题,提出一种基于自编码压缩与多尺度特征提取的抽水蓄能机组劣化评估预测模型。首先,为降低拟合误差,利用深度自编码器(DAE)凝练工况参数中的关键信息,结合多层感知机(MLP)建立健康模型;其次,根据机组运行数据与健康模型,生成机组劣化度;最后,以一维卷积神经网络(1DCNN)提取局部空间特征,以双向门控循环单元(BiGRU)提取双向全局时序特征,结合二者的优势,构建多尺度特征提取网络,实现精确的劣化趋势预测。通过某抽水蓄能机组验证了该模型的有效性。与其他模型相比,自编码压缩模型的拟合误差最低,能够生成可靠的劣化趋势;多尺度特征提取网络能够学习劣化趋势序列中的长期趋势与局部波动信息,预测精度更高。

堆叠稀疏自编码深度神经网络算法及其在滚动轴承故障诊断中的应用

针对目前机械设备故障数据量大、多样性且主要采用监督式学习提取故障特征的现状,提出一种堆叠稀疏自编码深度神经网络,实现无监督学习提取振动信号内在特征,并用于滚动轴承故障诊断。将频谱包络线作为低层输入逐层训练网络,获取故障特征表达,输入Softmax分类器实现故障分类;通过优化算法对整个深度神经网络进行微调,提高分类精度。滚动轴承故障诊断实验结果表明:所提出的深度神经网络能更准确地实现故障诊断,且在保证准确率的同时将频谱包络线作为低层输入,能够提高计算效率。

基于深层自适应平衡自编码机的手写数字分类

针对深层自动编码机(DAE)内部协变量迁移问题,提出一种深层自适应平衡自动编码机(DSBAE),用于手写数字的分类(HDC)。重点研究了自适应平衡层对内部协变量迁移的纠正方法,构建了DSBAE网络的分类模型,根据平衡网络参数体系原理,制定了自适应参数更新策略。实验在MNIST,USPS以及PENDIGITS三个公开手写数据集上对DSBAE以及深度学习中其他分类算法进行比较,证明DSBAE能有效解决深层网络的内部协变量迁移问题,并在手写数字分类准确率上占有明显优势。

基于改进的堆叠降噪自动编码器深度模型的转子-转轴系统故障诊断方法

旋转机械转子-转轴系统故障诊断方法中大多采用传统浅层模型,对于数量较大的样本其处理能力有限。为解决此问题,提出一种利用改进的堆叠降噪自动编码器(SDAE)深度模型的故障诊断方法,并对转子-转轴系统的典型故障进行诊断。利用某机械故障综合模拟实验台,结合基于LabVIEW开发的信号采集系统模拟并采集转子-转轴系统的10类单一故障和7类复合故障振动信号。在训练SDAE模型时引入Dropout机制对模型进行改进,并结合Softmax分类器进行网络训练与诊断。与传统BP网络、自动编码器(AE)、无Dropout机制的SDAE和卷积神经网络(CNN)进行对比,结果表明:改进的SDAE方法对于转子-转轴系统故障的正确识别率最高,特别是对复合故障的诊断效果比其他模型更理想,充分验证了改进的SDAE深度模型的优越性。

基于EVMD和SODN的滚动轴承故障识别研究

在传统的滚动轴承故障识别方法中,存在对轴承振动信号的人工特征提取、选择困难的问题,提出了一种基于增强变分模态分解(EVMD)和自组织深层网络(SODN)的滚动轴承故障识别方法。首先,为了自动确定变分模态分解的模态数目,提出了一种功率谱的分割方法,从而提高了轴承振动信号的信噪比,并将滚动轴承的振动信号自适应分解为若干本征模态分量(IMFs);然后,根据综合评价指标,选择了较能反映轴承故障特征的IMFs分量,同时为了达到信号降噪的目的,对其进行了重构;最后,将自组织策略引入到深层自编码器中,进而构造了SODN,并将降噪后的轴承振动信号输入SODN,进行了自动特征学习与故障识别的对比实验,以验证该方法的可行性和有效性。研究结果表明:所提出的EVMD-SODN方法的轴承故障识别率达99.15%,标准差仅0.10,在故障识别率方面相比于其他组合模型具有较大优势。

基于改进栈式稀疏去噪自编码器的图像去噪

为了提高栈式稀疏去噪自编码器(SSDA)的图像去噪性能,解决计算复杂度高,参数不易调节,训练收敛速度慢等问题,提出了一种栈式边缘化稀疏去噪自编码器(SMSDA)的图像去噪方法。首先,由于边缘化去噪自编码器(MDA)具有收敛速度快这一特性,对SDA网络损失函数作边缘化处理,形成边缘化稀疏去噪自编码器(MSDA),使其同时满足边缘性和稀疏性。其次,将多个MSDA堆叠构成深度神经网SMSDA,为避免模型参数局部最优,采用非监督逐层训练法分别训练每一层网络,再用BP算法对整个网络微调,从而获得最优权重。最后,用SMSDA对给定图像去噪。仿真结果表明,较SSDA而言,所提算法在降低计算复杂度、提高收敛速度的同时,拥有较高峰值信噪比(PSNR),且保留了更多原始图像的细节信息,具有更好的降噪性能。

深度自编码器在数据异常检测中的应用研究

针对自编码器网络(AE)需要正常数据进行训练的局限性,结合主成分分析方法,将AE的每次重建输出与输入数据进行求差,隔离出异常数据部分,即将输入数据分为正常与异常部分,正常部分由AE重建输出,异常部分由近端法进行优化输出,最后采用交替方向乘子法训练整个模型并达到预定训练次数再输出结果,实现了一种基于深度自编码网络(DAE)模型的无监督数据异常检测方法。在7个真实数据集与8种机器学习模型和AE模型进行了对比实验,结果表明,DAE模型无需输入正常数据就可以有效进行模型训练,且可以防止模型的过拟合,其综合表现高于传统机器学习模型和AE模型,AUC值在4个数据集中达到最优。在mnist数据集中,DAE模型的AUC值相比于孤立森林(IF)方法提高了10.93%。

基于RGB特征与深度特征融合的物体识别算法

RGB图像和深度图像的同时使用能有效提高物体识别的准确率。然而,已有研究仅将RGB图像和深度图像的特征进行简单的线性连接,没有根据RGB特征和深度特征的差异性进行特征提取和融合,充分发挥RGB-D图像的优势。为此,提出一种多模态稀疏自编码算法,在进行差异性特征提取的同时完成RGB特征和深度特征的有效融合。结合多模态稀疏自编码算法和空间金字塔最大池化算法,给出一个全新的深度学习模型。该模型能够提取有辨别力的特征并完成基于RGB-D图像的物体识别工作。在2个标准的RGB-D数据库上的实验结果表明,与基于RGB-D的物体识别算法相比,该算法能够有效融合RGB特征和深度特征,取得更高的识别准确率。

基于深度信息的特征学习与动作识别方法

为了进行复杂交互动作识别,提出基于深度信息的特征学习方法,并使用两层分类策略解决相似动作识别问题。该方法从频域的角度分析深度图像动作序列,提取频域特征,利用VAE对特征进行空间特征压缩表示,建立HMM模拟时序变化并进行第一层动作识别。为了解决相似动作识别问题,引入三维关节点特征进行第二层动作识别。实验结果表明,两种特征在动作数据集SBU-Kinect上能够有效地表示姿态含义,策略简单有效,识别准确率较高。