基于Dropout方法的高精度畸变标定方法

星敏感器畸变标定方法主要采用拟合方法,在工程应用中受到标定点数量、误差的限制,传统最小二乘拟合方法或工具箱拟合方法在拟合过程中会产生过拟合现象,造成星敏感器畸变标定精度下降。本文提出一种基于Dropout方法的高精度畸变标定方法,该方法首先对星敏感器高阶曲面畸变模型进行网络化,然后构建隐藏部分卷积层的星敏感器畸变模型,最后进行监督学习,完成星敏感器畸变模型标定。试验结果表明,采用基于Dropout方法的星敏感器标定方法可有效提高星敏感器训练精度,相比于高精度工具箱的拟合结果,畸变标定残差由2.02"提升到1.12"。

基于大数据分析的电网负荷预测方法

结合长短期记忆网络(long short-term memory,LSTM)和Dropout正则化技术,本研究提出了一种基于大数据分析的电网负荷预测方法。首先,介绍了电力负荷预测的背景和意义,阐述了利用大数据分析技术进行电力负荷预测的重要性。其次,详细介绍了LSTM模型的基本原理以及Dropout正则化方法的优化原理。最后,使用UCI(university of california,irvine)电力负荷数据集对传统LSTM和基于Dropout的LSTM方法进行了对比实验,并对实验结果进行了分析和讨论。实验结果表明:相较于传统LSTM方法,提出的基于Dropout的LSTM方法在电力负荷预测任务上表现出显著的优势,能够取得更高的预测准确性和稳定性。

一种改进一维卷积神经网络的轴承故障诊断方法

经典一维卷积神经网络模型诊断准确率不高且模型存在过拟合问题,难以满足轴承故障诊断时效性和准确率要求。鉴于此,提出一种基于改进一维卷积神经网络的轴承故障诊断方法,在卷积层之后加入批量归一化层的方法以增加模型泛化能力,并采用Dropout的方法解决模型过拟合问题。基于凯斯西储大学轴承故障数据集的实验结果显示,相比经典一维卷积神经网络,该方法可显著提升故障诊断准确率,故障诊断准确率可达99.79%,并且整个诊断过程无需手动特征提取,从而减少了特征提取过程中的损失,实现端到端的检测,具有较好的通用性。

基于Bi-LSTM-Dropout的新冠疫情趋势预测研究

自新冠疫情暴发以来已经对我国造成巨大影响,对新冠疫情趋势预测进行研究能够帮助人们做出应对措施。为了提高新冠疫情趋势预测模型的精度,提出了一种基于双向长短期神经网络(bi-directional long short-term memory,Bi-LSTM)建立时间序列模型。在此基础上,引入Dropout方法使神经元随机失活,解决过拟合问题。最后与长短期神经网络(long short-term memory,LSTM)、BP神经网络以及自回归积分滑动平均模型(autoregressive integrated moving average model,ARIMA)进行对比仿真实验。通过对累计确诊人数、累计死亡人数、累计治愈人数的预测结果进行对比。结果表明,文章使用的方法对于新冠疫情趋势预测明显优于其他模型。

LSTM在MIMO信道估计中的应用研究

多输入多输出(Multiple-Input Multiple-Output,MIMO)技术作为一种无线通信技术,能够显著提高带宽。为了进一步优化该方法的信道估计策略,研究了基于长短期记忆(Long Short-Term Memory,LSTM)模型的基本原理。为了提高LSTM的泛化能力,文章引入了Dropout方法对该方法进行优化,研究探讨了使用该方法进行MIMO信道估计的实现流程。最后,文章利用公开的MIMO数据集对设计方法进行了测试,实验结果验证了该方法的有效性。

基于改进降噪自编码器的馈线终端失效率预测

配电网中馈线终端设备由于运行环境恶劣,往往面临意外失效问题。本文针对海量馈线终端装置的失效率预测问题,使用堆叠降噪自编码器实现基于馈线终端的各个关键元件的失效率预测;采用基于Dropout的模型正则化方法防止自编码器训练过程中出现过拟合现象,同时采用Adadelta算法对堆叠自编码器进行优化,在保证预测准确率的同时提高学习速率,实现馈线终端故障失效率的高效准确预测;最后基于馈线终端装置现场数据进行仿真验证。仿真结果验证了本文方法对失效率预测的准确性和泛化能力。

基于改进卷积神经网络CNND的电主轴轴承故障诊断方法

目的解决深度学习方法在建立电主轴轴承故障诊断模型时出现的过拟合现象,提高电主轴轴承故障诊断准确率.方法提出一种基于改进卷积神经网络的诊断方法,该方法在卷积神经网络的训练过程中融入Dropout优化方法,使整个故障诊断模型按照一定的比例随机“关闭”隐藏层中的神经元,减少模型在每一次训练过程中所需要调整的参数数量.结果将Dropout优化方法与卷积神经网络相结合所建立的电主轴轴承故障诊断模型是可行的,其平均诊断准确率能够达到99.012%,远高于基于CNN、CNN+L2和BPNN这3种神经网络诊断方法的诊断准确率.卷积神经网络方法相比于传统的“基于信号处理提取到的特征和机器学习模型”方法,更适用于电主轴轴承故障诊断.结论提出的CNND方法实现了卷积神经网络与Dropout优化方法的有机结合,对原始数据进行降维处理使模型学习到的特征更利于电主轴故障的分类,同时根据故障数据的特点确定相关参数的初始值,克服一般深度学习方法在进行电主轴故障诊断时出现的过拟合现象,提高诊断准确率.

基于dropout-MC递归神经网络的锂电池剩余寿命预测

为保障电动车辆的可靠性和安全性,提出了一种dropout Monte Carlo(dropout-MC)递归神经网络的锂离子动力电池系统的剩余寿命(RUL)预测方法。以等电压充电时间间隔作为间接健康因子,考虑外部干扰和容量再生现象的影响,以变分模态分解(VMD)来获得电池退化趋势。以改进的递归神经网络模型——长短时间序列(LSTM)来获得剩余寿命预测。以dropout-MC采样方法来表征锂离子电池剩余寿命的不确定性,并获得锂离子电池RUL的95%置信区间。结果表明:相较于传统的极限学习机(ELM)方法和非线性自回归神经网络(NARX)方法,该文方法的剩余寿命预测性能指标均低于2.4%。因而,该方法具有优越的预测性能,且获得预测的置信区间。

基于深度卷积神经网络的乳腺细胞图像分类研究

针对深度卷积神经网络能够提取图像的高层特征并对图像进行有效表达。采用基于深度卷积神经网络的改进算法,设计了ZCNN网络结构对乳腺病理细胞图像进行分类研究。首先,对病理图像进行预处理,利用ZCA白化降低数据特征间的相关性,从而降低数据间的冗余。其次,在网络卷积层采用线性校正单元(Re LUs)作为网络的激活函数,加速计算网络输出。最后,在网络精调时,利用dropout方法随机断开池化层的网络节点,可以有效抑制算法的过拟合,提高算法的泛化能力。采用本文方法对benign和actionable两类病理细胞图像的分类,精度达到94.65%。性能上超过了Softmax,PCA以及传统的卷积神经网络。

改进的卷积神经网络模型在人脸识别中的应用

为了避免传统机器学习算法进行人脸识别时存在的性能差、泛化能力弱等问题,现提出一种基于LeNet-5改进的卷积神经网络模型。该模型包含输入层、三个卷积和池化层、一个全连接层和输出层。每次卷积完,成后,都使用ReLU激活函数进行非线性映射来增强模型的拟合能力;每次最大池化完成后,都使用Dropout方法防止过拟合。运行结果表明改进的卷积神经网络模型对动态采集的人脸图像数据集进行模型训练和模型预测时,训练精度和预测精度都达到了99%,优于传统人脸识别算法,充分验证了改进的卷积神经网络模型的有效性。

改进的LeNet-5模型在花卉识别中的应用

为提高花卉图像的识别率,实现良好的花卉分类效果,提出一类改进型LeNet-5卷积神经网络模型。将原LeNet-5卷积神经网络模型的S4层与C5层之间的连接方式改为全连接,将S2层、S4层的池化操作分别设置为均值池化、最大池化。在此基础上采用随机梯度下降方法和Dropout防止过度拟合的方法相结合的算法,对Oxford-17花卉数据集进行仿真实验。实验结果表明,改进型LeNet-5卷积神经网络有效且可行,该模型对花卉图像的识别率高达96.5%,与未改进的LeNet-5卷积神经网络模型相比,识别率提高了6.5%。

Dropout回声状态网络的网络流量预测

提出了一种基于Dropout方法的回声状态网络(ESN).将基于Dropout方法的ESN(Dropout ESN)应用到实际的网络流量预测任务中,设置储备池内神经元以不同的概率停止工作,将经典的ESN和Dropout ESN进行了对比,分析了2种网络对预测性能的影响,将基于Dropout方法的ESN和其他网络的正规化方均根差进行对比分析.仿真结果表明,Dropout ESN对网络流量预测效果更优。