基于降噪自动编码器的不平衡情感分类研究

目前,网络评论的情感分类研究大部分是不平衡样本数据,正向样本的数量一般远大于负向样本,对这种不平衡样本集进行分类时容易产生少数类误差较大的问题。而且由于网络评论的表达形式多变,不易获取到大量的有监督的数据。针对上述问题,对无监督的不平衡网络评论情感分类进行研究。首先通过改进降噪自动编码器,提高少数类的特征值,避免分类样本向多数类偏移。然后将获取的特征值作为k-means算法的输入值,实现了无监督的样本分类。实验证明,该算法对不平衡率较高的样本具有良好的适应性,从而验证了算法的有效性。     

基于深度学习的MIMO系统联合优化

自动编码器神经网络可将通信系统重新构建为端到端的任务,从而实现整个系统的联合优化。针对基于深度学习的2用户与4用户多输入多输出(multiple-input multiple-output,MIMO)系统联合优化问题,提出将自动编码器运用到系统中,将整个通信系统的发射端和接收端视为自动编码器的编码和译码部分,利用交叉熵损失加权和函数进行训练学习,从而获得优化的系统模型,并进一步分析得出每个用户的误比特率及所有用户的平均误比特率。实验结果表明,基于自动编码器所构建的MIMO通信系统相比于传统的通信系统具有更优的系统性能。     

基于深度学习的离心泵空化状态识别

空化状态识别是离心泵状态监测的难点之一,为了提高空化状态识别的效果,提出了一种基于深度学习的离心泵空化状态识别方法。首先,采集了在3种工况下泵壳的振动信号,分别构建了振动信号的改进倍频带特征矩阵和时频特征矩阵;然后,基于自动编码器构建了深度学习网络,通过无监督训练自动学习输入数据的特征,利用监督训练对网络的参数进行了调整;最后,运用深度学习网络,对离心泵的4类空化状态进行了分类识别。研究表明,无论是基于改进倍频带特征矩阵还是基于时频特征矩阵,深度学习网络对4类空化状态都有很好的识别效果,尤其是对于弱空化状态,深度学习网络比BP神经网络更有效。     

基于深度学习模型的WSN路由协议算法

为降低无线传感网网络(WSN)的能量消耗,延长网络生存周期,提出一种基于深度学习模型的WSN路由协议算法。算法首先在汇聚节点完成训练并进行分簇,将训练好的参数传递给各簇节点,各簇节点对采集的数据进行特征分类、提取、再融合后传递给汇聚节点。在进行分簇时,为使簇头的分布更均匀,在估算最优簇头数的基础上,改进分簇方法,减少分簇次数,节省网络能量消耗。通过仿真实验表明,基于深度学习模型的WSN路由协议算法减少网络能量消耗,延长网络生命周期,更适合大规模远距离通信。     

一种用于知识自动获取的多策略学习方法

该文分析了机器学习中几种常用学习策略的特性，提出了一种适应于知识自动获取过程的推广－特化知识表示方法，并给出了一个融合演绎、归纳与类比的多策略学习算法。该算法将学习问题的不确定性和多种学习策略溶进命题集合的描述和变换中，强调学习算法与领域专家在知识获取中的协作关系。     

基于ARM和深度学习的大数据 指纹识别系统设计

针对传统指纹识别系统在面对大数据指纹图像时具有识别效率不高、需要手动设计提取的特征的缺点,提出了一种基于ARM和深度学习的大数据指纹识别系统.首先,描述了指纹识别系统的原理图.然后,设计了系统硬件框图,采用S3C2410C作为微处理器,采用FPS200指纹图像作为传感器,并设计了两者之间的接口电路;最后,重点设计了指纹识别的软件过程,建立一个可以进行指纹自动识别的通用多层深层神经网络.通过设计系统软硬件并进行测试,结果表明文中设计的指纹识别系统具有很高的指纹识别准确度,能有效处理大数据指纹图像的识别,且与其他基于人工提取特征的方法相比,具有更高的识别正确率和识别效率.     

基于深度学习的高精度交通流量大数据预测

为了高效预测分析海量交通大数据,提高道路通行率和城市交通的智能化水平,提出一种高精度基于深度学习的并行卷积神经网络交通流量大数据预测模型.该模型首先对数据进行预处理以获得有效数据集,将具有规则时间间隔的一维时间序列样本和图像转换为时间一维、位置一维的二维像素网格,构建并行卷积神经网络模型用于对通过某路段的交通流量进行预测,并应用预测因子对交通量流数据进行建模.实验结果表明,与其他模型相比,本文提出的模型在平均绝对误差、平均相对误差和均方根误差方面均优于所对比的方法.     

一种具有学习和求精功能的知识自动获取系统KAAS的设计

本文以一种概念获取算法RAA为基础,在IBM-PC/286微机上用TURBOPROLOG 2.0语言实现了一个知识自动获取系统KAAS(Knowledge automativeacquisition system)。该系统具有对知识进行学习和求精功能。机器学习用于通过一次性归纳学习建立知识库,知识求精用于通过增量学习方法测试和改进原有的知识库。它还具有知识获取、知识管理、逻辑推理的功能。     

基于深度学习与数据增强技术的小样本岩石分类

在油气勘探中,利用深度学习技术对岩石进行识别与分类能极大提高工作效率。岩石采样并制作样本图像费时费力,因此岩石样本通常较少。有鉴于此,基于深度学习技术设计一个新的神经网络模型MyNet,该模型能对小样本进行学习并完成岩石样本的分类。使用数据增强技术通过Python编程将314张岩石样本扩充成28 272张图像,为了充分利用现有数据,取其中的27 384张作为训练集,剩余888张作为测试集。将数据分别导入MyNet、ResNet50、Vgg16进行训练和测试。实验结果表明,加载、不加载预训练参数的ResNet50、Vgg16的岩石分类结果因受有无迁移学习影响会有所不同;MyNet的总体分类准确率为75.6%,均优于有无迁移学习的ResNet50、Vgg16,且MyNet、ResNet50、Vgg16所需训练的参数量分别为919 278、25 503 912、138 357 544,显然,MyNet模型的复杂度与训练代价明显低于其他对比模型,但性能最优,说明新模型应用于小样本的岩石分类可行有效且经济安全,更容易推广应用。     

基于深度学习的通信网络数据关键特征挖掘

深度学习是挖掘数据关键特征的重要技术手段,为准确分析通信网络数据特征,并保障质量,提出基于深度学习的通信网络数据关键特征挖掘方法。选取接入率、可用性以及覆盖率等七个指标作为通信网络质量核心性能指标,将卷积神经网络与径向基神经网络相结合,构建深度学习网络结构,将该性能指标作为标签参数,将所得到的标签参数的聚类与求和结果作为深度网络的标签数据,通过前向传播将标签数据输入卷积神经网络的输入层内,经过不同隐层的变换与映射至输出层位置,并采用量子粒子群算法求解深度学习网络最优参数,输出通信网络数据关键特征挖掘结果。经实验结果表明,所提方法的通信网络数据关键特征挖掘率在95%以上,能够准确预测未来短时间段内的通信网络质量。     

无监督异常检测的深度变分自编码高斯混合模型

针对高维数据无监督异常检测难以重构异常样本,无法保留低维空间信息的问题,提出一种深度变分自编码高斯混合模型（deep variational autoencoding gaussian mixture model,DVAGMM）。该模型利用深度变分自编码器为每个输入样本生成低维数据和重构误差,并将这些数据输入高斯混合模型。为更好地学习到原始样本的低维特征,同时避免自编码器自身的局部优化问题,减少重构误差,模型采用联合优化深度变分自编码器和高斯混合模型参数的方法,并利用单独的估计网络促进混合模型的参数学习。实验结果表明,该模型在几个基准数据集上的检测准确率和效果都比其他传统模型更高,以F1值作为综合评价指标,模型的综合分数比第二名高出大约4%。     

P-对偶信息的依赖与获取-发现

利用P-集合与它的动态特性,定义了内、外P-对偶信息及P-对偶属性信息。利用这些概念,提出了P-信息依赖度、依赖系数,P-对偶信息依赖度、依赖系数;讨论了内、外P-属性信息依赖定理,P-对偶信息获取-发现定理及内潜藏原理,得出P-对偶信息依赖-获取两个准则。最后给出P-对偶信息的应用。     

一种DNS数据源的获取与分析方法

针对目前DNS服务数据源的采集和分析缺少多源性和全面性的现实,利用DNS服务固有的协议特征模式对其属性进行分类获取及研究得出DNS服务的异变性。实验结果证明该数据源能够有效的反映DNS服务变化的多态性,为上层管理员预测DNS服务态势变化提供依据。     

基于数据拓扑图的变量影响分析方法

为了解决软件中数据变量发生异常的问题,以及找到该异常变量在整个程序中与其余变量之间的关系和该变量的影响范围,提出了一种基于数据拓扑图的数据影响分析方法。研究了静态分析提取变量的依赖关系包括顺序依赖、自身依赖、节点依赖和函数依赖,得到变量的依赖影响集合,生成变量的数据拓扑图。实验结果表明,该方法能全面覆盖程序中的变量并准确地生成指定变量的数据拓扑图,且数据拓扑图能够发现异常变量在程序中影响了哪些变量,哪些变量被异常变量影响。     

基于深度自动编码器的多标签分类研究

在多标签分类的相关研究中,由于现有的基于网络表示学习算法的相关方法只利用了网络中节点之间的邻接领域信息,而没有考虑到节点之间的结构相似性,从而导致分类准确性较低,因此,本文提出一种基于深度自动编码器的多标签分类模型。该方法首先利用轨迹计算算法(Orca)计算不同规模下网络中节点的结构相似性,作为深度自动编码器的输入来改进隐藏层中的向量表示,保留网络的全局结构;然后利用节点的邻接领域信息在模型中进行联合优化,从而能有效地捕捉到网络的高度非线性结构;最后根据隐藏层得到节点的向量表示,利用支持向量机对节点进行多标签分类。验证实验采用3个公开的网络数据集,实验结果表明,与基准方法相比,本文方法在多标签分类任务中能取得更好的效果。     

基于改进深度学习算法的大数据交互式查询技术研究

传统大数据交互式查询技术忽略了对大数据融合步骤,导致该技术的交互查询效果不理想,且准确度偏低.为此,提出基于改进深度学习算法的大数据交互式查询技术.以教务系统为研究对象,构建教务系统交互大数据的粗糙量化特征分析模型,基于联合自相似性特征解析控制方法实现对教务系统交互大数据信息融合和特征匹配,从而提取教务系统交互大数据的...     

基于深度学习算法的OFDM信号检测

为了提高正交频分复用(OFDM)无线通信系统的信号检测能力,提出了一种基于深度学习(DL)算法的信号检测框架来代替系统信号检测模块.首先利用迫零(ZF)均衡器重构深度神经网络(DNN)的输入;然后在离线训练中增加预训练阶段,以导频符号和数据符号作为训练数据,为训练阶段提供良好的初始参数;最后在线信号检测通过加载离线训练获得的最优参数进行信号检测.实验结果表明:当信噪比(SNR)为25 dB时,无预训练阶段和无ZF均衡器的框架性能相对于完整的DL信号检测框架性能分别损失了2和4 dB;在导频符号数目减少和无循环前缀(CP)的情况下,DL框架的误码率相比传统方法均明显下降;在不同信道参数下,DL框架的性能损失比传统方法更小.ZF均衡器和预训练阶段均可提高DL框架性能,DL框架能更好地检测信号并具有较强的鲁棒性.     

深度学习技术及其故障诊断应用分析与展望

"大数据"时代给机械设备智能诊断带来了数据总量大、产生速度快、形式多、价值密度低等新挑战,传统智能故障诊断"人工特征提取+模式识别"的模式已然不能满足发展需求。本文分析了机械大数据的特性对故障诊断结果的影响,详述了堆叠自编码网络(SAE)、卷积神经网络(CNN)、深度置信网络(DBN)、循环神经网络(RNN)4个基本框架和其他深度学习模型在故障诊断领域,尤其是复杂机械数据的特征学习和各种机械设备健康监控任务的目标预测等相关研究。分析了不同模型的利弊和适应问题:SAE与DBN属于无监督学习模型,对数据要求较低,具有强大的特征提取能力,但性能难以保障;CNN在高维数据处理上优势明显,但训练迭代次数较多;RNN可以处理变化的时序数据。文中分析指出机械大数据下深度学习存在的问题:包括机械数据不平衡、来源分散;应用模式简单,缺乏对网络本身性能的分析;机械式引进较多,缺少适应性改造;学习处于"黑箱"阶段,无法解释等。最后,讨论了应对问题的有效措施并对深度学习未来的发展趋势进行展望。     

基于深度学习的桃子检测研究

针对桃子生长环境复杂,不同光照等影响因素使得采摘机器人难以对桃子检测、识别和定位的问题,提出一种基于深度学习的桃子检测方法。在MTCNN基础上,通过对其结构优化调整并增加一分类模型,构建桃子检测模型。在桃子图像数据集上,应用多种数据增强技术对网络进行训练。综合考虑检测性能和速度,对比不同标签方式、不同输入大小和不同网络结构下的测试结果,优选出四阶段网络用于桃子检测。结果表明,该检测器对成熟桃子检测准确率为89.3%。     

基于深度学习的轨道不平顺估计车体横向加速度研究

针对轨道不平顺影响行车安全和乘坐舒适性的问题,开展轨道不平顺和车体振动响应之间关联关系的研究.根据轨道不平顺与车体横向加速度数据之间的时空传递特性,基于卷积神经网络（Convolutional Neural Network, CNN）与长短期记忆网络（Long Short-Term Memory, LSTM）,建立一种CNN-LSTM组合模型.首先,对轨道不平顺与车体横向加速度之间的相干性进行分析,同时探究列车运行速度对车体横向加速度的影响,进而确定模型的输入数据;然后,对模型进行优化,确定CNN-LSTM组合模型参数细节;最后,利用CNN-LSTM组合模型、LSTM模型和多体动力学仿真模型对车体横向加速度进行估计,并与实测的车体横向加速度进行对比分析.研究结果表明：CNN-LSTM组合模型预测的平均均方根误差值为0.046,相比于LSTM模型、多体动力学仿真模型的平均均方根误差值分别减少了0.006和0.026,说明了CNN-LSTM组合模型能够对车体横向加速度进行有效估计.