变工况下基于自适应深度置信网络的轴承智能故障诊断

机械设备服役过程中,工作环境和运转状态的动态变化直接影响设备故障诊断正确率,导致时间成本和经济效益的损失.优化深度置信网络结构,结合固定学习步长的信号分解技术,保留传感器数据原始特征,逐层反复提取信号的深层关键信息,并集成数据丢失技术优化网络结构,可以规避过拟合问题.进一步,结合迁移学习中的领域自适应方法,固化不同层级深度置信网络的记忆特征,形成考虑平移不变特征的自适应深度置信网络,识别变工况下同类故障信号特征信息,提升轴承智能故障诊断的准确性和泛化性.基于滚动轴承公开数据集,不同工况下该方法平均正确率高达95.65%,与其他5种方法相比较,证实了本文方法的有效性与准确性.     

基于深度置信网络的齿轮箱智能诊断方法

针对油田现场强背景噪声干扰下,难以实现齿轮箱故障精确诊断的问题,提出基于深度置信网络(Deep Belief Network,DBN)的齿轮箱智能诊断方法。首先运用变分模态分解(Variational Mode Decomposition,VMD)对齿轮箱振动信号分别进行分解;然后依据互相关准则对小于阈值的模态运用最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)进行降噪滤波处理,并对降噪后的信号进行重构;最后构造故障特征集,实现基于DBN的故障特征自适应挖掘与故障模式智能识别。对现场的齿轮箱故障诊断表明,本文提出的方法具有自适应性,能显著提高故障分类准确率,为保障油田设备安全可靠运行提供了依据。     

基于深度置信网络和信息融合技术的轴承故障诊断

提出一种基于深度置信网络(DBN)和信息融合技术的轴承故障诊断新方法。首先采用集合经验模式分解将轴承振动时域信号分解为若干个固有模态函数,并分别输入至若干个DBN中进行故障状态识别,然后通过简单投票法将每个DBN识别的结果进行决策层信息融合,从而得到轴承故障的最终诊断结果。通过对单负载和多负载下不同类型和不同损伤程度的滚动轴承故障诊断进行实例分析,验证了本文方法的有效性和精确性。     

基于深度置信网络的车辆交通流预测

提出了一种新的基于深度置信网络的交通流预测方法,利用深度置信网络良好的训练和预测性能,能够很好地学习时序数据集的内部特征,从而准确地预测交通数据流.为了验证算法的有效性,在PeMS数据集上对算法进行了实验测试,并同其他相关预测和分析方法进行了比较,实验结果表明新算法具有较好的预测性能.     

基于CUDA和深度置信网络的手写字符识别

为了应对海量的字符(手写)识别,提出了一种将统一计算设备架构(Compute Unified Device Architecture,CUDA)和深度置信网络相结合的方法进行手写字符识别。该方法结合受限玻尔兹曼机和反向传播神经网络形成深度置信网络对字符图片数据进行识别,并且使用CUDA在图形处理器(GPU)上进行并行计算来完成识别过程。实验结果表明,使用该方法后,在不降低识别精度的情况下手写字符识别的速度大幅提升。     

基于深度置信网络的云应用负载预测方法

为了准确预测云应用负载以便及时执行云应用自适应优化,从而保证云应用性能的稳定,根据云环境下应用负载预测问题的特点,提出了基于深度置信网络的云应用负载预测方法.首先给出能够有效描述负载数据的显式特征和隐式特征并定义了负载预测模型,进而给出基于深度置信网络的负载预测算法.对算法进行了分析并在真实数据集上与相关算法进行了比较,结果表明,本文提出的方法能够更加有效地解决云应用负载预测问题.     

基于深度置信网络与梯度提升决策树的糖尿病检测方法

针对糖尿病数据特征维度较高,单一分类器过度拟合导致性能受限,不能较好对糖尿病进行分类识别这一问题,提出了一种深度置信网(Deep Belief Networks,DBN)融合梯度提升决策树(Gradient Boosting Decision Tree,GBDT)的糖尿病检测算法(DBN-GBDT).该算法利用DBN对海量数据的特征提取和拟合复杂模型的能力,GBDT算法具有很强的泛化能力,将DBN用于特征提取和特征降维,GBDT方法用于分类.将提出的算法用于糖尿病数据分类识别,并与DBN、GBDT、SVM和随机森林四种经典方法进行对比.实验结果表明,该算法分类精度较高,稳定性更强,为糖尿病检测提供了新的方法.     

基于深度置信网络的假手指静脉图像检测算法

针对伪造的手指静脉图像能够成功攻击手指静脉识别系统,从而使得其识别系统安全性能大大降低的问题,提出了一种基于深度置信网络的手指静脉防伪检测的方法;通过逐层无监督的学习方法预训练深度网络的权值参数,以及有监督的BP神经网络微调深度网络的权值参数,从而提取到手指静脉图像的特征,用于静脉图像的检测;实验结果证明所提出的手指静脉防伪检测方法能够有效地识别出假手指静脉图像;通过对比性实验研究,发现此方法提高了手指静脉识别系统的安全性能。     

面向文本分类的深度置信网络特征提取方法研究

在对文本分类领域发展现状进行研究的基础上,提出了一种面向文本分类的深度置信网络特征提取方法,通过引入词向量模型和深度置信网络解决传统文本分类方法在文本表示及特征提取方面存在的语义缺失问题,实验结果表明,该方法在文本分类中有更高的准确率。     

基于深度置信网络的超宽带信道环境的分类算法

对超宽带信道环境进行分类、识别,对于实现特定场景分析以及无线网络的优化具有重要意义。针对这一背景提出了一种基于深度置信网络(deep belief network,DBN)的信道环境分类方法,对不同的信道场景特征进行提取、分类。实验结果表明:提出的算法能有效地实现信道环境的分类识别。     

基于深度置信网络的室内指纹定位算法

基于WLAN的指纹识别技术是在每个指纹定位测量来自不同APs的接收信号强度RSS(re-ceived signal strength,RSS)以构建指纹.然而,指纹的收集由于环境的变化,需要定期更新指纹库以提高准确性.因此,为减少指纹识别的工作量,提出将深度置信网络算法应用到未标记的RSS测量中,利用生成概率模型来表示...     

基于贝叶斯网络的列控车载设备故障诊断

针对目前高速铁路列控车载设备故障诊断过度依赖于专家经验且诊断正确率不高等问题,提出了以专家知识为基础,以贝叶斯网络为核心的故障诊断方法.首先,以CTCS3-300T型列车运行控制系统的车载设备为研究对象,建立基于专家知识的贝叶斯网络.其次,根据故障记录数据集使用K2算法进行结构学习并对学习后的贝叶斯网络结构做适当简约处理.利用极大似然估计算法进行参数学习,得到故障诊断的最优贝叶斯网络.最后,通过诊断推理,得到该故障诊断模型的诊断正确率为88.20％,验证了该贝叶斯网络模型的可行性和有效性.     

基于深度置信网络的语义相关度计算模型

语义相关度是问答系统等领域的关键技术之一,目前的相关度计算方法往往对语义因素考虑不全,造成计算结果的准确度不足。由受限玻尔兹曼机构造的深度置信网是一种深度学习模型,能模仿人类大脑抽象语义特征,由此提出了一种基于深度置信网络的语义相关度计算模型。首先,对组成模型的受限玻尔兹曼机进行介绍;然后,详细阐述了模型的构建及其训练和微调过程;最后,通过对比实验验证了提出的计算模型相对基准方法在评价指标上获得了更好的效果。     

基于深度置信网络与数学形态学融合的遥感影像建筑物变化检测

当前人工调查土地资源利用情况具有较高的人力成本且劳动强度大,对其实现自动变化检测具有较高的理论和应用价值。将深度置信网络(deep belief network,DBN)应用于高分辨率遥感影像的建筑物变化检测,但DBN在变化检测时存在由误判现象造成的建筑物完整度欠缺、空间存在噪声等问题,提出DBN与数学形态学融合模型对高分辨率遥感影像建筑物进行变化检测。在遥感影像预处理基础上,标记少量明显的变化与未变化样本,利用搜索窗口从标记的区域获取大量带有标签的样本训练融合模型分类器对建筑物进行变化检测,检测方法准确率为94.76%,召回率为87.63%,F_1为91.06%。实验结果表明,该方法可以为建筑物的变化检测提供有效依据。     

基于VMD-DBN的滚动轴承故障诊断方法

为揭示滚动轴承故障振动信号的典型特征规律,结合变分模态分解(VMD)与深度置信网络(DBN)的优势,提出轴承振动信号特征的提取方法.将信号先进行基于VMD的分解,根据各模态分量频谱图确定其模态参数,得到若干个模态分量.然后,基于DBN强大的特征提取能力,采用DBN无监督特征提取方法,将得到的模态分量映射到一维,并融合各分量的DBN特征形成特征向量,将其作为粒子群优化支持向量机(PSO-SVM)的输入进行故障诊断.实验验证与对比分析证明了VMD-DBN方法的可行性与优越性.     

语音/音乐的深度置信网络高准确度识别方法

运用深度置信网络进行语音/音乐识别,根据语音段中高频能量低于音乐段中高频能量的特点,对音频能量谱的高频部分进行学习,从而判别语音段或音乐段,MATLAB仿真实验结果验证了该方法的有效性和准确度.     

基于区域滤波和深度置信网络的SAR图像分类算法

合成孔径雷达(synthetic aperture radar, SAR)图像分类是遥感领域最重要的课题之一。然而,SAR图像特征提取的困难和相干斑噪声的存在都严重影响了SAR图像分类的准确性。为了克服这些问题,文章提出了一种新的SAR图像分类算法。该算法将相干斑去噪技术和深度置信网络相结合,在通过深度置信网络对SAR图像进行无监督的学习和特征提取的同时,提出了区域滤波的方法来减少相干斑噪声对分类结果的影响。实验采用了不同噪声水平的合成SAR图像以及由RADARSAT-2获取的真实SAR图像进行测试。实验结果表明,与传统的分类方法相比,该算法在噪声鲁棒性和分类能力方面都有良好的改进;同时,该算法在边界区域具有优秀的分类能力。     

基于随机矩阵理论和改进粒子群优化-深度置信网络的无功优化

配电网无功优化是使电网能安全稳定运行的重要问题,本文将深度学习应用于配电网无功优化上,提出基于改进的粒子群优化 (Particle swarm optimization, PSO)深度置信网络（Deep Belief Networks,DBN）模型的配电网无功优化方法。首先,利用随机矩阵理论将配电网运行过程中产生的环境以及电气数据构造五种随机矩阵,每种矩阵构建8种特征指标,共提取40种特征指标;其次,以随机矩阵理论所提取的各特征指标为输入,以变压器分接头档位和节点的无功补偿容量作为输出,利用改进的PSO优化DBN网络的初始权重,建立PSO-DBN模型,学习各特征指标输入与变压器分接头档位以及节点无功补偿这两种控制策略之间的关系,得出相应的无功优化策略。最后,以改进的IEEE33节点系统作为算例仿真对象,验证了所提方法可降低网损和减少电压波动。