自编码器

摘要： 近年来,随着获取信息手段的增多,对高维度数据的聚类变得越来越难.利用深度学习与聚类分析相结合的方式,通过对深度聚类算法的深入调查与研究,提出了基于自编码器的多模态嵌入式聚类模型,该模型分别将自编码器、卷积自编码器、卷积变分自编码器模型提取的特征进行自适应特征融合,再将融合后的特征输入深度聚类层得到聚类结果.多模态数据有助于提取更全面的数据信息,自适应特征融合能够很好地计算每个模态提取特征对融合特征的贡献度,从而提高无监督聚类算法的稳定性.提出的模型在4种公开数据集上进行了实验,验证了该模型的有效性,聚类结果优于现有流行的算法.

摘要： 口服液压盖过程,会出现压盖不良等情况,瓶盖可能会出现划痕、刮花、表面卷曲、压盖破损等缺陷,为保证食品药品安全必须在出厂前进行检测。在基于深度学习的口服液瓶压盖缺陷检测的研究过程中,使用传统卷积神经网络对口服液压盖缺陷数据集进行训练,需要进行人工标注,效率较低。为有效解决上述问题,设计出一种无监督学习的深度卷积去噪自编码器网络模型用于口服液瓶压盖质量检测,并使用结构相似性SSIM作为损失函数。针对口服液压盖质量图像进行预处理,建立合格产品图像数据集,然后构建一种以卷积神经网络为基础,结合多层感知器的去噪自编码器网络模型。该模型仅以无缺陷产品图像进行训练并学习无缺陷产品特征,通过将缺陷图像重构为无缺陷图像,再与缺陷图像相减,获得包含缺陷信息的残差图。实验结果表明:该方法能够很好地识别口服液瓶压盖缺陷,准确率达到95.2%,且具有较好的泛化能力和鲁棒性。

摘要： 为构建更具代表性的机动车行驶工况,实测采集福州地区1辆机动车共20 d的真实驾驶数据,选取14个特征参数表征运动学片段信息,运用主成分分析和K-means聚类划分运动学片段聚类,根据聚类中心的距离筛选备选片段并随机组合构建工况集合。提取11个特征参数计算构建工况的误差,选择集合中误差最小的工况作为构建工况,提出利用混合约束自编码器构建工况优化模型,并研究参数标定方法,最终将平均误差由2.97%缩小到2.39%。混合约束自编码器模型的分析验证结果表明,优化策略符合实际情况,可以有效避免随机选择带来的误差不确定性,验证了所提出行驶工况构建流程的合理性,并提升了工况预测的精确度,得到模型参数推荐值。对实现碳达峰目标下的机动车碳排放预测及排放控制具有重要的现实作用和意义。

摘要： 上市公司年报中的描述性文本信息是上市公司信息披露的重要组成部分,通过对上市公司信息披露文本的挖掘与分析可以提高对其财务风险的预测能力。基于BERT(bidirectional encoder representations from transformer)模型与自编码器(autoencoder,AE),提出了BERT-AE融合文本特征提取模型,提取A股市场531家上市公司年报中"经营情况讨论与分析"和"审计报告"的文本特征,构建能够反映财务困境公司与正常公司的文本特征指标,随后将文本特征指标与财务指标数据结合,分别使用Logistic回归、极端梯度提升(extreme gradient boosting,XGBoost)、人工神经网络(artificial neural networks,ANN)、卷积神经网络(convolutional neural networks,CNN)四种模型,检验加入文本特征指标后财务风险预测的准确性是否得到提高,并使用Word2Vec-CNN-AE、Word2Vec-LSTM-AE模型提取财务文本特征进行对比实验。结果表明,三种模型提取的财务文本特征均能使财务预警模型预测的AUC得到提升,且BERT-AE模型提取的财务文本特征使得四种财务预警模型预测的AUC值提升效果更为显著,表明BERT-AE模型有效地提取了财务文本特征,提高了上市公司财务风险预警模型的预测能力。

摘要： 被攻击者精心设计的虚假数据符合电力系统运行规律和基尔霍夫定律,可以绕过不良数据的检测,使控制中心误以为系统在正常运行中,从而做出错误决策,影响电网正常运行。考虑状态估计和电网数据的非线性结构,结合状态数据的时间连续性,提出了一种小波变换和稀疏自编码器相结合的虚假数据注入(FDIAs)检测方法。小波变换可在频域展示连续时间信号的局部特征,易于发现数据的异常变化。将经由小波变换的特征向量作为自编码器的输入,训练表征电力系统正常运行模式的自编码器,然后在线运行输出攻击检测结果。最后,使用IEEE 39和IEEE 118验证了所提方法的准确性和有效性。

摘要： 化合物毒性预测中所使用的有标签数据较少且存在数据类别不平衡问题,因此为了解决这个问题,提高预测准确率,本文提出了一种自编码器-辅助分类器的生成对抗网络(AE-ACGAN)分子生成模型.该模型使用自编码器处理化合物数据得到特征向量,然后将其作为ACGAN模型的输入,生成的输出通过解码器解码得到新的化合物分子,在原始的ACGAN基础上进行改良,引入wasserstein距离解决原始模型的模式坍塌问题,同时对模型中的判别器的结构进行改良,在ACGAN模型的输入中加入真实的无标签数据来增强判别器的鉴别能力,使得无标签的数据也能得到充分的利用.实验结果表明,本文所提出的模型可以生成新颖的化合物分子,而且与原始数据具有相同的特征,可以加入到原始数据集中进行数据扩充,平衡后的数据集能够提升预测模型的准确率.

摘要： 点击率(CTR)预估是电商和广告行业的关键业务之一,它影响着广告主的利润和用户的使用体验。由于广告数据的稀疏性,CTR预估充满了挑战,如何实现特征之间的有效交互是待解决的难题之一。然而,现有的CTR预估模型往往难以进行有效的特征交互。针对这些问题,提出了一种新的融合模型XCS模型,该模型基于交叉网络改进,将交叉网络和堆栈式自编码器(SAE)进行融合,并且加入了XGBoost在特征工程阶段选择和组合重要特征。该模型可以显式地捕捉有限阶次的特征组合,同时通过XGBoost利用了上下文特征信息。在Criteo公开数据集上进行实验,结果表明:XCS模型可以有效提升点击率预估的效果。

摘要： 根据临床收录的肿瘤基因表达谱数据,可以利用分类器进行肿瘤亚型分类.由于基因表达谱数据样本小、维度高,难以提取有效特征,分类效果往往不好,而且很容易过拟合.针对这些问题,研究利用自编码器对特征基因进行降维,并构建多尺度的神经网络进行学习分类,综合考虑不同尺度的特征,提出A-CNNs网络,不仅解决了高维样本难以处理的问题,且有效避免了纵向加深神经网络带来的过拟合,得到了较高的平均分类精度,并与其他机器学习方法进行对比实验,实验证明所构建的分类模型可以取得较佳的分类效果.

摘要： 图像修复是图像处理的一个重要问题,目的是利用计算机视觉技术自动恢复退化图像中损坏或丢失的部分,被广泛应用于影视特技制作、图像编辑、数字化文物保护等领域。近几年,以生成式对抗网络(GAN)为代表的深度学习技术在计算机视觉和图像处理领域大获成功,基于GAN的图像修复逐渐成为主流,受到了广泛关注。针对图像修复的关键问题,文章对GAN和基于GAN的修复方法进行理论分析,首先整理分析了传统的基于人工特征的经典图像修复方法,其次总结了近年来基于GAN的代表性图像修复算法,并进行归纳分类,探讨了各类方法的特点和局限性。然后对图像修复模型常用的评价指标和公开数据集进行整理和分析,最后阐述了图像修复面临的挑战,对图像修复技术未来的发展方向进行展望。

摘要： 为实现门级电路可靠性的快速评估,提出一种融合哈希编码和分块策略的双自编码器电路可靠性评估方法.首先分析并提取与门级电路可靠性相关的主要特征,构建面向电路可靠性评估的特征数据集;然后针对电路输入向量不定长、量纲不同等难点,提出一种融合CRC20哈希算法和分块策略的电路输入向量特征标准化方法;再采用不同激活函数的栈式自编码器学习数据不同特征,建立双自编码器模型.在74系列、ISCAS85和EPFL等不同规模电路上的实验结果表明,在不同网络层数情况下,哈希融合分块策略的预测性能可以提升1.79%~8.29%,而双自编码器模型相较于基准模型的预测性能可以提升21.10%~47.08%.

摘要： 为了学习文本的语义表征,之前的研究者主要依赖于复杂的循环神经网络(recurrent neural networks,RNNs)和监督式学习方法.本文中,提出了一种门控联合池化自编码器(gated mean-max AAE),用于学习通用性的文本语义表征.本文的自编码器完全通过多头自注意力机制(multi-head self-attention mechanism)来构建编码器和解码器网络.在编码阶段,提出了均值-最大化(mean-max)联合表征策略,即同时运用平均池化(mean pooling)和最大池化(max pooling)操作来捕获输入文本中更多样性的语义信息.为促使联合池化表征可以全面地指导重构过程,解码器采用门控操作进行动态关注.通过在大规模中英文未标注语料上训练模型,获得了高质量的句子编码器.在重构文本段落的实验中,本文模型在实验效果和计算效率上均超越了传统的RNNs模型.将公开训练好的文本编码器,使其可以方便地运用于后续的研究.

摘要： 在智能泵站转轴故障识别系统中,针对特征提取困难,对于知识库中不存在新故障无法识别的问题给出了一种基于多层感知机的自编码器与支持向量故障识别相结合的方法.以大型泵站机组转轴为研究对象,通过深度学习中的无监督顶训练与有监督学习方法构建多层感知机编码器,在编码泵站轴承监测测数据过程中,完成聚类和对数据的抽象解释,提取泵站故障特征.并以类间距离为依据,判断编码后的监测数据是否为新故障类型,如果不是新故障类型,则使用多层支持向量机进行故障识别,实现对泵站轴承转轴故障的有效识别;否则需要人为介入进行分析,补充知识库,调整识别模型.实验结果证明提出的方法可以有效识别故障类型,提高了故障识别精度.

摘要： 深度学习是基于数据表示的一类更广的机器学习方法,它的出现不仅推动了机器学习的发展,而且促进了人工智能的革新.深度学习的研究成果已经被成功应用在语音识别、图像分类识别、地球物理等领域,具有巨大的发展潜力和社会价值.文中在对深度学习研究历史简述的基础上,重点介绍了卷积神经网络、深度置信网络、自编码器和循环和递归神经网络的经典算法及其应用,最后对深度学习的发展趋势提出展望.

摘要： 近年来,基于深度学习的表面缺陷检测方法成为研究热点,其中卷积神经网络是基于深度学习缺陷检测的主流方法,本文总结了近几年基于卷积神经网络的缺陷检测方法,包括卷积神经网络、自编码神经网络、残差卷积神经网络和全卷积神经网络,介绍这几种网络的特点,以及它们在表面缺陷检测上的应用,并对这些方法进行总结,分析各种方法的优缺点.

摘要： 近年来,基于深度学习的表面缺陷检测方法成为研究热点,其中卷积神经网络是基于深度学习缺陷检测的主流方法,本文总结了近几年基于卷积神经网络的缺陷检测方法,包括卷积神经网络、自编码神经网络、残差卷积神经网络和全卷积神经网络,介绍这几种网络的特点,以及它们在表面缺陷检测上的应用,并对这些方法进行总结,分析各种方法的优缺点.

摘要： 近年来,基于深度学习的表面缺陷检测方法成为研究热点,其中卷积神经网络是基于深度学习缺陷检测的主流方法,本文总结了近几年基于卷积神经网络的缺陷检测方法,包括卷积神经网络、自编码神经网络、残差卷积神经网络和全卷积神经网络,介绍这几种网络的特点,以及它们在表面缺陷检测上的应用,并对这些方法进行总结,分析各种方法的优缺点.

摘要： 近年来,基于深度学习的表面缺陷检测方法成为研究热点,其中卷积神经网络是基于深度学习缺陷检测的主流方法,本文总结了近几年基于卷积神经网络的缺陷检测方法,包括卷积神经网络、自编码神经网络、残差卷积神经网络和全卷积神经网络,介绍这几种网络的特点,以及它们在表面缺陷检测上的应用,并对这些方法进行总结,分析各种方法的优缺点.

摘要： 近年来,基于深度学习的表面缺陷检测方法成为研究热点,其中卷积神经网络是基于深度学习缺陷检测的主流方法,本文总结了近几年基于卷积神经网络的缺陷检测方法,包括卷积神经网络、自编码神经网络、残差卷积神经网络和全卷积神经网络,介绍这几种网络的特点,以及它们在表面缺陷检测上的应用,并对这些方法进行总结,分析各种方法的优缺点.

摘要： 针对传统状态监测方法难以及时发现引风机运行异常而影响火电厂安全性和经济性的问题,将机器学习方法应用于引风机故障预警和诊断中.通过建立引风机运行参数间的自编码模型,利用模型训练误差统计特性,结合模型预测值实时地为各运行参数确定合理范围.结合沙角C电厂3号机组的1#引风机历史运行数据,应用MATLAB对所提出的方法进行验证和分析.研究结果表明,该预测方法具有较高的准确性,能够及时发现引风机运行异常,该方法也同样适用于火电厂其他辅机设备的故障预警,具有一定的工程应用价值.

摘要： 针对传统状态监测方法难以及时发现引风机运行异常而影响火电厂安全性和经济性的问题,将机器学习方法应用于引风机故障预警和诊断中.通过建立引风机运行参数间的自编码模型,利用模型训练误差统计特性,结合模型预测值实时地为各运行参数确定合理范围.结合沙角C电厂3号机组的1#引风机历史运行数据,应用MATLAB对所提出的方法进行验证和分析.研究结果表明,该预测方法具有较高的准确性,能够及时发现引风机运行异常,该方法也同样适用于火电厂其他辅机设备的故障预警,具有一定的工程应用价值.

摘要： 本发明涉及马达及带编码器马达、带编码器马达的制造方法、带编码器马达的编码器替换方法。带编码器马达中，容易且正确地实施编码器与马达在旋转方向上的定位。带编码器马达(1)中编码器(3)相对于马达(2)可拆装。在马达设有与设置于编码器的凹部(80)嵌合的定位销(70)，形成有定位销的移动部件(72)能够调节周向的位置。在带编码器马达的制造中使用主马达(200)和主编码器(300)。在主马达的马达锁定状态下以使主编码器的位置信息处于原点位置的方式进行调整，量产用的马达(2)利用主编码器实施定位销的位置调整，量产用的编码器(3)利用主马达实施位置信息的补正，并将它们组装来完成带编码器马达(1)。

摘要： 本发明的目的在于提供树脂制编码器标尺，其通过将编码器标尺制成具有刻度图案的树脂成形品，而能够使加工容易，且实现成本的降低。树脂制编码器标尺(1)在反射型的光学方式的编码器中使用，设置有位置测定用的刻度图案(2)。刻度图案(2)配置为，树脂成形时表面成形为粗面而光的反射率低的低反射部(3)和树脂成形时表面成形为镜面而光的反射率比低反射部(3)高的高反射部(4)交替地重复。

摘要： 本发明涉及马达及带编码器马达、带编码器马达的制造方法、带编码器马达的编码器替换方法。带编码器马达中，容易且正确地实施编码器与马达在旋转方向上的定位。带编码器马达(1)中编码器(3)相对于马达(2)可拆装。在马达设有与设置于编码器的凹部(80)嵌合的定位销(70)，形成有定位销的移动部件(72)能够调节周向的位置。在带编码器马达的制造中使用主马达(200)和主编码器(300)。在主马达的马达锁定状态下以使主编码器的位置信息处于原点位置的方式进行调整，量产用的马达(2)利用主编码器实施定位销的位置调整，量产用的编码器(3)利用主马达实施位置信息的补正，并将它们组装来完成带编码器马达(1)。

摘要： 本发明的目的在于提供树脂制编码器标尺，其通过将编码器标尺制成具有刻度图案的树脂成形品，而能够使加工容易，且实现成本的降低。树脂制编码器标尺(1)在反射型的光学方式的编码器中使用，设置有位置测定用的刻度图案(2)。刻度图案(2)配置为，树脂成形时表面成形为粗面而光的反射率低的低反射部(3)和树脂成形时表面成形为镜面而光的反射率比低反射部(3)高的高反射部(4)交替地重复。

摘要： 本发明公开了一种基于自编码器和Henon映射的电池溯源管理编码加解密方法，通过将动力电池全生命周期的溯源管理系统中的动力电池回收信息生成QR码图像，制作成为数据集，同时构建编码网络模型和解码网络模型，并对编码网络模型和解码网络模型进行训练，通过编码网络模型得到编码序列，该序列是原始QR码特征的表示，再与Henon映射产生的同样大小的混沌序列做乘法，得到大小为4的加密序列，该加密序列没有任何意义，无法破译，只有同时具有混沌序列密钥和解码网络模型才能将此序列回复为原始QR码。该算法具有密钥空间大，有效抵御统计攻击和密钥攻击的优点，能够满足电池全生命周期的溯源管理系统场合下对QR码安全性的要求。

摘要： 本发明涉及数字音频信号处理技术，具体涉及一种基于栈式稀疏自编码器的面向对象编码方法，包括利用栈式稀疏自编码器的编码模块对音频对象边信息进行降维表达，然后利用稀疏自编码器中的解码模块从音频对象边信息的低维结构中重构原始高维的边信息数据。该方法利用栈式稀疏自动编码器(Stacked Sparse Autoencoder,SSAE)中的级联模块，每个模块都从其前一个模块中提取了边信息的有效特征。可以减少边信息参数的维数以节省比特率，并很好地重建音频对象。因此，能在相同的比特率下获得最佳的音频对象信号音质，以满足用户对音频对象个性化控制的需求。同时全面提升了音频对象信号的编码质量，提高编码效率。

摘要： 本发明公开了一种离散变分自编码器的训练方法、自编码器、设备及介质，方法包括：将teacher模型作为变分自编码器的编码层；在编码层，基于teacher模型得到对应于student模型词表的teacher特征；在CodeBook查表层，基于CodeBook与上一层输出得到student模型维度的特征表示；在解码层，基于MLP层对上一层输出进行拟合并基于Emebedding层对拟合结果进行反映射以输出在词表上的分布概率，并基于分布概率计算预测值与真实值的损失。本发明实现了离散变分自编码器的快速收敛；并可将CodeBook的权重以及Decoder部分MLP层的权重作为student模型的初始化参数。

摘要： 本发明公开了一种卷积自编码器，包括：编码层，用于将输入卷积自编码器的向量进行卷积编码，并表示为中间层特征图；解码层，用于将编码层输出的中间层特征图反卷积重构，并输出重构后的重构向量。编码层对输入的向量进行卷积。本发明提供了一种卷积自编码器，能够进行无监督训练，同时对卷积自编码器的中间层特征图及重构向量进行对比计算，直到二者之间没有误差，防止数据出现错误。基于卷积自编码器的词嵌入向量进行压缩方法，对卷积自编码器输出的中间层特征图最大化处理，能够对词嵌入向量进行压缩，可以将对词嵌入向量与多个嵌入模型融合，并获得较低维度的词嵌入向量，从而显著降低计算机的计算量。

摘要： 本发明提出了融合哈希编码及分块策略的双自编码器电路可靠性预测方法，对电路输入向量特征标准化处理：将电路网表分解成电路子网表并生成相应的数据集；解析子网表提取出其关于电路拓扑结构的特征数据TCV；根据电路子网表的输入端口数随机生成电路输入向量A，通过基于CRC20哈希结合分块策略对A进行特征标准化，得到特征数据结合故障概率pf，通过F‑PTM算法计算得到标签r；生成基于电路可靠性的数据集，有效解决了输入向量不定长、且有不同量纲不利于模型训练的问题。使用双自编码器进行电路可靠性评估：通过两个具有不同激活函数的栈式自编码器分别学习数据，获取数据的不同特征，将其拼接形成双自动编码特征，能够能有效地获取数据中的信息。

摘要： 本申请公开了一种基于卷积自编码器的接收机纠错编码方法及装置，方法包括：对输入发射端的比特流信号外层编码，得到复数符号并分组；将分组后的每一块符号依次经过基于卷积神经网络的预设编码器扩展，得到预设倍扩展后的符号，并利用基于FTN的脉冲成型调制至模拟信号上；经信道传输后，以FTN采样并匹配滤波后得到采样符号，得到量化后的符号，依次经过基于卷积神经网络的预设解码器得到原始分组块长的重建符号；聚合为新的复数符号，并解调得到重建码本，再经过外层解码得到重建的比特流信息。由此，解决了相关技术中的纠错编码方法无法有效补偿接收机低精度量化对信道编码的性能损失，且编码器存储和计算的开销较高等问题。