一种基于稀疏高斯伯努利受限玻尔兹曼机和循环神经网络的故障分类模型及方法

摘要

本发明公开一种基于稀疏高斯伯努利受限玻尔兹曼机和循环神经网络的故障分类模型及方法，它由稀疏高斯伯努利受限玻尔兹曼机、长短时记忆循环神经网络、感知器和Softmax输出层组成；稀疏高斯伯努利受限玻尔兹曼机能够从无标签数据中学习数据的非线性特征，循环神经网络可以很好的处理序列数据，采用长短时记忆单元则解决了网络训练过程中出现的梯度消失或梯度爆炸问题，感知器和Softmax输出层增强了网络的有监督分类能力，本发明的模型具有对非线性数据和动态性数据的优良的特征提取和感知能力，可以有效地解决因过程数据的非线性和故障数据动态性等特点导致的故障分类准确率低的问题。