受限玻尔兹曼机

摘要： 医疗建筑施工轴承出现故障,会影响设备正常运行,导致施工速度降低,为此提出基于受限玻尔兹曼机的医疗建筑施工轴承故障定位技术,利用受限玻尔兹曼机中隐含层单元以及可视单元,计算轴承的观察数据和观测轴承变量之间依赖的特性,确认轴承是否出现故障,再计算滚道和滚动体的局部缺陷位置,得出整体故障的频率,同时分别计算外圈、内圈以及滚动体故障的特征频率,最后采用自相关的函数区分故障信号种类,完成故障区域精准定位。实验结果表明,所提方法定位精度高、计算量小,不会随着定位数据增加导致定位精度降低。

摘要： 深度学习是机器学习的一个领域。目前,已成为一种有前途的智能轴承故障诊断工具。本研究对深度学习在轴承故障诊断方面的应用进行系统综述。简要介绍了三种流行的轴承故障诊断深度学习算法:自动编码器、受限玻尔兹曼机和卷积神经网络,并讨论了该研究领域的进一步应用和挑战。

摘要： 神经元通过尖峰模式传递有关刺激的信息,多个神经元通过突触相互联系,构成了复杂的神经回路。在过去的一个世纪中,多电极记录技术的进步使科学家们能够获取一个完整神经回路的细胞响应。这些记录表明,神经元的活动之间存在显著相关性。因此,本文提出利用受限玻尔兹曼机模型描述神经元响应活动之间的相关性,建立神经元群体响应的编码模型,并利用贝叶斯定理构建了基于受限玻尔兹曼机模型的解码器,将它应用于模拟的小鼠视觉皮层神经元的响应序列中。实验结果表明,此解码器在准确率方面优于不考虑神经元之间相关性的独立模型解码器。

摘要： 通过学习可观测数据的概率密度而随机生成样本的生成模型在近年来受到人们的广泛关注,网络结构中包含多个隐藏层的深度生成式模型以更出色的生成能力成为研究热点,深度生成模型在计算机视觉、密度估计、自然语言和语音识别、半监督学习等领域得到成功应用,并给无监督学习提供了良好的范式.本文根据深度生成模型处理似然函数的不同方法将模型分为三类:第一类方法是近似方法,包括采用抽样方法近似计算似然函数的受限玻尔兹曼机(Restricted Boltzmann machine,RBM)和以受限玻尔兹曼机为基础模块的深度置信网络(Deep belief network,DBN)、深度玻尔兹曼机(Deep Boltzmann machines,DBM)和亥姆霍兹机,与之对应的另一种模型是直接优化似然函数变分下界的变分自编码器以及其重要的改进模型,包括重要性加权自编码和可用于半监督学习的深度辅助深度模型;第二类方法是避开求极大似然过程的隐式方法,其代表模型是通过生成器和判别器之间的对抗行为来优化模型参数从而巧妙避开求解似然函数的生成对抗网络以及重要的改进模型,包括WGAN、深度卷积生成对抗网络和当前最顶级的深度生成模型BigGAN;第三类方法是对似然函数进行适当变形的流模型和自回归模型,流模型利用可逆函数构造似然函数后直接优化模型参数,包括以NICE为基础的常规流模型、变分流模型和可逆残差网络(i-ResNet),自回归模型(NADE)将目标函数分解为条件概率乘积的形式,包括神经自回归密度估计(NADE)、像素循环神经网络(PixelRNN)、掩码自编码器(MADE)以及WaveNet等.详细描述上述模型的原理和结构以及模型变形后,阐述各个模型的研究进展和应用,最后对深度生成式模型进行展望和总结.

摘要： 为了提高医院网络异常流量识别的精度,提出一种基于灰狼算法优化DBN的医院网络异常流量识别方法。针对DBN模型性能受权值和偏置参数的影响,运用灰狼算法对DBN模型的权值和偏置进行优化选择,将医院网络流量特征数据作为DBN模型的输入向量,网络异常流量的类型作为DBN模型的输出向量,建立GWO-DBN的医院网络异常流量识别模型。研究结果表明,GWO-DBN进行医院网络异常流量识别具有更高的准确率、检测率和更低的误报率。

摘要： 为提高华北油田冀中坳陷束鹿凹陷页岩油储层压后产量预测的符合率,基于受限玻尔兹曼机(RBM)的深度置信网络学习(DBN)模型,利用压裂停泵数据获得分段裂缝半长、改造后渗透率、SRV面积等动态数据,结合测录井等静态数据和压裂规模、试采等生产数据,通过数值模拟构建动态数据库,建立了束鹿凹陷的页岩油产量预测方法。该方法在ST1H、ST2X和ST3页岩井的应用,产量符合率达到80%,预测结果合理可靠,具有一定的可行性,能够为该地区页岩油井压裂评估和方案调整提供技术指导。

摘要： 针对安全威胁情报存在来源复杂、不易理解、难以共享等问题,基于受限玻尔兹曼机实现威胁情报特征深度学习,将原始威胁情报特征从高维空间逐层向低维空间映射,构建网络空间安全威胁知识图谱.进而利用网络空间安全威胁知识图谱,结合当前上下文情境,基于事件流处理进行安全威胁路径演化和追踪溯源,精准感知网络空间安全威胁.实验验证了构建网络空间安全威胁知识图谱的可行性,并通过与传统威胁检测方法对比,验证了基于知识图谱的安全威胁感知方法更适用于对高强度安全威胁的感知.

摘要： 针对纺纱生产过程影响因素多、监测维度广导致的过程波动难以分析和纱线质量难以预测的难题,课题组提出一种基于多关联参数特征子空间的纺纱质量波动预测方法。首先分析影响纱线质量的关联参数之间关系,构造能够表征纱线质量波动的特征子空间;然后构建面向特征子空间的纱线质量深度学习预测模型,实现纱线质量智能预测。通过实例进行分析,结果显示提出的方法能够有效分析纱线质量的多关联参数波动规律,并能准确对纱线质量进行预测。

摘要： 针对以通信节点为基础的无线传感器网络作为物联网基础设施开始临越来越多的信息安全威胁,提出一种基于RBM特征提取和多层SVM检测的无线传感网络入侵检测方法,将收集到的高维网络数据进行特征信息提取并结合网络拓扑结构及攻击流量相似性分层检测入侵行为。实验仿真采用NSL_KDD公共入侵检测数据集,实验结果表明该模型对网络流量检测准确率为99.06%。

摘要： 传统的网络舆情监控通常采用人工或简易图片识别软件辅以自然语言理解算法进行,针对这些舆情异常检测识别方法中存在的效率较低、准确率不足及难以处理海量舆情信息等问题,文中提出一种基于自编码网络特征降维的舆情异常检测方法。该方法采用多层受限玻尔兹曼机(RBM)将原始数据中的高维、非线性数据映射至相应的低维空间。同时,还通过重构与权重微调算法将低维空间中的数据在高维空间进行最优化的高维表示,进而获得原始数据的最优低维表示,以实现数据的特征降维。最后,利用SVM算法对降维后的数据进行分类,实现对网络舆情的异常检测。实验结果表明,所提方法的网络舆情异常检测准确率以及检测率均可达到97%以上,充分验证了该方法的有效性。

摘要： 本文针对BP神经网络易陷入局部最小的问题,利用深度学习里的受限玻尔兹曼机进行预训练来提供良好的初值.并将此模型应用于似大地水准面精化中,用实验检验预测精度.得出结论,此方法用于似大地水准面精化可以得到较好的预测效果.

摘要： 针对人体运动捕获数据底层特征和高层语义之间常常存在语义鸿沟的问题,结合深度学习思想,提出一种融合受限玻尔兹曼机生成模型和判别模型的运动捕获数据语义识别算法.该算法采用双层受限玻尔兹曼机,分别对运动捕获数据进行判别性特征提取(特征提取层)和风格识别(语义判别层),首先考虑到自回归模型对时序信息具有出色的表达能力,构建一种基于单通道三元因子交互的条件限制玻尔兹曼机生成模型,用于提取运动捕捉数据的时空特征信息;然后将提取出的特征与对应的风格标签相耦合,作为语义判别层中受限玻尔兹曼机判别模型的当前帧数据层输入,进行单帧风格识别的训练;最后,在获得各帧参数的基础上,在模型顶部加入投票空间实现对运动捕捉序列的风格语义的有效识别.实验结果表明,文中算法具有良好的鲁棒性和可扩展性,能够满足多样化运动序列识别的需求,便于数据的有效重用。

摘要： 针对连续型深度信念网(Continuous Deep Belief Network,CDBN)隐含层层数难以确定的问题,提出一种基于重构误差的CDBN网络深度确定方法.多个连续型受限玻尔兹曼机(Continuous Restricted BoltzmannMachine,CRBM)叠加构成CDBN,通过分析CRBM的重构误差与CDBN网络能量的相关性,设定重构误差阈值并设计网络深度决策机制,实现对CDBN隐含层层数进行自组织调整.仿真实验验证,基于重构误差的CDBN网络深度确定方法能够对CDBN的最优隐含层层数进行确定,有效提高了网络深度决策的效率.

摘要： RBM作为深度神经网络的一个重要代表受到了广泛的关注。本文详细概述了RBM的基本概念，对RBM和DBM的学习过程和典型学习算法进行了探讨，从学习算法、模型结构和实际应用3方面介绍了近几年内RBM研究的相关进展。随着RBM理论与方法研究的深入，RBM将更加广泛地应用于各个领域。

摘要： RBM作为深度神经网络的一个重要代表受到了广泛的关注。本文详细概述了RBM的基本概念，对RBM和DBM的学习过程和典型学习算法进行了探讨，从学习算法、模型结构和实际应用3方面介绍了近几年内RBM研究的相关进展。随着RBM理论与方法研究的深入，RBM将更加广泛地应用于各个领域。

摘要： RBM作为深度神经网络的一个重要代表受到了广泛的关注。本文详细概述了RBM的基本概念，对RBM和DBM的学习过程和典型学习算法进行了探讨，从学习算法、模型结构和实际应用3方面介绍了近几年内RBM研究的相关进展。随着RBM理论与方法研究的深入，RBM将更加广泛地应用于各个领域。

摘要： RBM作为深度神经网络的一个重要代表受到了广泛的关注。本文详细概述了RBM的基本概念，对RBM和DBM的学习过程和典型学习算法进行了探讨，从学习算法、模型结构和实际应用3方面介绍了近几年内RBM研究的相关进展。随着RBM理论与方法研究的深入，RBM将更加广泛地应用于各个领域。

摘要： 本发明公开一种基于堆叠受限玻尔兹曼机和随机森林算法的室内定位方法。利用深度学习方法学习信号强度数据的深层次的、抽象的特征，自主挖掘数据间内在的某种不易为人们感知的关联，再利用深度学习得到的特征来做定位，其目的是解决WIFI室内定位过程中，减小对于不同接收设备和其他环境因素所带来的采集信号误差，使最终定位获取更大精度的问题。

摘要： 本发明公开了一种基于受限玻尔兹曼机驱动的交互式个性化搜索方法，包括：1、获取用户u的历史评价数据，包括用户u已评价的所有项目、对每个项目的评分和评价文本，并将评价文本进行向量化；2、将评分大于预设评分阈值的项目组成优势项目集合Du，并构建样本集；3、构建基于RBM的用户偏好特征提取模型；4、构建用户偏好概率模型；5、生成N个新项目并设置类别标签；6、在搜索空间中选取与N个新项目类别标签向量相似度最高的N个项目，构成待推荐项目集合Su；7、计算Su中每个项目的适应值；8、选择Su中适应值最大的前TOPN个项目作为搜索结果。该方法能够有效引导用户进行个性化搜索的方向，尽快帮助用户搜索到用户满意解，从而提高个性化搜索算法的综合性能。

摘要： 本发明公开一种基于矩阵变量Fisher判别分析的ClassMVRBM模型进行图像分类的方法，采用矩阵变量的Fisher准则即类内最小、类间最大准则，并整合到ClassMVRBM模型进行联合训练；首先定义了面向矩阵变量的Fisher准则，通过引入矩阵变量之间的距离度量，定义了矩阵变量的类内散度和类间散度；然后引入该矩阵变量Fisher判别准则到矩阵变量受限玻尔兹曼机分类模型(记为ClassMVRBM‑MVFDA)的目标函数；最后通过联合训练进行模型求解。本发明方法能够使同类图像的特征之间的距离小，而不同类图像的特征之间距离大，进而利于图像分类。

摘要： 本发明涉及一种基于受限玻尔兹曼机的自组织BP神经网络出水总磷预测方法，本发明，包括以下几个步骤：1.在分析污水处理过程可测和难测变量的基础上，将出水氨氮、溶解氧浓度、化学需氧量、出水悬浮物浓度、总氮和氧化还原电位这6个关键可测变量作为预测模型的输入参数，并进行数据预处理。2.采用基于互信息和敏感度分析的自组织BP神经网络对输入样本数据进行训练，从而实现网络结构自动调整。3.采用受限玻尔兹曼机对结构调整后的神经网络初始权值和阈值进行训练，进而提高网络收敛速度和总磷预测精度。本发明设计合理，不仅解决了传统BP神经网络在总磷预测时结构冗余，容易过拟合的问题，提高了网络的收敛速度和总磷的预测精度。

摘要： 本发明公开一种基于判别式矩阵变量受限玻尔兹曼机模型的图像识别方法，采用基于判别的矩阵变量受限玻尔兹曼机用于二维图像分类，记为DisMVRBM，此模型能够直接对图像进行建模，而不需要向量化，保留了原始样本的结构信息。与MVRBM相比，本模型增加了标签层，意味着在提取特征的过程中融入了标签信息，使得提取的特征具有判别性，会提升分类性能；并且由于增加了标签层本模型可以直接当作一个独立的分类器，不用再链接其他的分类器，省去了对其他分类器的微调训练阶段。

摘要： 本发明公开了一种基于卷积受限玻尔兹曼机的二维重建方法，包括如下步骤：根据目标探测气体进行谱线遴选以确定探测所用红外激光器的中心波长；对待测区域进行离散化并获取经待测气体吸收后的不同投影角度的红外激光信号；计算得到积分吸光度并作为训练集输入；应用模拟退火算法对浓度场进行重建，重建结果作为训练集输出；进行网络训练后确定CRBM的模型结构；使用训练好的模型实现对二维气体浓度的检测。本发明相比于原有的气体浓度二维重建方法，在完成对卷积受限玻尔兹曼机训练集的构建后，能够精确而迅速的重建出待测气体的二维浓度场，具有广泛的应用前景。

摘要： 本发明公开了一种基于受限玻尔兹曼机的驾驶员活跃程度识别方法及系统，涉及自动驾驶技术领域，解决了驾驶员驾驶活跃程度不能够便捷的应用于人机交互控制权限分配设计中的技术问题，其技术方案要点是通过受限玻尔兹曼机对驾驶员活跃程度进行建模分析，系统结构简单，逻辑清晰，运算成本小，能高效应对连续时变的应用场景，具有强实时性。整个GB‑RBM网络系统可应用于个性化的高级驾驶辅助系统，对驾驶员活跃程度评估的结果直接明确，可以直接应用于人‑车共享控制权限的分配策略等各类决策控制模型中，具备高灵活性，强泛用性的优势。

摘要： 本说明书实施例公开了一种基于受限玻尔兹曼机的信用评估方法、设备及介质，方法包括：获取企业的信用数据，并对信用数据进行预处理，信用数据由多个数据特征构成；将预处理后的信用数据输入至预先训练的第一模型中，根据信用数据中的特征相关性排名，确定出信用数据中至少一个相关数据特征，其中第一模型为基于受限玻尔兹曼机的特征筛选模型将相关数据特征输入至预先训练的第二模型中，确定所述业的信用评分，并根据信用评分确定企业的信用评估结果，第二模型为深度神经网络模型，实现了以数据驱动模型，以客观代替主观，从而减少训练的计算量和信用评估的工作量。

摘要： 本发明公开了基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法，目标变量定义，选取建模的客户数据，对所述金融机构自身的字段和所述第三方数据字段进行分类；数据预处理，处理不平衡的数据，利用测试集通过使用准确率、查准率、召回率、f1‑度量和AUC值这5个评价指标上对所训练的模型进行评估，基于建立的模型，对贷款用户进行违约预测。本方法根据已有贷款客户的基本信息数据、征信数据、行为数据等，预测一个新的借款人的违约概率，起到提前预警的作用，预估未来的坏账比例，及时做好资金安对违约概率可能性较高的客户给与更多的关注，以避免损失，减少监控与监测过程中的人工参与部分，利用自动化的方法提高放款审核的准确率和效率。

摘要： 本发明公开了一种基于判别式受限玻尔兹曼机的数字调制识别方法，属于信号处理技术领域。所述方法联合高阶累积量和DRBM，有效识别大动态信噪比条件下BPSK、QPSK、8PSK、8QAM、16QAM、4PAM、CPFSK、GMSK八种数字调制类型，对于信噪比低于‑2dB的信号，先利用DRBM的生成能力对其进行重构后再进行分类，对重构后的信号再进行识别分类，有效提高了低信噪比下信号的识别率；本申请方法相对于传统识别方法，对于信噪比低于‑2dB的数字信号，在三种不同信道环境(AWGN信道，时变相移信道，瑞利信道)中均有明显提升。