深度置信网络
深度置信网络的相关文献在2013年到2022年内共计578篇,主要集中在自动化技术、计算机技术、电工技术、机械、仪表工业
等领域,其中期刊论文397篇、会议论文9篇、专利文献392393篇;相关期刊239种,包括科学技术与工程、农业工程学报、组合机床与自动化加工技术等;
相关会议9种,包括第十七届中国Rough集与软计算学术会议、第十一届中国Web智能学术研讨会、第十一届中国粒计算研讨会及第五届三支决策学术会议联合会议 (CRSSC-CWI-CGrC-3WD 2017)、2016年全国声学学术会议、中国声学学会水声学分会2015年学术会议等;深度置信网络的相关文献由1796位作者贡献,包括何怡刚、刘宏伟、宋威等。
深度置信网络—发文量
专利文献>
论文:392393篇
占比:99.90%
总计:392799篇
深度置信网络
-研究学者
- 何怡刚
- 刘宏伟
- 宋威
- 宋立新
- 王强
- 王英华
- 陈渤
- 严俊坤
- 侯彪
- 刘芳
- 宋晓龙
- 张士昱
- 曾安
- 焦李成
- 王小艺
- 王鹏辉
- 纠博
- 马文萍
- 丁琳
- 于家斌
- 何鎏璐
- 凌云志
- 刘俊坤
- 刘浩涛
- 刘罡
- 吴杰康
- 周代英
- 唐舸轩
- 孙劲光
- 孙永辉
- 宋晓明
- 尹雄东
- 廖阔
- 张义民
- 张天瑞
- 张悦
- 张慧妍
- 张林闯
- 张涛
- 张瑛
- 张艺楠
- 彭喜元
- 徐林涛
- 房奇
- 曲文龙
- 朱忠奎
- 李俊卿
- 李少伟
- 李斯璇
- 李昭昱
-
-
付永钢;
李传目;
王惠蓉
-
-
摘要:
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。
-
-
陈子璇;
席燕辉;
沈银
-
-
摘要:
针对实际电能质量扰动数据大、识别多重扰动精度不高的问题,提出了一种基于自适应最大似然卡尔曼滤波和深度置信网络相结合的电能质量扰动识别方法。首先,该方法使用自适应最大似然卡尔曼滤波对含有噪声的原始扰动信号进行去噪。然后,通过深度置信网络对去除噪声的扰动信号进行训练、分类,以此实现电能质量扰动类型的识别。最后,在20类不同噪声水平下的电能质量扰动信号上进行测试。由仿真结果可知,在不同的噪声水平下,该方法都具有较高的分类正确率,表明了该方法的有效性及对噪声的强鲁棒性。
-
-
李泽东;
李志农;
陶俊勇;
许贝
-
-
摘要:
针对传统方法采用单通道信息进行设备故障诊断容易造成误判以及传统故障诊断需要大量专家经验知识的不足,结合全矢谱技术在多通道信息融合中可以全面反映振动信号特征的优势,以及深度学习具有强大的自特征提取能力和较好的模式识别能力,提出了一种基于全矢谱-深度置信网络的转子故障智能诊断方法。对采集到的多通道的机械振动信号利用全矢谱技术进行融合,得到融合信号的主振矢、副振矢和振矢角。将融合后的信号输入到深度置信网络(DBN)中进行训练,利用多个受限玻尔兹曼机无监督预训练的方式层层堆叠进行前向传播,减少模型直接单向训练时的复杂度。然后利用反向传播对模型进行监督优化参数。最后,输出层采用Softmax分类器进行故障模式识别。提出的方法通过转子故障诊断验证,并与全矢谱-DNN和单通道-DBN做比较,提出的方法优于全矢谱-DNN和单通道-DBN方法,能够很好地融合多通道信息,并具有较高的识别率。
-
-
廖玉波;
俞啸;
李伟生;
刘文峰;
曹西鹤;
董飞
-
-
摘要:
在对实际工业场景中的旋转机械进行故障诊断时,旋转机械的变工况会导致测试样本与模型训练样本间存在分布差异,进而影响故障诊断模型的准确率,对此,提出了一种基于深度置信网络的旋转机械迁移故障诊断方法。首先,利用最大重叠离散小波包变换处理了原始振动信号,提取了统计特征构建原始特征集;其次,基于源域有标签特征数据和目标域正常状态下的特征数据,运用了基于Fisher Score与域间最大均值差异的特征选取方法(FSFM),选取了判别性能和域不变性好的特征,用于后续的模型训练;然后,采用预训练微调的迁移学习方法,构建适用于目标域数据故障识别与分类的迁移深度置信网络;最后,采用SQI-MFS机械故障模拟试验台的轴承和电机故障数据开展不同工况下的故障诊断实验。研究结果表明:选取判别性能和域不变性好的特征用于诊断模型训练,能够明显提高故障诊断准确率,轴承和电机在不同工况下的故障诊断精度最高分别可达90.83%和86.83%,可验证提出的迁移故障诊断框架的有效性;此外,一系列对比实验表明所提出框架的诊断性能明显优于文中的对比模型,进一步验证所提出的方法具有应用于实际工业场景下故障诊断的潜力。
-
-
周杰;
李湘文
-
-
摘要:
为避免液压油缸泄露给液压系统带来的速度放缓和压力不足等问题,研究基于深度学习的液压油缸泄露故障自动诊断方法。深入分析液压油缸泄露故障机理,依据液压油缸泄露量,将泄露故障划分为正常、轻微、中度以及严重泄露四种状态,使用压力传感器采集各状态下的压力信号,利用小波包变换提取压力信号的小波包能谱熵特征,将其作为输入量,运用深度置信网络实现液压油缸泄露故障高精度自动诊断。实验结果表明:该方法能清晰呈现不同液压油缸泄露状态下的压力信号特点,且所得信号质量较高;利用压力信号的小波包能量谱自动诊断液压油缸泄露故障具有较高的可行性;该方法在准确诊断液压油缸泄露故障状态的同时,还能判断液压油缸泄露故障的形式。
-
-
杨占刚;
徐海义;
成博源;
石旭东
-
-
摘要:
针对具有多并联支路绕组结构的航空发电机在偏心故障下的输出三相电压、电流故障特征差异小,造成故障不易识别的问题,提出一种基于烟花算法(fireworks algorithm,FWA)优化深度置信网络(deep belief network,DBN)的故障诊断方法。首先根据有限元法搭建航空发电机模型,通过仿真获取不同静态、动态偏心故障输出数据;然后运用FWA训练优化与极限学习机(extreme learning machine,ELM)相结合的DBN网络,得到最佳DBN-ELM模型结构;最后由ELM分类器进行故障诊断分类。诊断结果表明,相较于传统的故障诊断方法,应用所提方法进行航空发电机偏心故障诊断,可以获得更高的准确率,平均准确率达到99.203%。
-
-
刘健;
徐伟;
钱炜
-
-
摘要:
传统的心电信号分类方法通常需要人为提取特征,导致系统的分类性能不稳定。基于此,运用了基于深度置信网络的心电信号分类算法,利用网络的深层次学习能力自动学习信号的特征。提取特征后,选用Softmax分类器对信号进行分类,并用误差反向传播算法微调网络,提高分类性能。选取MIT-BIH数据库中的正常心拍、室性早搏、房性早搏和起搏心拍进行实验,通过实验结果和方法对比,深度置信网络整体的分类精度达到98.8%,表明其在心电信号分类问题中具有良好的分类识别效果。
-
-
王家宝;
缪祥华
-
-
摘要:
针对人工经验设定深度置信网络的网络结构致使其很难达到最优,进而导致深度置信网络的性能无法完全发挥的问题,提出利用麻雀搜索算法优化深度置信网络的入侵检测模型。实验结果表明:相比未优化的深度置信网络,性能有显著提升,该模型优异的性能有效提高了入侵检测识别的效率。
-
-
郭志涛;
段弢;
杨玉杰
-
-
摘要:
智能剩余电流保护器具有灵敏度高、功能多样等优势,但其结构复杂、抗干扰性和可靠动作性较差、故障率较高,且造成保护器同一故障现象的原因较多,不易检查。针对上述保护器的不足,文中设计一种基于深度置信网络的故障诊断系统对保护器进行故障诊断。系统设计包括硬件和软件两部分,硬件设计用于对剩余电流保护器进行出厂参数设定、功能测试及故障数据收集,建立故障数据集;软件设计包括搭建网络模型、提取故障数据特征、定位故障位置。测试结果表明,文中系统可完成对剩余电流保护器的批量自检,可对故障保护器进行故障诊断的正确率达到92.9%。
-
-
张闻中;
华守彤;
陈逸;
林义杰
-
-
摘要:
为保证工业现场工作期间人员安全以及非工作期间机械设备安全,全天候监控视频检测异常状况十分必要。基于上述背景,提出一种基于智能定位的工业现场全天候监控视频异常检测方法。该方法利用带有夜视功能的高清摄像头采集工业现场监控视频图像,并实施灰度化、滤波、直方图均衡化预处理。利用SIFT算子提取视频图像目标特征,构建视觉字典,通过视觉字典智能跟踪定位视频图像中的目标。提取目标5个细节特征,利用深度学习中的深度置信网络构建分类器,检测监控视频图像中的异常情况。结果表明:与基于遗传算法的异常检测方法,基于神经网络的异常检测方法以及基于支持向量机的异常检测方法相比,所研究检测方法的灵敏度、特异度和正确率均要更高。
-
-
ZENG An;
曾安;
ZHANG Yinan;
张艺楠;
PAN Dan;
潘丹;
Xiao-wei SONG;
Xiao-Wei Song
- 《第十七届中国Rough集与软计算学术会议、第十一届中国Web智能学术研讨会、第十一届中国粒计算研讨会及第五届三支决策学术会议联合会议 (CRSSC-CWI-CGrC-3WD 2017)》
| 2017年
-
摘要:
传统的深度置信网络(DBN)采用随机初始化受限玻尔兹曼机(RBM)的权值和偏置的方法初始化网络.虽然这在一定程度上克服了由BP算法带来的易陷入局部最优和训练时间长的问题,但随机初始化仍然会导致网络重构和原始输入的较大差别,这使得网络无论在准确率还是学习效率上都无法得到进一步提升.针对以上问题,提出一种基于稀疏降噪自编码器(SDAE)的深度网络模型,其核心是稀疏降噪自编码器对数据的特征提取.首先,训练稀疏降噪自编码;然后,用训练后得到的权值和偏置来初始化深度置信网络;最后,训练深度置信网络.在Poker Hand纸牌游戏数据集和MNIST、USPS手写数据集上测试模型性能,在Poker Hand数据集下,方法的误差率比传统的深度置信网络降低46.4%,准确率和召回率依次提升15.56%和14.12%.实验结果表明,所提方法能有效地改善模型性能.
-
-
TANG Ge-Xuan;
唐舸轩;
ZHOU Yi-Hua;
周艺华;
ZHANG Chang-You;
张常有;
Ji Chen-Hui;
籍晨晖;
Dang Yun-Long
- 《2016年全国高性能计算学术年会》
| 2016年
-
摘要:
深度置信网络(DBN)模型常伴随高维度、大数据量等计算,使得其训练过程相对缓慢.为提高深度置信网络的模型训练效率,提出了一种基于异构平台的混合并行优化方法.主要包括:(1)模型训练分解为细粒度子任务,设计单个子任务的并行优化方法.(2)针对多核CPU和众核GPU设备,设计细粒度子任务的调度方案,使两种计算资源负载均衡.(3)数据并行与任务并行策略相结合,实现一种异构混合并行算法.在Intel(R)Xeom(R)CPU(6核)和NVIDIA Tesla K20Xm GPU(2688核)实验平台上,针对MNIST手写体识别数据集,在保证识别准确率98.07%的前提下,混合并行算法与CPU串行程序相比,取得6.3x加速比,与CPU多核并行程序相比,取得2x加速比.
-
-
-
-
CHEN Baojia;
陈保家;
LIU Haotao;
刘浩涛;
ZHAO Chunhua;
赵春华;
XIAO Wenrong;
肖文荣;
CHEN Fafa;
陈法法
- 《2018年全国设备监测诊断与维护学术会议暨第十六届全国设备故障诊断学术会议、第十八届全国设备监测与诊断学术会议、2018年全国设备诊断工程会议》
| 2018年
-
摘要:
针对齿轮传动系统中齿轮等零部件易出现故障或失效等问题,提出了一种基于深度学习理论的齿轮传动系统故障诊断方法.首先利用深度置信网络(Deep Belief Networks,DBNs)网络强大的特征自提取能力,对齿轮传动系统的振动信号进行特征提取,然后再通过DBNs的复杂映射表征能力对故障信号进行故障判别.通过诊断实例表明,如果不对齿轮振动的原始时域信号进行特征提取,直接利用DBNs对其进行诊断时,正确识别率只能达到60%左右;如果对时域信号进行简单的傅里叶变换后,再利用DBNs对处理后的振动信号频谱进行诊断分析,正确率能达到99.7%,证实了所述故障诊断方法的简易性和有效性.
-
-
-
ZHANG Xiao-liang;
张晓亮;
LIU Hui-xia;
刘辉霞;
QI Jie;
齐洁;
SUN Hai-xin;
孙海信;
QIU Zhi-gang;
邱致刚
- 《2016年全国声学学术会议》
| 2016年
-
摘要:
为减少水下通信中信号信息损失的问题,降低波形畸变率,提高调制识别率,解决经典支持向量机理论出现二次规划局部最优的问题,本文提出一种将深度置信网络(DBN,Deep Belief Network)和支持向量机(SVM,Support Vector Machine)相结合的算法,设计出抗时频衰落信道的调制信号分类器.利用深度置信网络构造多特征融合权重矩阵,解决信息损失和畸变造成的模糊效应,提高信息衰变时的分辨率;然后支持向量以此权重矩阵作为模型,识别不同类型调制信号.仿真实验表明,在瑞利多途衰落信道环境下,该分类器的识别率优于单一特征分类方法,而且有较高的鲁棒性.
-
-