深度置信网络

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。

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。

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。

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。

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。

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%。

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。

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。

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%。

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。

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.

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.

摘要： 当前新出现的深度学习理论在机器学习、信号处理、人工智能和模式识别等领域引起了广泛的关注.深度置信网络是当前深度学习理论的一种代表性方法,具有较强的无监督特征学习能力.本文提出一种利用深度置信网络实现语音情感识别的新方法,即先采用深度置信网络对提取的情感声学特征进行无监督学习,获取更高层次的抽象特征,然后将其用于初始化多层感知器模型中的隐层网络权重值,最后利用该初始化后的多层感知器实现语音情感的识别.在德语Berlin情感语音数据库中的实验结果表明,该方法优于其它使用的情感识别方法.

摘要： 为了更好地运用深度置信网络(DBN)进行语音活性检测(VAD),针对现有方法过于繁杂的问题,提出采用语音频谱作为深度置信网络的输入的改进算法.在Matlab环境下使用TIMIT语料库进行仿真实验,实验结果验证了该方法的有效性,并且在Babble噪声环境下验证该方法比现有方法具有更高的检测正确率.

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.

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： 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.

摘要： 针对静态软测量模型无法反映聚丙烯生产过程熔融指数变化的动态信息,造成模型预测精度低等问题.本文提出了一种基于改进的深度置信网络(IDBN)和灰色模型(GM)的聚丙烯熔融指数动态软测量方法.首先基于IDBN建立熔融指数软测量静态模型,然后将静态模型的测量结果与实际值进行比较,获得测量误差时间序列,并用灰色模型对其进行建模和预测,最后将静态模型预测值与误差的预测值进行叠加,从而实现对静态模型预测值的动态校正.实验结果表明,该方法能够有效地反映熔融指数的动态特性,具有更高的预测精度.

摘要： 深度学习是近年来机器学习领域的新热点,卷积神经网络(CNN)与深度置信网络(DBN)是深度学习领域的核心方法.本文将两种方法引入水下目标分类识别,并对网络模型和参数设置进行了改进和优化.利用三类水下目标噪声数据进行分类识别,并与支持向量机方法进行对比.结果表明,三种方法所得结果比较接近,其中,DBN方法的正确识别率最高.

摘要： 本发明公开了一种基于深度置信网络和SVM的网络攻击检测方法，其中，包括：步骤1：构造网络攻击行为特征向量；步骤2：确定模型训练集和测试集，给数据制定标签，区分正常行为与攻击行为，并将攻击行为分类；步骤3：构建深度置信网络模型，逐层训练，提取网络攻击行为特征，并计算误差，直至收敛，再对模型的权值进行微调,得到特征向量；步骤4：将提取的特征向量作为输入参数，选择合适的SVM分类器进行训练，对网络攻击行为进行分类，构建网络攻击检测模型；步骤5：构建网络攻击行为分析模型，使用测试集测试模型准确率，计算准确率、误报率与漏报率，并将识别出的网络攻击行为作为训练数据，进行优化。

摘要： 本发明提供了一种基于深度置信网络的光纤网络链路缺陷数据检测方法，包括以下步骤：步骤1，光纤网络链路数据采集；步骤2，对光纤网络链路缺陷数据进行去噪处理；步骤3，进行数据插值处理；步骤4，对进行数据均衡处理；步骤5，对数据进行尺度处理；步骤6，将长序列离散化，切分为固定大小的段；步骤7，提取统计特征、信号特征及物理特征；步骤8，进行缺陷数据识别，完成数据检测。应用本技术方案能够有效检测由于各种原因出现数据缺陷的情况。

摘要： 本发明涉及一种基于深度置信网络和长短时记忆网络的入侵检测方法，属于网络中的入侵检测技术领域。本发明首先对数据集进行字符型数据转换成数值型数据、数据标准化、数据归一化操作；然后将数据集放入深度置信网络中进行降维处理，并将降维后的数据集分为训练集和测试集；最后将训练集放入长短时记忆网络中进行训练，再将测试集放入训练好的网络模型中得到分类结果。当出现入侵行为时，利用训练好的模型就可以区分出正常数据和攻击数据。该发明利用深度置信网络对数据做降维处理解决了长短时记忆网络梯度爆炸的问题，提高了入侵检测的效率。

摘要： 本发明公开了一种基于深度置信网络和SVM的网络攻击检测方法，其中，包括：步骤1：构造网络攻击行为特征向量；步骤2：确定模型训练集和测试集，给数据制定标签，区分正常行为与攻击行为，并将攻击行为分类；步骤3：构建深度置信网络模型，逐层训练，提取网络攻击行为特征，并计算误差，直至收敛，再对模型的权值进行微调,得到特征向量；步骤4：将提取的特征向量作为输入参数，选择合适的SVM分类器进行训练，对网络攻击行为进行分类，构建网络攻击检测模型；步骤5：构建网络攻击行为分析模型，使用测试集测试模型准确率，计算准确率、误报率与漏报率，并将识别出的网络攻击行为作为训练数据，进行优化。

摘要： 本发明公开图卷积和深度置信网络的电动汽车负荷优化方法，利用图卷积网络提取路网大量不确定性特征数据，然后通过数据驱动的方法训练深度置信网络，输出电动汽车的最优充电负荷分布，在应对路网不确定性的同时优化电动汽车充电负荷分布，并量化分析优化结果对路网及电网的影响。所述负荷优化方法。本发明电动汽车负荷优化方法基于图卷积和DBN的数据驱动优化方法，能够泛化影响电动汽车充电负荷的不确定性因素，准确高效地优化电动汽车充电负荷；与求解非线性优化模型相比，本发明计算难度低、求解速度快，对不确定性因素的泛化性能更强；与现有的深度神经网络等技术相比，本发明的优化结果更为准确，降低用户充电成本的效果更为显著。

摘要： 本发明公开了一种基于深度置信网络的柔版印刷压力预测方法，对分色原稿图像进行二值化操作，得到二值化图像，对二值化图像进行取反操作，对反色二值化图像划分网格，计算网格区域内的图文面积，得到面积矩阵；对分色原稿图像进行梯度计算，得到梯度图像，对梯度图像划分网格，计算每个网格内的最大梯度值，得到最大梯度值矩阵，对分色原稿图像进行灰度共生矩阵计算，得到灰度共生矩阵；然后将面积矩阵、最大梯度值矩阵、灰度共生矩阵横向并列，得到分色原稿图像的特征矩阵，最后建立了以特征矩阵作为网络预测模型的输入数据、实际印刷压力值作为网络预测模型的输出数据，搭建深度置信网络压力预测模型，实现了对柔版印刷压力的有效预测。

摘要： 本发明属于无线通信技术领域，具体是一种基于深度置信网络的信号指纹定位方法。主要原理是：在离线构建阶段，将原始信号输入到深度置信网络中，通过深度置信网络对原始信号进行特征提取，其结构是由多层受限玻尔兹曼机和一层反向传播神经网络组成，网络的参数学习过程包括无监督贪婪算法逐层训练和微调两个阶段；在在线定位阶段，首先根据预处理后的信号指纹数据向量计算与各个聚类中心的欧氏距离，判断其所属类簇，然后利用训练好的对应类的深度置信网络模型估测当前目标所在的位置。本发明可以适应多变的电磁环境，提出的算法可以达到更好的指纹库构建效果，有效缩短定位时间，提高效率，并取得更好的定位精度。

摘要： 本发明公开了一种基于小波分解和优化深度置信网络的光伏功率超短期概率预测方法，该方法利用小波分解对原始数据进行三级分解，得到子序列，利用深度置信网络分别对得到的子序列建立功率预测模型，并使用遗传算法为模型寻找最优初始参数，将各子模型得到的预测结果进行等值加权得到最终预测结果；其次，在构建的光伏功率点预测模型基础上，对点预测误差序列进行分析，构建基于t分布模型的光伏功率超短期概率预测模型，计算预测区间。本发明将小波分解技术、深度置信网络和遗传算法组合进行光伏功率超短期概率预测，实现光伏功率超短期概率预测，给光伏电场调度人员提供了有效的决策信息。

摘要： 本发明公开一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法，首先，根据红外和雷达传感器不同的量测信号特征进行时空对准的信号预处理；然后，使用最优数据压缩算法将两者的信息进行压缩融合，形成新的观测量，并使用EKF实现飞行器的状态估计；最后，使用DBN算法根据收到的估计值与观测值实时估计并调整系统受到的实际观测噪声，提高EKF的跟踪精度。通过本发明方法有效解决了飞行器飞行过程中红外和雷达的传感器信号融合以及环境噪声的不确定性所导致的状态估计困难的问题。

摘要： 本发明公开了一种基于深度置信网络的旋转机械故障诊断方法、系统及介质，包括步骤：获取旋转机械关键部件的振动信号，并将振动信号转换为玻尔兹曼机能够读取的数据格式；将振动信号输入到深度置信网络进行前向学习处理和反向微调处理得到样本输出数据，深度置信网络由3个玻尔兹曼机叠加构成；将样本输出数据分为训练集和验证集，将训练集输入到一维卷积神经网络中进行特征提取得到特征图；使用soft‑max分类器根据特征图对旋转机械的不同健康状况进行分类，以实现对旋转机械的故障诊断。避免了传统特征提取方法对于专业知识及先进经验的过度依赖，拥有较传统方法更为高的识别分类精度。