稀疏自编码
稀疏自编码的相关文献在2014年到2023年内共计113篇,主要集中在自动化技术、计算机技术、机械、仪表工业、无线电电子学、电信技术
等领域,其中期刊论文60篇、会议论文1篇、专利文献92209篇;相关期刊48种,包括东南大学学报(自然科学版)、江苏科技大学学报(自然科学版)、沈阳理工大学学报等;
相关会议1种,包括第五届全国智能制造学术会议(NCIM2016)暨智能制造专业委员会2016年度工作会议等;稀疏自编码的相关文献由329位作者贡献,包括张绍辉、刘萍、吴敏等。
稀疏自编码—发文量
专利文献>
论文:92209篇
占比:99.93%
总计:92270篇
稀疏自编码
-研究学者
- 张绍辉
- 刘萍
- 吴敏
- 唐振民
- 张懿
- 徐威
- 朱毅
- 李垣江
- 王勇
- 钱彬
- 陈华华
- 陈略峰
- 魏海峰
- 万雄波
- 付荣荣
- 何怡刚
- 何鎏璐
- 侯彪
- 储银雪
- 刘小豫
- 刘成良
- 刘洋
- 刘红英
- 刘芳
- 叶学义
- 吴天霞
- 吴奇
- 吴粉侠
- 周维勋
- 周鹏
- 夏秀渝
- 姜海燕
- 孙文慧
- 孙顺
- 孟凡念
- 宋笑雪
- 巩晓赟
- 张世栋
- 张亚茹
- 张成坤
- 张林利
- 张浩
- 张玉红
- 强彦
- 徐从安
- 时培明
- 朱煜
- 朱青
- 李从敏
- 李培培
-
-
张兹勤;
王贵勇;
刘韬
-
-
摘要:
针对RV减速器实际监测中振动传感器的安装空间和信号采集容易受到限制和干扰等问题,提出了一种基于电机电流信号分析,稀疏自编码和Fisher准则相结合的RV减速器故障特征提取方法。首先,将采集的驱动电机电流数据转换到频域,研究了不同超参数对稀疏自编码的特征提取能力的影响,利用优化参数后的稀疏自编码对频域信号自动提取故障特征;然后,利用Fisher准则对提取的特征的判别能力进行了降序排名,取排名前n个特征,得到了最优故障特征集;最后,结合SoftMax分类层,实现了对RV减速器的故障诊断;搭建了RV减速器故障实验台,采集了电机电流数据,对基于Fisher-SAE的方法进行了验证,并将其与其他典型机器学习故障诊断方法进行了对比。研究结果表明:该方法能够从RV减速器电机电流信号中提取出故障特征,并选择最有效的故障特征集,解决了振动信号的局限性以及运用电流信号进行故障诊断难以提取有效特征的问题;相比于其他典型机器学习故障诊断方法,该方法的诊断准确率提高了10%~20%,具有更好的诊断效率和准确性。
-
-
李立生;
刘洋;
卢文华;
张世栋;
张林利
-
-
摘要:
针对电网中录波型故障指示器上传的海量故障数据存在着大量的重复、干扰、错误及无效波形,提出一种基于稀疏自编码(sparse auto-encoder,SAE)的故障数据聚类清洗方法,该方法首先利用稀疏自编码对故障数据进行特征学习与降维,继而用主成分分析(principal component analysis,PCA)对降维后数据再次进行降维提取,实现对不同故障数据的特征获取;最后利用基于密度峰快速搜寻聚类算法(clustering by fast search and find of density peaks,CFSFDP)对故障特征进行聚类,实现对重复、干扰、错误等故障数据的聚类清洗和真实故障数据推送.提出的海量故障数据聚类清洗方法,达到了对不同类型故障数据进行清洗去冗的效果,为故障告警智能推送提供了技术支撑,提高了运维人员获取准确故障信息的效率.
-
-
周金治;
郑淋文;
黄静;
涂道鑫;
赖健琼
-
-
摘要:
针对躯感网(BSN)穿戴设备的存储能力和计算能力受限的特点,为有效提高心电(ECG)分析模型识别率和效率,提出面向躯感网的ECG融合特征提取方法.采用Pan-Tompkins算法实现对QRS波群实时快速检测和时域特征提取;采用轻量级稀疏自编码(SAEs)网络对连续ECG信号进行深度特征提取和降维;通过向量张成的方式完成特征融合.使用MIT-BIH数据库中的ECG数据进行仿真实验,结果表明:基于融合特征的ECG分析模型精确度高,耗时少,能够满足面向躯感网的ECG特征提取的性能要求.
-
-
莫钰;
李垣江;
魏海峰;
张懿
-
-
摘要:
针对永磁同步电机(PMSM)因样本数据稀少、可用性低、特征弱化和结构复杂等因素引发的退磁识别问题,提出一种融合稀疏自编码与最小二乘生成式对抗网络的退磁故障诊断方法.该方法首先采集PMSM的电磁转矩和磁动势分布数据构成有限样本集合,其次采用最小二乘生成式对抗网络对样本在保持特征分布一致的条件下进行标签化扩张,最后运用稀疏自编码网络和Soft max分类器对样本进行训练和分类,实现退磁故障的诊断与识别.在模型训练和故障识别过程中,一方面合理设计深度网络隐层节点、训练算法以及层数等影响学习效率的参数;另一方面训练优化网络并测试验证网络的优劣以提高故障诊断性能.经过多次试验,最终可实现PMSM退磁故障的有效诊断.
-
-
莫钰;
李垣江;
魏海峰;
张懿
-
-
摘要:
针对永磁同步电机(PMSM)因样本数据稀少、可用性低、特征弱化和结构复杂等因素引发的退磁识别问题,提出一种融合稀疏自编码与最小二乘生成式对抗网络的退磁故障诊断方法。该方法首先采集PMSM的电磁转矩和磁动势分布数据构成有限样本集合,其次采用最小二乘生成式对抗网络对样本在保持特征分布一致的条件下进行标签化扩张,最后运用稀疏自编码网络和Soft max分类器对样本进行训练和分类,实现退磁故障的诊断与识别。在模型训练和故障识别过程中,一方面合理设计深度网络隐层节点、训练算法以及层数等影响学习效率的参数;另一方面训练优化网络并测试验证网络的优劣以提高故障诊断性能。经过多次试验,最终可实现PMSM退磁故障的有效诊断。
-
-
曹偲;
吴修坤;
刘华平
-
-
摘要:
音乐分离技术通常是将歌曲中的伴奏和干声进行分离,或者是将干声、贝斯、鼓点等成分进行分轨,具有较高的学术研究价值和商业价值.音乐分离可以应用于重新混音编曲、伴奏库生成以及MIDI信息获取等.近几年,基于深度学习的音乐分离方法取得了极大进展,Spleeter方法和Demucs方法极大地提高了音乐的分离质量.但是,音乐分离任务中分离伴奏的完整性、分离引入的失真等问题依然没有得到很好地解决,因此试图提出了一种基于频域稀疏自编码网络结构来提高音乐分离的效果.它的核心思想是使用编码器-解码器框架对频域信号进行建模,并采用CNN网络对编码器输出结果进行源分离任务.该方法提升了分离伴奏的保真度,提高了分离算法的效率和稳定性.MUSDB18测试集上的实验结果表明,该方法在多个客观指标上都达到了最优.
-
-
王竹晴;
郭阳明;
徐聪
-
-
摘要:
电池退化信号具有非平稳、非线性特性,为自适应提取能准确表达电池退化特性的健康因子(HI),提高锂离子电池剩余寿命(RUL)的预测精度,提出一种基于堆叠稀疏自编码(SAE)和变分模态分解(VMD)的HI构建方法.首先利用SAE深度神经网络对多个电池参数去噪、降维,提取出一个集中包含电池退化特性的融合HI;然后利用VMD将融合HI的全局衰减、局部再生和其他噪声3种模态进行有效分离,将被分离的3个分量作为电池HI,以此消除HI不同尺度上波动之间的相互干扰,提高RUL预测精度.锂离子电池RUL的预测结果表明,使用该方法所提HI得到的RUL预测精度最高,说明所提HI品质最高.
-
-
孙文慧;
夏秀渝;
陆雄
-
-
摘要:
旋律是音乐中最重要的要素,音乐主旋律提取是音乐检索的核心技术之一.复调音乐中歌声的音高序列构成了声乐主旋律.提出一种声乐主旋律自动提取改进算法,根据声乐信号的频谱特点,改进音高显著度函数的计算方法,降低计算复杂度,减少声乐主旋律提取时间.改用性能更优的稀疏自编码神经网络替代原算法的浅层BP神经网络作为基频判别模型,提高主旋律模型的识别准确率,降低旋律定位虚警率,从而提高声乐主旋律提取整体的准确率.在MIR-1K数据集上进行的实验表明,改进算法提取的声乐主旋律整体准确率比原算法至少提高了1.51%,提取主旋律的平均提取时间要比原算法减少大约0.12s.
-
-
袁大昌;
史艳霞;
高俊楠
-
-
摘要:
预测模型的输入特征变量对建筑耗热量预测性能具有较大的影响,为了进一步改进输入特征变量的选取,本文提出了稀疏自编码(SAE)方法对历史耗热量数据进行特征提取,并通过对比常规的线性化特征提取方法(主成分分析,PCA),分析了SAE特征提取方法分别对MLR、ANN和SVM预测模型精度的提升.应用某居住建筑实测数据对该方法进行了实验验证,结果表明:在测试数据集中,使用SAE方法提取到的特征值作为模型输入变量,MLR、ANN和SVM3个模型的预测性能均得到提升,相比于利用PCA特征提取的方法,CV值分别降低了3.8%、4.1%和4.2%.此外,SAE方法对模型性能的提升还表现在模型泛化性能地增强,在测试样本中的表现优于在训练样本中的表现.
-
-
李垣江;
张周磊;
李梦含;
魏海峰;
张懿
-
-
摘要:
针对永磁同步电机匝间短路故障诊断方法因结构复杂、样本特征稀少和大数据冗余等因素引起的诊断困难问题,基于生成式对抗和稀疏自编码深度学习网络提出一种高效准确的匝间短路故障诊断方法.该方法通过采集永磁同步电机负序电流和转矩特征信号,利用生成式对抗神经网络完成样本数据扩张,构建鲁棒、多样的训练集合,结合稀疏自编码网络实现高效准确的故障特征分类、诊断.实验表明该方法实现了对永磁同步电机负序电流和转矩特征信号的样本数据扩张,构建了优化深度网络实现高效准确的电机匝间短路诊断.数据显示,采用此方法的匝间短路故障诊断准确率高达99.4%.
-
-
- 武汉大学
- 公开公告日期:2022.06.14
-
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。
-
-
-
- 重庆大学
- 公开公告日期:2016-05-18
-
摘要:
本发明公开了一种基于稀疏自编码和稀疏表示进行交通标志识别的方法,包括:搜集包含有交通标志的图片,手工将其分成l类;对每一类含有交通标志的图片进行取块,并对图像块进行预处理;预处理后的图像块作为训练样本,分别训练l个稀疏自编码器,权重字典分别记为:D1,D2,...,Dl;将未知交通标志的测试图片进行取块,构成测试图像块;运用稀疏表示原理,采用OMP算法,分别计算测试图像块在各权重字典下的稀疏系数;求取重构图像块与原图像块之间的F范数,选择F范数最小的字典类别作为测试图片的交通标志识别结果。本发明使用稀疏自编码自动提取交通标志的充分特征,通过计算重构样本与测试样本的距离完成识别,能取得较高的识别正确率。
-
-
- 武汉大学
- 公开公告日期:2021-02-12
-
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。
-
-
-
-
-
-