稀疏自编码

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。

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.

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.

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.

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。

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.

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.

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.

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.

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％.

摘要： 刀具加工过程的磨损,是制造过程一直存在的问题,对刀具磨损的研究具有重要的实用价值.刀具的磨损与加工过程的各种因素都有一定的关联,运用传统的方法直接从信号中提取与刀具磨损相关的特征比较困难.本文使用一种基于稀疏自编码的深度学习方法,对原始数据进行降维并且提取全局特征向量,提出从全局特征向量中计算劣化参数K来估计刀具磨损状态,以实验数据验证,发现此方法提取的劣化参数K可以有效的反映刀具磨损状态.

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。

摘要： 本发明公开了一种基于稀疏编码和小波自编码器的极化SAR图像分类方法，主要解决由于特征提取不合理而造成的边界分类问题和没有考虑空间相关性而导致的区域一致性较差的问题。其主要步骤是：(1)、输入图像；(2)、预处理；(3)、提取图像特征；(4)、稀疏编码；(5)、选取训练样本和测试样本；(6)、训练小波稀疏自编码器；(7)、训练softmax分类器；(8)、调整网络参数；(9)、图像分类；(10)、上色；(11)、输出分类结果图。本发明具有良好的去噪效果，考虑到数据的邻域信息，能更好地从低维特征中学到更高级的特征，使得本发明的分类结果图的轮廓、边缘更加清晰，改善了极化SAR图像的分类性能。

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。

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。

摘要： 本发明公开了一种基于稀疏编码和小波自编码器的极化SAR图像分类方法，主要解决由于特征提取不合理而造成的边界分类问题和没有考虑空间相关性而导致的区域一致性较差的问题。其主要步骤是：(1)、输入图像；(2)、预处理；(3)、提取图像特征；(4)、稀疏编码；(5)、选取训练样本和测试样本；(6)、训练小波稀疏自编码器；(7)、训练softmax分类器；(8)、调整网络参数；(9)、图像分类；(10)、上色；(11)、输出分类结果图。本发明具有良好的去噪效果，考虑到数据的邻域信息，能更好地从低维特征中学到更高级的特征，使得本发明的分类结果图的轮廓、边缘更加清晰，改善了极化SAR图像的分类性能。

摘要： 本发明公开了基于稀疏自编码非线性自回归网络的负荷电价预测方法，涉及智能电网电价负荷预测技术领域，预测方法包括以下步骤：步骤一：建立非线性自回归网络预测模型，步骤二：使用最小‑最大归一化对输入数据和目标进行归一化，步骤四：对价格和负荷的预测值反归一化，获得实际值；步骤五：使用归一化公式对输入数据和目标进行最小‑最大归一化；步骤六：建立原始神经网络目标函数；步骤七：在原始神经网络目标函数中加入稀疏性限制，步骤八：对编码器系数进行微调，步骤九：得到非线性自回归网络，步骤十：得到最终预测结果。本发明可利用大数据对电力负荷和电价进行准确的预测，利用小波去噪作为解码函数，显著提高了提取特征的质量。

摘要： 本发明公开了一种基于深度去噪稀疏自编码器及ISSVM的电子元件分类方法，包括：对电子元件图像预处理。构建深度去噪稀疏自编码器DDSA并完成特征提取：利用自编码器对原始特征进行降维，将稀疏自编码器堆叠在一起，采用贪婪训练分层策略，形成深度堆叠稀疏自编码器的鲁棒模型。构建去噪编码器，输入部分损坏的噪声数据样本，通过训练重建原始输入，完成去噪特征提取。提出增量学习支持向量机分类算法，将KT条件应用于原始训练数据集，并添加额外数据点，利用增量学习实现非线性SVM训练。形成结合稀疏自编码器DDSA和ISSVM的混合分类模型，并将其应用于电子元件的分类及测试中。本发明可以显著减少计算时间，提高分类精度，在电子元件的分类中表现良好。

摘要： 本发明公开了一种基于深度稀疏自编码器集成的三阶段框架的青光眼诊断方法，通过对眼底图像中的原始图像特征采用DSA特征提取模型进行深度特征的提取，而后将原始图像特征和深度特征进行融合，获得混合特征，进而提高挖掘眼底图像隐藏的特征结构，提高了提取特征的鲁棒性和分辨力，进而改善对于眼底图像中青光眼的辨别力，提高诊断的准确率。

摘要： 本发明涉及一种基于非负稀疏自编码器的盲端元提取与光谱解混方法，该方法的一个具体实施方式包括：对原始高光谱图像进行波段选择，将经过波段选择之后的高光谱图像中任一像元的光谱通道数据输入非负稀疏自编码器；非负稀疏自编码器包含输入层、多个隐藏层和输出层；在输出层的输出数据能够复现光谱通道数据的情况下，获取多个隐藏层中最后一个隐藏层的每一神经元的激活值以及最后一个隐藏层的每一神经元与输出层的权重向量；将每一神经元与输出层的权重向量确定为一个盲端元的光谱数据，将该神经元的激活值确定为对应于该盲端元的丰度，从而实现任一像元的光谱解混。该实施方式能够通过非负稀疏自编码器实现高精度的盲端元提取与光谱解混。

摘要： 本发明公开了一种基于稀疏自编码深度神经网络的变压器状态判别装置，包括：数据收集单元，根据预设溶解性气体相关特征，获取待检测的变压器的故障类气体及浓度，作为原始数据输出；数据预处理单元，与数据收集单元连接，用于接收原始数据进行预处理，通过预先实验获得的故障气体间的比值关系判断是否存在潜伏性故障、潜伏性故障的发展速率以及故障类型，并作为预处理数据输出；数据处理单元，与数据预处理单元连接，接收预处理数据，并通过完成稀疏自编码深度神经网络学习的识别模型对预处理数据进行识别评价并输出变压器识别结果。通过溶解性气体分析并采用稀疏自编码深度神经网络对电力变压器内部故障进行识别，计算速度快，准确性高。