基于全卷积网络和自编码的高光谱图像分类

针对高光谱图像空间信息利用不足、标记样本数量较少的问题,提出一种基于全卷积网络和堆栈稀疏自编码的高光谱图像分类算法.基于迁移学习的思想,利用预训练好的全卷积网络FCN-8s,挖掘图像潜在的多尺度几何结构特征;选取其特征的像素邻域信息,采用拼接融合的方法与原光谱信息进行融合;利用堆栈稀疏自编码网络完成最终的多尺度空谱特征...     

自编码网络在JavaScript恶意代码检测中的应用研究

针对传统机器学习特征提取方法很难发掘JavaScript恶意代码深层次本质特征的问题,提出基于堆栈式稀疏降噪自编码网络(sSDAN)的JavaScript恶意代码检测方法。首先将JavaScript恶意代码进行数值化处理,然后在自编码网络的基础上加入稀疏性限制,同时加入一定概率分布的噪声进行染噪的学习训练,使得自动编码器模型能够获取数据不同层次的特征表达;再经过无监督逐层贪婪的预训练和有监督的微调过程可以得到有效去噪后的更深层次特征;最后利用Soft max函数对特征进行分类。实验结果表明,稀疏降噪自编码分类算法对JavaScript具有较好的分类能力,其准确率高于传统机器学习模型,相比随机森林的方法提高了0.717%,相比支持向量机(SVM)的方法提高了2.237%。     

基于深度学习的永磁同步电机故障诊断方法

针对永磁同步电机匝间短路和永磁体失磁故障因处理复杂、特征独立单一和样本稀少等因素引起的诊断偏差问题,提出一种基于深度学习变分自编码网络的故障特征样本快速扩展策略及融合稀疏自编码网络的故障诊断方法。通过组合永磁同步电机频域电流、磁通密度、电磁转矩特征,结合变分自编码网络的生成模型实现故障真实样本扩张,构建丰富、多样、更具鲁棒性的训练集合。将优化数据集输入稀疏自编码网络训练诊断模型,用测试数据验证网络的优劣。实验结果表明,相比传统故障诊断方法,该算法能更加高效快速地实现匝间短路及失磁故障诊断。     

奇异值分解和稀疏自编码器的轴承故障诊断

针对滚动轴承故障特征提取和分类需要进行有监督训练才能实现等问题,提出了一种基于奇异值分解（SVD）和时域统计特征分析并结合堆栈稀疏自编码器（SAE）以及Softmax分类器实现滚动轴承故障诊断方法。该方法利用Hankle矩阵对原始数据进行矩阵重构,利用奇异值分解和时域分析对重构后的故障信号进行特征预提取,融合两种特征并输入到堆栈稀疏自编码器中进行特征优化,将优化后的特征输入到Softmax分类器中进行分类识别。实验结果表明,3种工况下10类故障数据的识别准确率均在96%左右,且高于文中其他方法,因此该方法能有效地进行滚动轴承复杂信号的特征预处理以及分类。     

融合候选区域提取与SSAE深度特征学习的心脏MR图像左心室检测

左心室检测在计算机辅助心脏MR图像诊断方面具有重要价值,针对由于成像质量、部分容积效应、目标复杂多变等因素影响,导致左心室自动检测准确度较低的问题,提出一种融合候选区域提取与栈式稀疏自编码器(SSAE)深度特征学习的心脏MR图像左心室检测方法.在候选区域提取阶段,先用超像素算法产生初始区域,然后对SSAE学习到的深度特征采用层次聚类算法生成候选区域;在检测阶段,先使用SSAE提取候选区域的深度特征,然后训练SVM分类器对候选区域进行分类,并使用难分负样本挖掘算法对模型进行调节.对心脏图谱数据集左心室目标检测的实验结果表明,相对于手工特征及基于候选区域等方法,该方法取得了有竞争力的检测精度.     

堆栈式混合自编码器的人脸表情识别方法

针对进一步提高人脸表情识别率的问题,采用了一种基于深度学习的堆栈式混合自编码器（Stacked Hybrid Auto-Encoder,SHAE）的人脸表情识别方法。该方法的结构是由去噪自编码器（Denoising Auto-Encoder,DAE）、稀疏自编码器（Sparse Auto-Encoder,SAE）以及自编码器（Auto-Encoder,AE）组合而成的5层网络结构。为了增加网络的鲁棒性以及泛化能力,采用去噪自编码器对样本进行提取特征,为了对提取的特征进行降维以及进一步提取更抽象的稀疏特征,采用稀疏自编码器进行级联,来对特征进一步处理。训练过程首先由无标签的数据进行预训练和整体微调,对整个结构的权重进行初始化和更新调整,然后使用有标签的数据进行测试训练。在JAFFE和CK+两个数据集上实验显示,相较于单纯的堆栈式去噪自编码或者单纯的堆栈式稀疏自编码,该方法具有更好的识别效果。     

基于SDAE及极限学习机模型的协同过滤应用研究*

鉴于传统的协同过滤推荐算法在处理冷启动和数据较稀疏的问题上表现不佳,提出一种将堆栈降噪自编码器(Stacked Denoising AutoEncodes,简称SDAE)同最近邻推荐方法相结合的混合SDAE推荐模型。该模型结合稀疏编码算法和降噪准则,使用逐层自编码的思想将极限学习机与降噪自编码器堆叠形成基于极限学习机(Extreme Learning Machine,简称ELM)计算的堆栈降噪自编码器的深度学习模型,最终用模型提取的抽象特征应用于最近邻算法预测打分。并通过多组数据集上各种模型的实验结果表明,在稀疏度低于8%时,与余弦相似度模型和皮尔森相似度模型相比,混合SDAE推荐模型实验效果分别提高了11.3%和21.1%,与潜在矩阵分解模型相比,混合SDAE模型收敛所需的迭代次数少近30%,而在与相似度模型和矩阵分解模型的三组比较实验中,混合SDAE模型的稳定性也表现最良好,所提出的混合SDAE模型收敛速度较快,并有效解决数据稀疏与冷启动的问题     

基于改进的L-BFGS稀疏降噪自编码网络的MRI脑图像识别方法

随着人类科技的飞速发展以及医学影像设备的不断更新,医学影像技术在脑部病 变的辅助诊断中起到了越来越重要的作用,为此,提出一种基于改进的 L-BFGS 稀疏降噪自编 码网络模型(ILSDAE),并将其应用于 MRI 脑图像的阿尔茨海默病的识别与脑部疾病的辅助诊 断。实验数据源取自 ADNI 数据集,经过校正、配准、分割、平滑等操作,获得脑部灰质图像, 随后将改进的无监督贪婪预训练方法和 L-BFGS 算法相结合,对深度自编码网络进行训练并通 过 Softmax 回归训练学习特征,从而实现对病症患者脑部图像的识别。ILSDAE 网络模型具有 很好的鲁棒性,与堆栈式自编码和自学习方法相比,实验结果证明了所提方法的有效性。     

基于深度学习的异常驾驶检测

针对异常驾驶行为标签数据少的问题,提出了一种基于深度学习的异常驾驶检测的新方法,利用堆栈稀疏自编码模型来提取驾驶员的行为特征,并以逐层贪婪的训练方式训练模型。此外,在算法中加入去噪编码增强特征表达的鲁棒性,在整个训练过程中加入丢弃法减少过拟合的风险。实验结果表明,我们提出的方法相比传统的异常驾驶行为监测方法更加有效。     

基于卷积注意力特征迁移学习的滚动轴承故障诊断

针对变工况条件下因源域和目标域样本数据分布差异大造成滚动轴承故障诊断准确率较低的问题,提出一种新的迁移学习方法——卷积注意力特征迁移学习(Convolutional Attention-based Feature Transfer Learning, CAFTL),并用于变工况条件下的滚动轴承故障诊断。在所提出的CAFTL中,将源域和目标域样本经过多头自注意力计算再经过归一化之后,输入到卷积神经网络中得到对应的源域和目标域特征;然后通过域自适应迁移学习网络将两域特征投影到同一个公共特征空间内;接着,利用由源域有标签样本构建的分类器进行分类;最后,利用随机梯度下降(Stochastic Gradient Descent, SGD)方法对CAFTL进行训练和参数更新,得到CAFTL的最优参数集后将参数优化后的CAFTL用于滚动轴承待测样本的故障诊断。滚动轴承故障诊断实例验证了所提出的方法的有效性。     

基于DEDS的AUV故障诊断问题研究

AUV系统作业时由于具有DEDS特性其故障诊断非常适合采用DEDS故障诊断理论来处理.首先对DEDS故障诊断基本理论和AUV的故障诊断过程进行了简要的介绍,然后以AUV均衡系统的故障诊断为例基于DEDS故障诊断理论对AUV的故障诊断过程进行了详细地分析和说明,仿真结果表明基于DEDS故障诊断理论的诊断结果和传统的基于解析模型的卡尔曼滤波器诊断方法的诊断结果相一致,证明了DEDS故障诊断理论在AUV故障诊断中的有效性.     

基于小波包去噪与PCA的故障检测与诊断方法研究

提出了一种基于小波包去噪和主元分析的故障检测和诊断方法.该方法利用小波包分解系数收缩的信号去噪法先对正常工况下的数据进行处理,然后运用T2统计、Q统计方法,结合主元得分图和变量贡献图对一模型进行了仿真研究.结果表明,该方法是有效的.     

模糊C均值聚类与K近邻算法的故障检测研究

基于K近邻的故障检测(FD-KNN)算法可以有效处理非线性、多模态的故障检测问题,但在过程故障检测中存在故障类型多、测量变量复杂等缺陷。将模糊C均值聚类(FCM)和K近邻(KNN)相结合,提出一种新的故障检测方法FCM-KNN。该方法与传统算法相比较,故障检测率有明显的提升。首先,应用FCM聚类将多模态训练集按模态聚类,同时根据样本与各聚类中心的距离比例来得到样本对于每个聚类中心的隶属度;再根据隶属度来判断样本所属模态,进而在各个模态下完成基于KNN的故障检测。通过多模态仿真实例进一步验证该方法的有效性。该方法具有检测率高、漏报和误报率低等优点,可有效提高检测效果。     

用于故障诊断试验的仿DCS操作站软件研究

石油化工的故障诊断方法是当前研究的热点问题。系统仿真技术在故障诊断系统中发挥了特殊的作用，所以建立用于故障诊断的仿真试验平台是必要的。该文提出了该仿真试验平台的结构及技术要求，说明了开发用于故障诊断试验的DCS仿真操作站软件的需要。重点论述了在Windows平台下开发DCS仿真操作站软件的方法，包括操作站软件的总体结构分析，使用统一建模语言(Unified Modeling Language，UML)对软件进行建模，以及面向对象的程序设计方法。应用该方法实现的操作站软件具有良好的性能。该仿真操作站软件已经应用于工业过程控制故障诊断方面的研究。     

基于SDG故障诊断的传感器分布优化设计

故障诊断是化工企业安全生产中一项重要的工作，其诊断方法的效率主要取决于监视过程变量传感器的配置。现有的双向图的设计方法配置过程繁琐，容易出错。针对这个问题，提出一种改进的基于SDG故障诊断的计算机程序算法来设计传感器的网络分布。通过对一个化工实例的仿真研究表明，这种改进的计算机程序算法具有效率高、信息利用量大、准确率高和简单易用的特点，为将基于SDG的故障诊断的方法应用于实际控制过程提供了一种新的途径。     

基于WP-ICA及SVM的齿轮故障诊断研究

针对旋转机械设备齿轮故障诊断问题,为全面提取反映齿轮运行状态的特征信息,提出了基于WP(小波包)与ICA(独立成分分析)相融合的特征提取及SVM(支持向量机)相适配的故障诊断方法。用小波包对信号进行分析并提取其能量特征,采用独立成分分析方法对提取的能量特征进一步优化,进而得到反映齿轮运行状态的特征向量。最后采用支持向量机对齿轮运行状态的四种类型(正常、轻微故障、中等故障、断齿故障)进行诊断评估。通过纵向比较和横向比较研究表明,所提特征提取方法较单一的小波包特征提取方法更能全面反映齿轮状态信息。采用SVM方法进行齿轮故障模式诊断,较其它方法具有更高的分类准确率,达到了很好的诊断效果。     

热轧加热炉DCS故障诊断专家系统的研究

热轧加热炉集散控制系统(DCS)从检测单元到执行机构的各个单元之间存在着错综复杂的关系,其肿大量的是因果关系。本文针对其中的因果关系,结合故障树分析法便于对事件进行分析、易于转化为专家系统中的规则知识、规则推理具有直观性和速度快的优点,从而建立故障树。然后以故障树来获取和分析知识,以产生式规则建立知识库,以规则匹配来进行推理,从而建立起步进式热轧加热炉DCS故障诊断专家系统。此方案充分利用了故障树和专家系统在故障诊断中的优势。     

信息融合技术在大型发电机故障诊断中的应用

研究大型发电机故障诊断问题,大型发电机组故障具有复杂性和多样性,单从某一方面进行故障诊断,诊断结果比较低。为提高了大型发电机故障诊断准确率,提出一种基于信息融合技术的大型发电机故障诊断方法。首先对故障特征进行提取和降维,然后采用多个支持向机对大型发电机组故障进行初步诊断,获得相互独立的证据,最后对各证据采用DS证据理论融合算法进行融合,从而实现对大型发电机故障的准确诊断。仿真结果表明,采用信息融合的故障诊断系统有效地提高了大型发电机故障的诊断精度,增加故障诊断结果的置信度。     

多层前向神经网络在柴油机故障诊断系统中的应用研究

故障诊断是计算机模式识别领域的一个活跃课题。文中提出了基于ANN的柴油机故障诊断方法,设计了适合该诊断系统的BP网络结构,并给出了一种改进的BP算法(IBP),该算法基于黄金分割法自适应调整网络学习速率。仿真结果表明:该算法比标准BP算法具有更快的学习速度和更高的学习精度,完全适用于柴油机故障诊断系统。     

基于信息增量矩阵的故障诊断方法

主元分析(Principal component analysis, PCA)是一种常用的故障检测方法,由于特征提取不准确, 在用于故障诊断时常存在误报率和漏报率较高的现象.为此,本文首先介绍了基于全局的协方差矩阵的信息增量矩阵的故障诊断方法,虽然相比PCA方法它能有效减少误报率和漏报率, 但随着采样样本的增加,会因计算得到的阈值越来越不具代表性和计算量较大等原因而影响该方法的性能.然后,建立了基于局部数据的移动窗口协方差矩阵的信息增量矩阵的故障诊断方法, 以克服上述方法中存在的不足. 该方法主要通过定义局部协方差矩阵、局部信息增量矩阵、局部信息增量均值、 局部动态阈值、异常检测与判定等过程完成.最后,通过两个数值仿真例子来验证PCA方法、 基于全局的协方差矩阵的信息增量矩阵方法以及本文方法在故障误报和漏报方面的检测效能. 实验结果表明,本文方法具有最好的检测性能.