基于进化深度学习的特征提取算法

信息全面与维数灾难的矛盾是大数据时代网络态势感知需要解决的首要难题。特征提取一直是主流的降维方法,但现有算法对高维非线性数据效果不佳;深度学习是一类具有多层非线性映射的学习算法,可以完成复杂函数的逼近,但对隐层相关参数十分敏感。针对上述问题,将进化算法的思想引入深度学习,提出了一种基于进化深度学习的特征提取算法。该算法利用遗传算法及进化策略实现全局搜索及优化的特点,并对深度学习结构及相关参数进行了优化。理论分析及实验结果都证明了该算法的有效性。     

基于小波神经网络的木材干燥窑内传感器建模研究

针对木材干燥系统具有非线性、强耦合的特性,难以建立准确的数学模型,提出一种基于小波神经网络的建模方法。通过木材干燥窑内木材含水率传感器、温度传感器和湿度传感器采集的数据建立小波神经网络模型,并通过模型预测木材含水率传感器的测量值。小波神经网络将BP神经网络在非线性问题上自学习的能力与小波表征信号局部信息的能力相结合,具有很强的自适应分辨性和容错能力。利用实际木材干燥过程中采集的数据作为训练样本进行仿真实验。结果表明：小波神经网络方法建立的模型能够预测木材含水率传感器的测量值,模型泛化能力强,预测精度高于BP神经网络建立的模型,验证了小波神经网络对木材干燥窑内传感器建模的可行性和有效性。     

分解组合模型在短期燃气预测中的应用

在对城市燃气负荷数据特性进行分析的基础上,提出了针对城市燃气负荷量短期预测的思想即分解-组合预测模型,同时提出了三种分解方法对分解-组合预测模型进行了验证.首先在建模之前运用数据挖掘的方法对原始数据集进行了离群点挖掘与修正;其次,为了验证准确性,将三种方法的预测结果与其他单一、组合模型预测结果进行对比;最后为了验证该模型的有效性、适用性,对特殊日期、天气和其另一组燃气负荷量数据集进行了建模和预测,通过对预测值和实际值的误差分析,实验结果进一步验证了分解-组合模型的适应性和准确性.     

基于FP-Tree 的快速选择性集成算法

选择性集成通过选择部分基分类器参与集成,从而提高集成分类器的泛化能力,降低预测开销.但已有的选择性集成算法普遍耗时较长,将数据挖掘的技术应用于选择性集成,提出一种基于FP-Tree(frequent pattern tree)的快速选择性集成算法:CPM-EP(coverage based pattern mining for ensemble pruning).该算法将基分类器对校验样本集的分类结果组织成一个事务数据库,从而使选择性集成问题可转化为对事务数据集的处理问题.针对所有可能的集成分类器大小,CPM-EP算法首先得到一个精简的事务数据库,并创建一棵FP-Tree树保存其内容;然后,基于该FP-Tree获得相应大小的集成分类器.在获得的所有集成分类器中,对校验样本集预测精度最高的集成分类器即为算法的输出.实验结果表明,CPM-EP算法以很低的计算开销获得优越的泛化能力,其分类器选择时间约为GASEN的1/19以及Forward-Selection的1/8,其泛化能力显著优于参与比较的其他方法,而且产生的集成分类器具有较少的基分类器.     

基于输变电设备风险评估的维修决策*

针对目前输变电设备的维修技术,将风险评估引入输变电设备的维修决策中,建立了基于风险评估的维修方法,应用于输变电设备的基本技术框架。从经济风险和系统风险两方面出发,分别得到设备量化的各个风险指标。通过对系统风险进行经济性量化,将输变电设备故障造成的系统后果可以由相应的系统严重度来表示。最后的算例分析验证了该方法能够更加全面科学地评估风险,更加快速有效地进行维修决策。     

基于IGA-BPNN的水电站厂房振动响应预测

为实现水电站厂房结构振动的整体运行状态智能预测,解决多振源耦合与振动响应随机性等问题,以某一河床式水电站厂房振动响应为例,提出了一种基于IGA-BPNN的水电站厂房振动响应预测模型。首先利用IGA对BPNN初始权重值和阈值进行优化,充分发挥IGA高效并行、全局搜索的特点,再通过BPNN网络训练得到结构振动位移预测值。原型观测实例表明,测点振动位移预测值的最大相对误差不超过11%;IGA-BPNN模型与其他模型相比,在预测精度和收敛性能等方面有了明显提升,说明该预测方法有效,可为其他类型水电站的振动研究提供参考。     

稀疏受限玻尔兹曼机研究综述

人类的视觉系统采用稀疏编码方式来描述被感知的图像特征,而稀疏表示被认为是图像特征最合理而且有效的表示形式。由于受限玻尔兹曼机具有强大的无监督学习能力,所以它被用于深度学习中。将多个稀疏受限玻尔兹曼机堆叠起来,不仅可以模拟大脑的分层结构,还可以学习到图像更加抽象的特征信息。因此,采用受限玻尔兹曼机获得图像特征的稀疏表示在人工智能领域得到了广泛的关注。首先介绍了受限玻尔兹曼机的基础知识,紧接着阐述了稀疏化的原因,并描述了稀疏受限玻尔兹曼机的优点。然后,文章详细介绍了稀疏受限波尔兹曼机的国内外研究现状。最后总结了目前研究中存在的问题及将来的发展方向。     

基于TPLBP/HOG特征与DBN深度模型的人脸识别研究

针对传统人脸识别方法所提取的人脸信息特征较为单一,且分类算法存在局限性的问题,在多特征信息融合的基础上结合深度信念网络(DBN)对人脸进行深度训练并进行识别。首先采取对比度受限自适应均衡化对人脸图像进行预处理,从而削弱光照对人脸识别的影响;然后,将提取到的人脸图像的TPLBP纹理特征和HOG结构特征进行特征融合,得到信息互补的融合特征;最后,将降维后的融合特征作为DBN的输入,通过对DBN深度模型的参数的动态搜索确定最佳值后,基于训练好的深度信念网络实现人脸图像样本的识别。以ORL、AR和Yale-B人脸数据库为基础进行试验,试验结果表明本文方法相较于传统的SVM、KNN和DBN算法准确率有很大提高,鲁棒性强。     

基于Gabor滤波器和深度学习的图像检索方法

针对图像数据库日渐庞大的问题,研究了将特征提取与深度学习相结合进行图像检索的方法,提出了基于Gabor小波变换和受限玻尔兹曼机(RBM)的特征提取和降维模型.将整幅图像划分成局部图像块,利用Gabor滤波器组提取图像特征,通过RBM对特征进行学习和编码,从而实现图像特征的降维处理.采用基于深度信念网络(DBN)和Softmax分类器的图像检索算法,利用Corel图像库进行新方法的图像检索实验,并与其他两种方法进行比较.结果表明,本文方法在准确率、查全率和检索时间上均具有较好的性能,能得到更好的图像检索结果.