检索结果-内蒙古大学图书馆

计算机工程与应用 2020年第14期56卷 257-263页

作者：夏国恩唐琪张显全广西师范大学计算机科学与信息工程学院广西桂林541000 广西财经学院工商管理学院南宁530000

针对在传统的客户流失预测数据预处理中,使用one-hot编码处理离散属性导致数据维度增加及数据过于稀疏的问题,提出了两种基于多层感知机的改进后的客户流失预测模型。其主要思想是分别使用堆叠自编码器和实体嵌入两种方法对多层感知机... 详细信息

针对在传统的客户流失预测数据预处理中,使用one-hot编码处理离散属性导致数据维度增加及数据过于稀疏的问题,提出了两种基于多层感知机的改进后的客户流失预测模型。其主要思想是分别使用堆叠自编码器和实体嵌入两种方法对多层感知机进行改进,通过将离散属性的高维编码数据向低维空间映射,有效地减少了one-hot编码产生的稀疏数据,增加了离散属性值之间的关联度。在对两份公开的数据集进行交叉验证后的实验结果表明,改进后的模型既有效地提高了预测的准确度,又维持了传统多层感知机模型在并行化计算方面的优势。

关键词：客户流失多层感知机离散属性堆叠自编码器实体嵌入映射

来源：评论

学校读者我要写书评

暂无评论

引入并行门控单元和注意力机制的SAE-LSTM软测量算法

引用

控制工程 2024年

作者：张帅赵忠盖刘飞江南大学自动化研究所

在以堆叠自动编码器为基础的软测量方案中，仅考虑原始辅助变量间相关性，无法提取不同时刻辅助变量间动态信息，特征提取不充分，限制了模型精度。本文提出一种改进的堆叠自动编码器长短时记忆混合网络软测量算法，兼顾辅助变量间的相... 详细信息

在以堆叠自动编码器为基础的软测量方案中，仅考虑原始辅助变量间相关性，无法提取不同时刻辅助变量间动态信息，特征提取不充分，限制了模型精度。本文提出一种改进的堆叠自动编码器长短时记忆混合网络软测量算法，兼顾辅助变量间的相关性和动态特性。首先，利用并行化思想和门控单元设计堆叠自动编码器中的编码器，构成并行门控堆叠自动编码器，提升模型表达能力，并消除输入中的冗余；之后，将注意力机制与长短时记忆网络集成，自适应地为长短时记忆网络的输出序列分配权重系数，计算输出序列的表征向量，提高模型捕捉辅助变量序列间动态特性的能力；最后，利用获得的表征向量对质量变量进行预测。本文在青霉素发酵过程数据集上，对所提软测量算法进行训练和测试，并与其他模型进行对比，结果表明所提模型具有较高精度。

关键词：软测量长短时记忆网络注意力机制深度学习堆叠自编码器

来源：评论

学校读者我要写书评

暂无评论

基于SAE-DBN的联合收割机液压系统运行状态监测

引用

液压与气动 2022年第4期46卷 59-70页

作者：姜洪远杨光友刘浪刘威宏湖北工业大学农机工程研究设计院湖北武汉430068 湖北省农机装备智能化工程技术研究中心湖北武汉430068

液压系统是联合收割机重要的组成系统之一,针对收割机液压系统故障特征提取困难以及多种故障场景下的预警准确率低等问题,提出了一种基于堆叠自编码器和深度信念神经网络融合(SAE-DBN)的联合收割机液压系统运行状态监测方法。在SAE-DBN... 详细信息

液压系统是联合收割机重要的组成系统之一,针对收割机液压系统故障特征提取困难以及多种故障场景下的预警准确率低等问题,提出了一种基于堆叠自编码器和深度信念神经网络融合(SAE-DBN)的联合收割机液压系统运行状态监测方法。在SAE-DBN模型训练过程中,依次训练AE层和RBM层并堆叠,分别得到SAE和DBN,再将SAE和DBN进行连接并微调模型参数。将液压系统中关键部位的参数作为SAE-DBN的输入,进行二次特征提取,然后对液压系统的运行状态进行分类。雷沃GM80型联合收割机的作业运行试验表明:基于SAE-DBN联合收割机液压系统运行状态监测的准确率达到了91.88%,与SAE和BP神经网络等方法相比分别提高了3.82%和8.09%,为液压系统故障诊断提供了一种新的思路。

关键词：联合收割机液压系统运行状态监测堆叠自编码器深度信念神经网络特征提取

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的表观遗传学单元预测方法研究

基于深度学习的表观遗传学单元预测方法研究

引用

作者：付来义西安交通大学

学位级别：博士

人类细胞的遗传物质主要位于DNA中,当DNA序列不改变的情况下,基因表达受到诸多其他因素的影响,发生可遗传性的调控,即称为表观遗传机制。随着高通量测序技术的进步,大规模多样化表观遗传学数据的产生,促使人们进一步加深对表观遗传学的... 详细信息

人类细胞的遗传物质主要位于DNA中,当DNA序列不改变的情况下,基因表达受到诸多其他因素的影响,发生可遗传性的调控,即称为表观遗传机制。随着高通量测序技术的进步,大规模多样化表观遗传学数据的产生,促使人们进一步加深对表观遗传学的研究,也让研究人员对由其引发的重大疾病(如癌症等)的发病机理有了更深层次的认识。如何利用这些海量数据,明确的发现并预测出表观遗传相关单元并进一步探索它们和疾病之间的联系在近些年已成为生命科学界面临的重大挑战也是重要研究方向之一。得益于深度学习技术在大数据上的应用,越来越多的研究者将其应用到生物信息领域并取得了超越传统方法的效果提升。本文利用深度学习技术,针对表观遗传学相关单元研究中,甲基化位点状态预测,小RNA(miRNA)和疾病关联性预测,单细胞转录因子结合位点预测,三个方面的预测方法进行研究,主要成果如下: 1)针对甲基化状态预测,提出了一种多数据融合的双模块深度学习预测方法。该方法针对单一数据不足,预测精度不高的问题,利用序列信息、表观遗传中组蛋白信息还有甲基化测序数据,使用多核卷积神经网络以及多层全连接神经网络分别提取高阶特征,进而对甲基化位点状态进行预测。该方法在两个真实的测序数据集中进行测试,从多个对比实验中验证了其准确的预测性能,有效地提升了甲基化状态预测精度。另外通过对卷积核在不同甲基化状态下以及不同功能区域中和生物学模体的比对分析,进一步验证了模型的可解释性,为分析甲基化状态提供了一种全新的视角。 2)针对miRNA-疾病关联性预测,提出了一种基于堆叠的自编码器的深度学习关系预测方法。该方法首次从6个数据集中融合miRNA与疾病相关的多源异构关联性数据,设计两个堆叠的自编码器分别进行miRNA和疾病之间的高阶非线性关系捕捉,然后通过全连接网络将高阶特征融合,最终预测miRNA和疾病之间潜在的关联性,预测结果在真实的数据库中通过案例分析得到了验证,该方法显著改善了miRNA和疾病关联性预测精度不高的问题。此外,将该方法进一步拓展至miRNA、疾病以及表观遗传因子三者关系的关联性预测并取得良好结果。最后利用该模型预测结果开发了基于Web的查询网站提供给研究者进行查询,为生物学家在miRNA-疾病关联性问题研究上提供进一步的数据支持。 3)针对单细胞转录因子绑定的预测,提出了一种利用群体细胞信息预测单细胞转录因子绑定的深度学习方法。利用近些年生物学家发现的染色质可接近性数据可以用来研究转录因子结合位点这一特性,建立一种首先利用群体细胞数据预训练转录因子结合位点,进而迁移应用在单细胞数据上的预测模型。该模型利用DNA序列以及ATAC-seq数据,使用基于卷积网络的深度学习模型预测转录因子结合位点,并利用预测的转录因子信息计算每个单细胞内活跃度值,从而对众多单细胞进行聚类分析,通过转录因子活跃度进行聚类分析还发现了一些不同细胞分化发展中的差异。实验结果表明,该方法在单细胞转录因子预测以及单细胞聚类上都具有较好的表现,同时克服了单细胞研究中的数据稀疏性以及批效应的问题。该方法在单细胞转录因子预测上提出了一种全新的方式。

关键词：甲基化 miRNA 卷积神经网络堆叠自编码器转录因子结合位点

来源：评论

学校读者我要写书评

暂无评论

基于SVD和SAE的医学图像多功能零水印算法

引用

电信科学 2017年第11期33卷 102-111页

作者：赵彦霞孙洁丽周增慧邢胜河北经贸大学信息技术学院河北石家庄050061 河北大学管理学院河北保定071002 河北经贸大学教务处河北石家庄050061 沧州师范学院计算机科学与工程学院河北沧州061001

针对医学图像的版权保护和篡改定位问题,提出了一种多功能零水印算法。获取构造零顽健水印和半脆弱水印的信息矩阵,并分别与原始顽健和半脆弱水印进行异或运算,构造零顽健和零半脆弱水印图像。实验结果证明,提取的水印效果较好,算法能... 详细信息

针对医学图像的版权保护和篡改定位问题,提出了一种多功能零水印算法。获取构造零顽健水印和半脆弱水印的信息矩阵,并分别与原始顽健和半脆弱水印进行异或运算,构造零顽健和零半脆弱水印图像。实验结果证明,提取的水印效果较好,算法能很好地抵抗常见攻击,特别是抵抗强度较大的攻击的效果较好。

关键词：医学图像多功能零水印离散小波变换奇异值分解堆叠自编码器

来源：评论

学校读者我要写书评

暂无评论

深度神经网络在电力工业建模中的应用

深度神经网络在电力工业建模中的应用

引用

作者：张皓华北电力大学(北京)

学位级别：博士

近年来,中国的电力工业生产水平达到了前所未有的高度。在构建能源互联网的大背景下,电力工业朝着高度信息化和智能化的方向发展,在发电环节中产生了大量的生产、运行、控制等数据。这些数据已经呈现出了海量、多源、异构、高维等主要... 详细信息

近年来,中国的电力工业生产水平达到了前所未有的高度。在构建能源互联网的大背景下,电力工业朝着高度信息化和智能化的方向发展,在发电环节中产生了大量的生产、运行、控制等数据。这些数据已经呈现出了海量、多源、异构、高维等主要特征。大数据的累积为生产技术的发展注入了新的活力,但是同样也带来巨大的挑战。传统的浅层神经网络由于表征能力有限,无法充分挖掘大数据中蕴含的信息。本文通过构造合适的深度神经网络结构,充分发掘电力工业过程大数据中的有效信息,基于此发展适用于电力工业过程的深度神经网络框架。围绕此目标,本文主要进行以下工作:(1)深入研究深度神经网络中的监督学习、无监督学习算法。针对监督学习中常用的优化算法,即梯度下降算法的三种形式:批量梯度下降算法、随机梯度下降算法及小批量梯度下降算法进行详细分析,并采用非线性函数拟合实例进行仿真验证。在此基础上,针对单一监督学习在深度神经网络训练中存在的问题,提出适用于深度神经网络的无监督学习与有监督学习相结合的训练算法,算法性能通过多个仿真实例进行验证。(2)建立适用于大型火力发电超超临界机组的堆叠自编码器模型。针对具有多变量、大惯性、高非线性特性的超超临界燃煤发电机组,采用堆叠自编码器模型进行精确建模。为减缓原始数据中异常值的存在给建模带来的不良影响,设计基于最大相关熵的代价函数。(3)建立适用于大型火力发电超超临界机组的堆叠降噪自编码器+长短期记忆网络模型。考虑到超超临界机组大迟延、大惯性等典型特性,以及实际数据中存在噪声等问题,进一步建立堆叠降噪自编码器与长短期记忆网络叠加的深度神经网络模型。在该模型中,堆叠式降噪自编码器负责对带噪声输入数据的处理,而长短期记忆网络负责产生最终的输出。为保证网络的收敛性,利用李雅普诺夫稳定性方法确定合理的附加噪声强度。(4)建立适用于新能源发电过程风速预测的深度神经网络模型。针对具有较强波动性及间歇性的风速,构建堆叠降噪自编码器与长短期记忆网络结合的预测模型。针对网络输入数据选择问题,采用基于互信息的特征选择方法。其次,利用风电场运行日志中的实时大数据,采用堆叠式降噪自编码器对原始数据进行逐层特征提取,并采用长短期记忆网络生成最终的输出。

关键词：电力工业过程深度神经网络超超临界机组风速预测堆叠自编码器长短期记忆网络

来源：评论

学校读者我要写书评

暂无评论

基于改进的深度信念网络的人脸表情识别

引用

计算机工程与设计 2017年第6期38卷 1580-1584,1601页

作者：黄寿喜邱卫根广东工业大学计算机学院广东广州510006

针对目前人脸表情识别鲁棒性较差的问题,提出一种结合改进的深度信念网络DBNs(deep belief networks)和堆叠自编码器SAE(stacked Auto-encoder)的人脸表情识别方法。采用改进的深度信念网络作为提取人脸表情特征的检测器,堆叠自编码器... 详细信息

针对目前人脸表情识别鲁棒性较差的问题,提出一种结合改进的深度信念网络DBNs(deep belief networks)和堆叠自编码器SAE(stacked Auto-encoder)的人脸表情识别方法。采用改进的深度信念网络作为提取人脸表情特征的检测器,堆叠自编码器作为识别表情的分类器,实现在人脸表情识别研究中深度信念网络与堆叠自编码器的结合。在JAFFE(Japanese female facial expression)数据库和CK+(extended Cohn-Kanade)数据库上的人脸表情的识别率有明显提高,该方法可以较准确地识别人脸表情。

关键词：人脸表情识别深度信念网络堆叠自编码器检测器分类器鲁棒性

来源：评论

学校读者我要写书评

暂无评论

Kinect骨骼运动数据的优化方法研究

Kinect骨骼运动数据的优化方法研究

引用

作者：杨晶合肥工业大学

学位级别：硕士

人体骨骼运动数据在游戏设计、影视制作、体育训练和医疗康复等领域得到了广泛的应用。人们可通过高精度运动捕获系统,如Vicon光学运动捕捉系统和Xsens传感器运动捕捉系统等来获得人体骨骼运动数据,这些高精度运动数据采集设备获得的人... 详细信息

人体骨骼运动数据在游戏设计、影视制作、体育训练和医疗康复等领域得到了广泛的应用。人们可通过高精度运动捕获系统,如Vicon光学运动捕捉系统和Xsens传感器运动捕捉系统等来获得人体骨骼运动数据,这些高精度运动数据采集设备获得的人体骨骼运动数据节点信息丰富并且精度较高,然而其价格昂贵且穿戴不便,难以普及使用。深度相机Kinect可以实时获取人体骨骼运动数据,其价格低廉、易于使用,但其获取的运动数据仅含25个骨骼节点并且含有大量的噪声。若可以对Kinect采集到的运动序列进行优化处理,使其数据精度达到动捕级别,那么将大大降低高精度运动数据的获取成本。本文针对Kinect骨骼运动数据优化问题,提出了一种基于堆叠自编码器实现Kinect骨骼运动数据动捕化的算法,并基于该算法设计并实现了面向Kinect的高精度运动数据采集系统。该方法的特点在于能够去除Kinect运动数据噪声,提升Kinect运动数据细节层次,并且能够对Kinect长序列稳定处理。本文的具体内容包括:1)提出一种可对长序列进行处理的堆叠自编码器及其训练方法。该网络由堆叠双向循环自编码器与感知自编码器组成,网络使用配对的Kinect和动捕数据片段进行训练,在训练过程中对堆叠双向循环自编码器中每个双向循环自编码器的输出施加均方误差约束、骨骼长度约束以及平滑性约束,并对感知自编码器的隐藏单元施加隐变量约束。实验结果表明,提出的堆叠自编码器输出的运动结构合理,平滑自然,可以有效去除Kinect数据的噪声,提升Kinect运动数据细节层次。2)利用所提的堆叠自编码器优化算法,实现了面向Kinect v2.0的高精度运动数据采集系统。系统通过可变滑动窗口的方式实现对运动数据长序列的处理,每个运动片段依次输入网络,取网络输出数据的中间帧作为最终优化后数据。系统利用Kinect SDK中的运动识别工具实现数据的实时采集,并通过UDP本机通信实现数据在展示端和计算端的数据传输,可将实时采集的Kinect数据转换为高精度动捕数据进行保存,实现基于低精度便捷设备获取高精度运动数据的目的。

关键词： Kinect 数据优化堆叠自编码器滑窗处理

来源：评论

学校读者我要写书评

暂无评论

基于SAE和CNN的滚动轴承故障诊断方法研究

基于SAE和CNN的滚动轴承故障诊断方法研究

引用

作者：龙云瑶东华大学

学位级别：硕士

随着智能制造行业的兴起,现有工业系统逐渐趋于复杂化和大型化。在当今工业大数据的背景下,如何通过智能化的故障诊断技术及时对系统的运行状态和可能的异常情况做出判断,进而在早期规避风险,保障工业设备的安全性逐年成为相关领域的研... 详细信息

随着智能制造行业的兴起,现有工业系统逐渐趋于复杂化和大型化。在当今工业大数据的背景下,如何通过智能化的故障诊断技术及时对系统的运行状态和可能的异常情况做出判断,进而在早期规避风险,保障工业设备的安全性逐年成为相关领域的研究热点。传统的诊断方法需要建立复杂的数学模型或依赖于丰富的专家经验,在实施过程中往往面临效率低下、难以实现的问题。因此,只需通过对大量的历史数据的处理即可完成诊断的数据驱动的故障诊断算法成为了现下研讨的主流。现今,支持向量机(Support Vector Machines,SVM)等机器学习方法凭借其在自动数据提取方面的优势,迅速在数据驱动的故障诊断方法中占据了重要的比重。但这些算法不仅在参数选择上仍然受制于专家知识和诊断经验,也因提取的特征仅适用于特定的问题而凸显出泛化能力不达标的缺陷。深度学习的出现,很好的缓解了上述问题,自编码网络(Auto Encoders,AE)、卷积神经网络(Convolutional Neural Networks,CNN)等深度学习算法都已逐渐在故障诊断领域占领了一席之地。但现有的这些故障诊断方法多是应用于故障诊断数据充足且均衡的理想情况,而在工业大数据的环境下,训练数据集时常面临数据不充足不均匀、分类情况复杂等现实问题,目前已有的这些模型在应对难以处理的数据集时,往往达不到需要的诊断精度。基于此,本文对现有的基于AE的故障诊断模型做出改进,并将改进后的算法与SVM、CNN等代表性的算法巧妙结合。实验表明最终提出的新的故障诊断模型在提升诊断精度的同时保证了诊断的效率。本文的主要研究工作和创新点如下。1)针对故障类型复杂且样本数据不足的情况,提出了一种基于改良的堆叠自编码器(Stacked Auto Encoder,SAE)和差分进化(Differential Evolution,DE)算法优化的SVM的故障诊断方法。该方法首先在SAE的顶层添加了一个带Softmax分类器的小型反向传播神经网络(Back Propagation Neural Network,BPNN)作为对原有的SAE的改进,然后使用改良后的SAE对故障诊断数据做特征提取。最后将提取后的特征数据输入SVM,利用SVM分类速度快、不需要大量样本进行训练的优点,完成整个故障诊断。需要特别说明的是,在训练SVM时,使用DE算法自动优化SVM的重要参数,以避免在参数选择问题上受到专家经验的影响。模拟实验选取的数据集具有故障类型繁多且样本不充足的特点,测试结果证实该方法在不影响故障诊断效率的前提下,有效地提升了诊断的精度。2)基于改良的SAE和DE算法优化的SVM的故障诊断方法取得了良好的效果,但对比实验的结果表明,现有的应用广泛的故障诊断算法中,CNN的分类精度明显优于SVM等传统的机器学习,然而CNN的分类精度同样极易受到非理想状况的数据集的影响。因此,为了在面临复杂的数据问题时更好地发挥CNN在分类上的优势,通过将CNN与前置的高效的数据处理模块结合来构成一种新的故障诊断模型是一个可行的研究方向。基于此,提出了一种基于一维数据增强和CNN的故障诊断方法。该方法首先将一维的振动信号数据作为训练数据集输入用带Softmax分类器的BPNN优化的SAE,再将训练完成后的SAE的解码器的输出和原数据集合并,合并后的数据集即为增强后的训练数据集。该增强数据集再直接转换为二维图片数据集,用于训练CNN。训练后的CNN使用未增强的测试数据集转换成的二维图片进行性能测试。实验过程中,选取的数据集具有故障类型繁多并且每一类型的故障样本数据不足的特征。实验结果表明,提出的模型在提高故障诊断精度的同时也兼顾了运行效率。

关键词：故障诊断堆叠自编码器支持向量机差分进化算法卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的IGBT驱动电路早期故障诊断方法

基于深度学习的IGBT驱动电路早期故障诊断方法

引用

作者：李晨晨合肥工业大学

学位级别：硕士

IGBT作为电力电子重要的电子元器件,同时作为电能变换的核心器件,涵盖了从几十瓦到几十兆瓦的电力电子应用。目前IGBT已经广泛应用于消费类电器、工业控制、轨道牵引、新能源发电、高压直流输电等领域,因此提高IGBT的可靠性和稳定性尤... 详细信息

IGBT作为电力电子重要的电子元器件,同时作为电能变换的核心器件,涵盖了从几十瓦到几十兆瓦的电力电子应用。目前IGBT已经广泛应用于消费类电器、工业控制、轨道牵引、新能源发电、高压直流输电等领域,因此提高IGBT的可靠性和稳定性尤为重要。本文从IGBT驱动电路的早期故障诊断着手,对于IGBT的运行状态评估、故障诊断的速度具有重大意义。对IGBT驱动电路进行早期故障诊断,针对各种重要参数的变化判断故障类型,形成的数据信息能够作为状态判断的依据,做到及时的精准维修。同时可以延长系统的使用寿命,减少设备的保养费用,从而实现经济型维护,对于提高整个系统的可靠性和安全性至关重要。本文提出了一种基于深度学习的IGBT驱动电路早期故障诊断方法。首先,应用蒙特卡罗方法提取被测电路时域响应信号作为样本数据;然后,由于现有的故障诊断方法对早期故障特征提取的效果不是很理想。本文利用深度学习中的堆叠自编码器(Stacked Auto-encoder,SAE)在提取数据本质特征方面的优势,采用SAE对样本数据进行特征提取,SAE中每个AE的学习率都采用量子粒子群(Quantum-behaved Particle Swarm Optimization,QPSO)算法进行优化处理。此外,对于采用SAE提取的特征信息,我们应用多分类相关向量机(Multi-class Relevance Vector Machine,RVM)对得到的特征建立早期的故障诊断模型。由于RVM中的核函数宽度对诊断效果有着重要的影响,该文采用量子粒子群算法(QPSO)对上述参数进行优化生成。实验结果表明,深度学习方法能有效地对IGBT驱动电路早期故障的本质特征进行提取,在此基础上,对于IGBT驱动电路的早期故障多分类RVM可以实现100%的诊断准确率。

关键词： IGBT驱动电路早期故障诊断深度学习堆叠自编码器量子粒子群算法多分类相关向量机

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：