检索结果-内蒙古大学图书馆

浙江工业大学学报 2015年第3期43卷 326-331页

作者：陈国定姚景新洑佳红浙江工业大学信息工程学院浙江杭州310023

为有效评估尾矿库的安全状况,针对尾矿库数据的随机波动性、非线性和多数据源的特点,采用堆栈式自编码器算法对尾矿库进行安全评价.基于多层结构、稀疏性限制,该算法采用贪心逐层训练策略对网络权值进行优化,进而对尾矿库进行安全评价.... 详细信息

为有效评估尾矿库的安全状况,针对尾矿库数据的随机波动性、非线性和多数据源的特点,采用堆栈式自编码器算法对尾矿库进行安全评价.基于多层结构、稀疏性限制,该算法采用贪心逐层训练策略对网络权值进行优化,进而对尾矿库进行安全评价.结合淳安某尾矿库的数据进行了安全评价的仿真实验,结果表明:堆栈式自编码器算法能克服多层网络结构权值易陷入局部最小值的缺陷,有效刻画数据的非线性和随机波动性,具备良好的评价准确率.

关键词：堆栈式自编码器尾矿库安全评价稀疏性

来源：评论

学校读者我要写书评

暂无评论

基于低秩堆栈式语义自编码器的零样本学习

引用

计算机应用研究 2023年第2期40卷 539-543页

作者：冉瑞生董殊宏李进王宁重庆师范大学计算机与信息科学学院重庆401331

在图像分类领域,现有的深度学习等方法在训练时需要大量有标注的数据样本,且无法识别在训练阶段未出现的类别。零样本学习能有效缓解此类问题。本研究基于堆栈式自编码器和低秩嵌入,提出了一种新的零样本学习方法,即基于低秩嵌入的堆栈... 详细信息

在图像分类领域,现有的深度学习等方法在训练时需要大量有标注的数据样本,且无法识别在训练阶段未出现的类别。零样本学习能有效缓解此类问题。本研究基于堆栈式自编码器和低秩嵌入,提出了一种新的零样本学习方法,即基于低秩嵌入的堆栈语义自编码器(low-rank stacked semantic auto-encoder,LSSAE)。该模型基于编码-解码机制,编码器学习到一个具有低秩结构的投影函数,用于将图像的视觉特征空间、语义描述空间以及标签进行连接;解码阶段重建原始视觉特征。并通过低秩嵌入,使得学习到的模型在预见未见类别时能共享已见类的语义信息,从而更好地进行分类。本研究在五个常见的数据集上进行实验,结果表明LSSAE的性能优于已有的零样本学习方法,是一种有效的零样本学习方法。

关键词：图像分类零样本学习堆栈式自编码器低秩嵌入

来源：评论

学校读者我要写书评

暂无评论

基于低秩堆栈式语义自编码器的零样本学习及其应用

基于低秩堆栈式语义自编码器的零样本学习及其应用

引用

作者：董殊宏重庆师范大学

学位级别：硕士

场景识别是指对整体图像所属场景进行识别的技术,作为图像识别领域的重要分支而得到了广泛的应用。目前此技术主要通过神经网络完成,但一方面由于场景种类繁多复杂,不可能在训练中见过所有场景类别;另一方面,这些方法都需要大量的训练样... 详细信息

场景识别是指对整体图像所属场景进行识别的技术,作为图像识别领域的重要分支而得到了广泛的应用。目前此技术主要通过神经网络完成,但一方面由于场景种类繁多复杂,不可能在训练中见过所有场景类别;另一方面,这些方法都需要大量的训练样本,而且也只能预测在训练中已见过的类别。现实中,收集大量的训练样本需要较高的成本,并且每次为新出现的类别重新训练模型所需代价较高。零样本学习的提出,能有效缓解此类问题。零样本学习旨在迁移训练中学到的知识,从而预测在训练过程中未出现过的类别。因此本研究使用零样本学习方法,通过已知场景,来识别未知的场景。本研究对场景识别技术和现有的零样本学习中领域漂移进行相应研究,具体研究成果如下。(1)提出基于低秩堆栈式语义自编码器的零样本学习方法。针对领域漂移问题,本研究提出堆栈式语义自编码器结构,编码器连接图像特征空间、语义空间和标签,解码器重建图像原始特征。另外通过低秩嵌入的约束,可以转移已见类与未见类之间共享的语义信息,从而能更好的将已见类学习到的知识迁移到未见类上。(2)使用所提方法在零样本学习常用的5个基准数据集上进行了实验,通过对比实验,与现有的最新方法进行比对,结果表明所提方法在4个数据集上的准确率都有不同程度的提升,在SUN、CUB、AWA1和AWA2上准确率分别为64.0%、58.1%、81.8%与81.3%,证明了所提方法在分类任务上的优越性;另外还通过消融性实验、构建混淆矩阵和t-SNE算法等可视化分析和参数分析等实验,从不同方面验证了所提方法的有效性。(3)将所提方法应用到场景识别领域中,最终以Python为主要编程语言,My SQL为数据库,设计并实现了一个基于零样本学习的场景识别系统。该系统主要包括用户管理模块、场景识别、场景检索模块及日志管理模块四个功能模块,测试并展示了不同图像所属场景的识别效果,证明了所提方法在实际场景中的实用性。

关键词：图像分类场景识别零样本学习堆栈式自编码器低秩嵌入

来源：评论

学校读者我要写书评

暂无评论

基于Deep CG的肺部电阻抗成像方法

引用

中国生物医学工程学报 2023年第2期42卷 148-157页

作者：王子辰付荣张新宇王迪陈晓艳天津科技大学电子信息与自动化学院天津300222

针对电阻抗图像重建空间分辨率不足问题,基于深度学习理论提出一种共轭梯度快速预重建与深度堆栈式自编码器后处理的电阻抗成像方法(Deep CG)。该方法的核心思想是:融合数值重建算法与深度学习算法,使胸腔内肺部的结构和电导率分布更加... 详细信息

针对电阻抗图像重建空间分辨率不足问题,基于深度学习理论提出一种共轭梯度快速预重建与深度堆栈式自编码器后处理的电阻抗成像方法(Deep CG)。该方法的核心思想是:融合数值重建算法与深度学习算法,使胸腔内肺部的结构和电导率分布更加精准。首先采用共轭梯度算法进行图像预重建,获得边界电压与胸腔内部电导率分布的预映射关系;再采用深度堆栈式自编码器,将编码和解码层级连接,充分利用不同空间特征信息,实现特征提取和图像重建;最后根据公开的80名临床患者的CT结构图像构建了数据集,采用混合式监督训练方法调参,不仅避免了深度网络中信息流和梯度流弥散问题,而且优化了算法模型。采用图像相对误差、相关系数进行量化指标评价,并与常用的数值图像重建算法和全连接神经网络模型进行对比。结果显示,Deep CG算法的比常用图像重建算法图像和全连接神经网络模型相对误差从0.50和0.24降低到0.11,相关系数由0.80和0.90提高到0.96。该方法获得了空间分辨率高,尤其边界更清晰的电阻抗图像,有望进一步推动EIT技术在临床的应用研究。

关键词：电阻抗成像堆栈式自编码器深度学习图像重建共轭梯度

来源：评论

学校读者我要写书评

暂无评论

基于NIRS的小麦不完善粒精确快速评定方法研究

引用

中国粮油学报 2024年第12期39卷 195-200页

作者：马洪娟冀定磊赵殿仁卢函姝王敏欣中化现代农业有限公司北京100069

小麦不完善粒是评价小麦品质的重要指标。目前小麦不完善粒的检验在我国主要依靠人工识别实现,存在结果不客观、重复性差、效率低、工作量大的缺陷。近红外是一种可同时分析多组分的无损检测技术,有望取代人工识别,实现小麦不完善粒的... 详细信息

小麦不完善粒是评价小麦品质的重要指标。目前小麦不完善粒的检验在我国主要依靠人工识别实现,存在结果不客观、重复性差、效率低、工作量大的缺陷。近红外是一种可同时分析多组分的无损检测技术,有望取代人工识别,实现小麦不完善粒的快速、准确、自动化检测。本研究以中国不同地区不同品种的2169粒小麦样品为对象,在运动条件下采集其近红外漫反射光谱,并使用一种线性判别算法:判别式偏最小二乘法(PLS-DA)和一种深度学习算法:堆栈式自编码器(SAE)对小麦不完善粒情况进行识别,研究旨在探索快速、准确判别小麦不完善粒的近红外方法的可行性。PLS-DA模型使用联合区间间隔偏最小二乘法(SiPLS)优化,其校正和验证的平均识别准确率分别为88.41%和86.62%。SAE模型采用双隐藏层的神经网络结构,SAE模型的校正和验证的平均识别准确率分别为92.52%和90.52%。结果表明:SAE的多层神经网络结构较好地学习了小麦的光谱特征,因而比PLS-DA模型具有更好的识别性能。

关键词：近红外小麦不完善粒判别式偏最小二乘堆栈式自编码器

来源：评论

学校读者我要写书评

暂无评论

面对高光谱影像分类的半监督阶梯网络

引用

测绘科学技术学报 2017年第6期34卷 576-581页

作者：刘冰余旭初张鹏强谭熊魏祥坡信息工程大学河南郑州450001

提出一种半监督阶梯网络用于对高光谱影像进行分类,以解决小样本条件下基于堆栈式自编码器的高光谱影像分类方法分类精度不高的问题。首先,该网络以堆栈式自编码器为基础,在编码器和解码器之间增加横向连接参数构建阶梯网络,以使网络适... 详细信息

提出一种半监督阶梯网络用于对高光谱影像进行分类,以解决小样本条件下基于堆栈式自编码器的高光谱影像分类方法分类精度不高的问题。首先,该网络以堆栈式自编码器为基础,在编码器和解码器之间增加横向连接参数构建阶梯网络,以使网络适合半监督分类;然后将无监督损失函数与有监督损失函数之和作为最终优化的目标函数,采用半监督的方式对整个网络进行训练。为进一步提高分类精度,提取局部二值模式纹理特征进行分类实验。实验结果表明:提出的半监督阶梯网络能够较好地解决高光谱影像分类小样本问题;且LBP纹理特征能够有效提高分类精度。

关键词：高光谱影像堆栈式自编码器阶梯网络半监督分类纹理特征

来源：评论

学校读者我要写书评

暂无评论

采用BP算法和深度SAE网络的学生综合能力评价方法

引用

华侨大学学报（自然科学版） 2018年第5期39卷 774-780页

作者：张永梅付昊天张睿北方工业大学计算机学院北京100144 太原科技大学计算机科学与技术学院山西太原030024

针对现有评价方法需人工提取特征且评价准确率低的问题,提出基于反向传播(BP)算法的深度堆栈编码器(SAE)网络的学生综合能力评价方法.通过SAE网络对输入的学生各项指标成绩进行无监督训练,将SAE学习到的特征结合相应的样本标签,利用柔... 详细信息

针对现有评价方法需人工提取特征且评价准确率低的问题,提出基于反向传播(BP)算法的深度堆栈编码器(SAE)网络的学生综合能力评价方法.通过SAE网络对输入的学生各项指标成绩进行无监督训练,将SAE学习到的特征结合相应的样本标签,利用柔性最大值分类器(Softmax)进行有监督式分类.采用BP算法进行反向传播调整隐层权重,优化整个模型,以避免过拟合现象的发生.结果表明:该评价方法有利于解决需对传统神经网络进行人工提取和分析特征的问题,可提高评价结果的准确率.

关键词：反向传播算法深度神经网络堆栈式自编码器综合能力评价

来源：评论

学校读者我要写书评

暂无评论

基于双耳线索的单通道语音增强方法

基于双耳线索的单通道语音增强方法

引用

作者：陈楠北京工业大学

学位级别：硕士

随着通信技术的不断发展,语音增强算法也被广泛研究。一些传统的语音增强方法,例如谱减法,维纳滤波法,统计模型法等等在平稳噪声环境中取得了较好地增强效果,但是,由于没有考虑语音和噪声的先验信息,这些传统语音增强算法在非平稳噪声... 详细信息

随着通信技术的不断发展,语音增强算法也被广泛研究。一些传统的语音增强方法,例如谱减法,维纳滤波法,统计模型法等等在平稳噪声环境中取得了较好地增强效果,但是,由于没有考虑语音和噪声的先验信息,这些传统语音增强算法在非平稳噪声环境中的增强效果并不理想。为了解决这一问题,基于先验信息的语音增强算法应运而生,例如码书驱动算法等。该类算法在线下将语音与噪声的自回归系数训练成为先验码书,并以此作为语音和噪声谱形状的先验信息,之后在线上结合参数估计器估计模型参数(包括自回归系数和谱增益),并利用估计得到的模型参数构建维纳滤波器,最后,通过维纳滤波器实现语音增强。这类算法可以较好地处理非平稳噪声。但仍有一些不足之处。例如,这类算法通过对谱形状建模实现语音增强,忽略了谱细节的作用。导致算法不能抑制谐波噪声。此外,噪声的谱形状与噪声类型间较大的相关性使得噪声预分类成为增强过程中必不可少的一步。为此,本文提出了相应的解决方法。本文的研究工作包括如下两部分。(1)借助双耳线索编码(Binuaral Cue Coding,BCC)原理,本文提出一种基于双耳线索码书的语音增强算法。该算法中,语音和噪声的双耳线索作为其先验信息在线下被训练成先验码书,避免了噪声分类的问题。之后,该算法在线上结合加权码书映射(weighted codebook mapping,WCBM)算法估计纯净线索参数。最后,考虑到谱细节的作用,本文利用BCC原理设计出增益函数来实现语音增强,解决了传统的码书驱动类算法中无法抑制含噪语音谐波间噪声的问题。(2)针对WCBM算法估计纯净线索参数时不准确的问题,本文提出了一种基于深度神经网络的双耳线索语音增强算法。该算法采用深度神经网络(Deep Neural Network,DNN)估计纯净线索参数。相较于WCBM算法,DNN直接通过预增强线索参数估计纯净线索参数,拥有更高的准确性。本文采用在语音增强算法中常用的堆栈式自编码器作为深度神经网络估计纯净线索参数,解决纯净线索参数估计不准确的问题。本文采用语谱图,PESQ(Perceptual Evaluation of Speech Quality),对数谱失真,分段信噪比对所提语音增强算法进行了性能测试。测试结果表明,本文所提出算法的性能均优于参考算法。

关键词：语音增强双耳线索编码码书驱动深度神经网络堆栈式自编码器

来源：评论

学校读者我要写书评

暂无评论

深度神经网络算法在尾矿库安全评价中的应用研究

深度神经网络算法在尾矿库安全评价中的应用研究

引用

作者：姚景新浙江工业大学

学位级别：硕士

当下的经济和工业快速发展使得矿产资源的需求快速增加,同时尾矿库的数量也随之增长。由于运行期间坝高和库容都会上升,尾矿库逐渐变为潜在的高势能危险源,对矿山和选矿厂本身的安全运营、下游群众的生命财产安全以及周边自然环境都构... 详细信息

当下的经济和工业快速发展使得矿产资源的需求快速增加,同时尾矿库的数量也随之增长。由于运行期间坝高和库容都会上升,尾矿库逐渐变为潜在的高势能危险源,对矿山和选矿厂本身的安全运营、下游群众的生命财产安全以及周边自然环境都构成了巨大威胁。因此设计一个高效、合理的尾矿库安全评价方法,对尾矿安全的趋势作出准确预测具有重大现实意义。为了充分挖掘影响尾矿库安全的因素中的隐藏信息和内在联系,获得尽可能高的安全预测准确率,本文设计了一种基于深度神经网络的尾矿库安全趋势预测方法。全文的主要工作和主要成果如下:1)总结尾矿库安全评价方法的研究现状,分析本领域目前为止所使用的理论和方法,对它们的优点和缺点进行了比较。2)介绍了深度神经网络原理,阐述了堆栈式自编码器的设计思路和算法,包括深度神经网络的逐层优化训练思想和用于参数训练LM-BP算法等。3)根据尾矿库的事故原因统计分析和其工程结构特点,分析导致尾矿库事故的主要原因,给出了尾矿库安全关键因素。4)应用深度神经网络进行尾矿库安全趋势预测实验,给出了详细仿真结果分析。结果表明深度神经网络在特征抽象、表征学习、预测准确率等方面都具有优越性。5)给出了尾矿库安全评价软件的设计思路,并使用PYTHON及相关的软件包实现了软件原型,以便算法得到实际应用。本文成果验证了深度神经网络是可行的安全状态趋势预测方法,为尾矿库安全评价工作提供了新的思路和理论支持。

关键词：尾矿库安全评价深度神经网络堆栈式自编码器 LM-BP

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的滚动轴承故障诊断研究

基于深度学习的滚动轴承故障诊断研究

引用

作者：秦俊华兰州理工大学

学位级别：硕士

滚动轴承是旋转机械中不可或缺零部件,一旦发生局部缺陷故障,会导致机械系统的运行品质下降和性能衰退。如果不能及时发现和处理这些故障,甚至可能在短时间内引发严重的安全事故。滚动轴承故障诊断方法的开展可以帮助我们及时检测和诊... 详细信息

滚动轴承是旋转机械中不可或缺零部件,一旦发生局部缺陷故障,会导致机械系统的运行品质下降和性能衰退。如果不能及时发现和处理这些故障,甚至可能在短时间内引发严重的安全事故。滚动轴承故障诊断方法的开展可以帮助我们及时检测和诊断轴承的故障状态,从而采取相应的措施进行维修和保养。这不仅可以减少机械系统的停机时间和生产损失,还可以提高机械设备的可靠性和安全性。因此,研究滚动轴承故障诊断方法对于保障机械系统的安全运行至关重要。在近年来,随着机器学习的迅猛发展,基于深度学习的故障诊断方法逐渐应用于工业领域,并取得了显著的成果。但是,传统深度学习的网络超参数设置往往依赖于人工经验设置,花费时间多,设置效果并不理想。在实际的工业生产中,由于滚动轴承的工作状态经常变化,例如转速、负荷和扭矩等因素,这导致了原始振动信号具有多样的特征分布而且采集数据也存在一定的困难。因此,传统的基于深度学习的故障诊断方法具有一定的局限性:(1)深度学习的网络超参数设置往往对网络的性能影响较大。(2)网络训练时,标注数据必须充足。训练集和测试集的特征分布不同会降低预测的准确性。针对上述问题,本文以滚动轴承为对象,将从以下两个方面对课题开展研究。 (1)针对长短时记忆网络(long and short term memory network,LSTM)在轴承故障诊断中人工设置超参数而导致的诊断准确率低问题,提出了一种基于改进白鲸优化算法(improve beluga whale optimization,IBWO)的注意力双向长短时记忆网络(attention-bidirectional long shortterm memory,A-Bi LSTM)的滚动轴承故障诊断方法。首先,通过引入半均匀初始化分布系统初始化白鲸种群,以提高种群空间分布的均匀性和随机性,并且在一定程度上避免了局部最优问题;之后采用基于适应度与距离平衡(fitness-distance balance,FDB)的选择策略对算法寻优阶段进行改进,保持种群的多样性并防止算法陷入局部最优;再将该优化算法用于ABi LSTM的超参数优化,构建故障诊断模型实现对轴承故障信号的分类诊断,并采用公开数据集对所提方法进行验证。实验结果表明,该算法优化的诊断模型故障分类效果、搜索全局性能明显优于其他群智能算法优化的诊断模型。 (2)针对机械设备大部分时间处于正常工作状态,获取带标签的滚动轴承故障数据较为困难,以及在实际工程中采集到的滚动轴承数据分布不同,而导致深度学习模型在故障诊断过程中诊断准确率低的问题,提出了一种基于改进堆栈式自编码器(improved stacked autoencoder,ISAE)与基于动态选择的参数迁移策略(parameter transfer method based on dynamic selection,PTDS)结合的滚动轴承故障模型。首先将堆栈式自编码器(stacked autoencoder,SAE)中的激活函数改进,并且每一层编码器输入前进行批量归一化(batch normalization,BN)处理,以防止梯度消失问题并且避免特征过度稀疏导致的拟合程度较差。然后使用源域数据集对ISAE进行预训练;之后将源域少量带标签数据训练ISAE和分类器的组合模型中得到迁移给目标域的参数,再将仅有的少量目标域带标签数据再次训练模型;最后,对无标签的目标域数据进行故障诊断。采用两个公开的轴承数据集对所提方法的故障诊断效果进行验证。结果表明,该模型性能优于其它模型。本文所提出的两种滚动轴承故障诊断方法,能够克服传统深度学习的局限性,实现在少标签的轴承数据、多工况和跨域的情况下完成故障诊断。这两种方法在实验中表现出了优于其他模型的故障分类效果,对于滚动轴承的故障诊断具有重要的实际意义。

关键词：故障诊断深度学习优化算法参数迁移学习堆栈式自编码器

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：