检索结果-内蒙古大学图书馆

计算机集成制造系统 2019年第11期25卷 2720-2730页

作者：盛夏赵新明张朋张洁程辉刘斯琪张春雨上海交通大学机械与动力工程学院上海200240 东华大学机械工程学院上海201620 上海航天设备制造总厂上海200240

针对运载火箭总装过程中由于各种不确定因素和动态事件可能引发的火箭不能按时交付的问题,提出一种基于栈式自动编码器的火箭总装完工时间预测方法。通过逐层训练浅层自动编码器代替传统方法中的特征提取过程,利用无监督学习过程学习完... 详细信息

针对运载火箭总装过程中由于各种不确定因素和动态事件可能引发的火箭不能按时交付的问题,提出一种基于栈式自动编码器的火箭总装完工时间预测方法。通过逐层训练浅层自动编码器代替传统方法中的特征提取过程,利用无监督学习过程学习完工时间相关因素的非线性压缩特征;通过堆叠浅层自动编码器构成精调网络,利用监督学习过程及参数优化过程精确预测火箭完工时间。通过仿真数据以及上海某航天设备制造厂火箭总装实际数据中的测试数据集,验证了该方法比传统预测方法具有更优秀的泛化性能,能够提升预测精度。

关键词：完工时间预测栈式自动编码器火箭总装精调网络预测精度

来源：评论

学校读者我要写书评

暂无评论

基于LBP和栈式自动编码器的人脸识别算法研究

引用

计算机工程与应用 2018年第2期54卷 163-167,245页

作者：易焱蒋加伏长沙理工大学计算机与通信工程学院长沙410114

LBP算法对光照敏感且能有效地提取图像的纹理结构特征。提出一种基于局部二值模式(Local Binary Pattern,LBP)和栈式自动编码器(Stacked Autoencoders,SAE)的人脸识别算法。用统一模式LBP算子提取分块后的人脸图像的直方图,按顺序连接... 详细信息

LBP算法对光照敏感且能有效地提取图像的纹理结构特征。提出一种基于局部二值模式(Local Binary Pattern,LBP)和栈式自动编码器(Stacked Autoencoders,SAE)的人脸识别算法。用统一模式LBP算子提取分块后的人脸图像的直方图,按顺序连接形成整幅图像的LBP特征,并将其作为栈式自动编码器的输入,完成进一步的特征提取,实现人脸图像的识别与分类。在Extended Yale B等数据库上的实验结果表明,该算法与传统的人脸识别算法和标准的栈式自动编码器相比,对光照变化有更强的鲁棒性,具有更好的识别效果。

关键词：人脸识别深度学习栈式自动编码器局部二值模式

来源：评论

学校读者我要写书评

暂无评论

基于LBP与栈式自动编码器的人脸识别

基于LBP与栈式自动编码器的人脸识别

引用

作者：易焱长沙理工大学

学位级别：硕士

人脸识别方法是模式识别领域中的研究热点与难点,在人脸识别过程中如何有效地提取人脸图像的特征是工作的重点。传统的机器学习技术在处理原始形态的自然数据方面有很大的局限性,构建机器学习系统需要人工设计特征提取器,而深度学习的... 详细信息

人脸识别方法是模式识别领域中的研究热点与难点,在人脸识别过程中如何有效地提取人脸图像的特征是工作的重点。传统的机器学习技术在处理原始形态的自然数据方面有很大的局限性,构建机器学习系统需要人工设计特征提取器,而深度学习的方法由机器自动学习特征,具有非常优良的泛化能力和鲁棒性。栈式自动编码器是深度学习算法之一,由简单的非线性模块构建而成,拥有更强大的图像特征提取和分类识别的功能。但是栈式自动编码器直接提取人脸图像的特征时忽略了其局部微模式,本文针对这个问题,提出了一种基于局部二值模式和栈式自动编码器的人脸识别方法,并且对局部二值模式进行了权值改进,具体工作如下:(1)局部二值模式(LBP)是一种有效的纹理描述算子,具有旋转不变性和灰度不变性等优点。本文提出了基于权值改进的LBP的人脸识别方法,通过两种方法来对人脸图像的子窗口进行权值改进,一种是基于先验知识的方法,一种是自适应权值改进的方法。自适应权值改进的方法通过计算图像子窗口的熵值来实现加权。实验证明,通过权值改进的LBP算子能够突出眼睛、眉毛等区域对人脸识别过程的贡献,两种权值改进的方法都能获得较高识别率,但基于自适应权值改进的方法优势更明显。(2)针对栈式自动编码器直接提取人脸图像的特征时忽略了其局部微模式的问题,提出了一种基于自适应LBP和栈式自动编码器的人脸识别算法。自适应LBP算法对人脸样本图像的光照和姿态的变化都有很强的鲁棒性而且能增强人脸样本图像的细节特征。本文算法首先将LBP算法进行自适应权值改进,再将自适应LBP算法与栈式自动编码器相结合进行特征提取。实验表明,本文算法能增强栈式自动编码器网络结构忽略的图像细节特征,对光照的变化有很强鲁棒性,获得了很高的识别率。

关键词：人脸识别深度学习局部二值模式栈式自动编码器

来源：评论

学校读者我要写书评

暂无评论

基于栈式自动编码器的高分辨率遥感影像分类

引用

测绘与空间地理信息 2021年第5期44卷 128-131页

作者：宋晓霞上海市测绘院上海200063

针对遥感影像分类识别中,属性特征过多不仅会造成维数灾难,而且会影响分类精度的问题,本文采用基于栈式自动编码器的面向对象的分类方法解决高分辨率遥感影像的分类精度问题。文中对自动编码器的重构特征质量、栈式自动编码器的深度以... 详细信息

针对遥感影像分类识别中,属性特征过多不仅会造成维数灾难,而且会影响分类精度的问题,本文采用基于栈式自动编码器的面向对象的分类方法解决高分辨率遥感影像的分类精度问题。文中对自动编码器的重构特征质量、栈式自动编码器的深度以及隐层单元数对分类精度的影响进行了试验分析,并将该分类方法与传统的影像分类方法进行比较,研究其分类精度的优劣性。定量分析与实验结果表明:栈式自动编码器能够获得较好的重构特征,与其他传统的面向对象的遥感影像分类方法进行比较,取得了最好的分类效果。

关键词：栈式自动编码器高分辨率遥感影像面向对象分类精度

来源：评论

学校读者我要写书评

暂无评论

基于SAE和LSTM神经网络的深部未钻地层可钻性预测方法

引用

西安石油大学学报(自然科学版) 2025年第1期40卷 39-46,64页

作者：朱亮李晓明纪慧楼一珊油气钻完井技术国家工程研究中心(长江大学) 湖北武汉430100 油气钻采工程湖北省重点实验室(长江大学) 湖北武汉430100 中国石油川庆钻探工程有限公司四川成都610051

在制定深部地层钻进提速方案时,对地层可钻性进行钻前预测是十分必要的,现有的岩石可钻性预测方法精度低,难以满足钻井设计的要求。为此,提出一种基于SAE和LSTM神经网络相结合的组合模型对深部未钻地层的可钻性进行预测。并将SAE-LSTM... 详细信息

在制定深部地层钻进提速方案时,对地层可钻性进行钻前预测是十分必要的,现有的岩石可钻性预测方法精度低,难以满足钻井设计的要求。为此,提出一种基于SAE和LSTM神经网络相结合的组合模型对深部未钻地层的可钻性进行预测。并将SAE-LSTM组合模型的训练时间和预测结果与BP神经网络、支持向量机、随机森林和单一的LSTM模型进行了对比分析。结果表明:所构建的SAE-LSTM组合模型预测地层可钻性训练用时最短,预测值与实际测量值误差最小,拟合结果的均方根误差RMSE仅为0.081,平均绝对百分比误差MAPE为1.189,决定系数R^(2)为0.966,其RMSE和MAPE最小,R 2最大,较其他模型预测精度更高。该方法为地层参数预测提供了新的途径,能改善以往预测方法在处理复杂地层问题时预测效率低、预测精度不高等问题。

关键词：深部地层钻探岩石可钻性预测模型栈式自动编码器 LSTM神经网络深度学习

来源：评论

学校读者我要写书评

暂无评论

极限学习机在雷达目标识别中的应用研究

极限学习机在雷达目标识别中的应用研究

引用

作者：赵飞翔国防科技大学

学位级别：博士

雷达目标识别在军事斗争和社会经济建设领域都扮演着重要角色。传统的分类识别方法在分类准确率和实时性之间的矛盾制约了其实际应用。特征提取是雷达目标识别的重要步骤之一。传统特征提取方法需要人工设计,依赖于研究者的专业知识和经... 详细信息

雷达目标识别在军事斗争和社会经济建设领域都扮演着重要角色。传统的分类识别方法在分类准确率和实时性之间的矛盾制约了其实际应用。特征提取是雷达目标识别的重要步骤之一。传统特征提取方法需要人工设计,依赖于研究者的专业知识和经验,提取完备的特征十分困难。深度学习模型虽然能够挖掘目标深层特征表示,但其对大数据的需求以及训练过程耗时长制约了其在雷达目标识别领域的应用。针对这些问题,本文研究极限学习机在雷达目标识别中的应用。极限学习机(extreme learning machine,ELM),学习速度快,泛化能力强,其深层结构能在小样本条件下快速完成模型训练,因此它可以更好地满足雷达目标识别对准确率和实时性的要求。论文首先介绍了课题的研究背景和意义,梳理了雷达目标识别系统和方法的发展,回顾了神经网络尤其是深度学习模型的发展现状以及在雷达目标识别中的应用现状,并指出了ELM算法在雷达目标识别应用中的优势及存在的不足。第二章从理论上分析了ELM算法与传统BP算法和SVM算法的异同,并通过拟合实验和分类实验验证了算法的性能。由于极限学习机的输入权重和隐藏层偏置随机设置,使得模型结果不稳定,同时需要设置更多隐藏层节点,从而造成节点冗余和模型过拟合。第三章提出了一种改进的量子粒子群优化算法的极限学习机输入参数选择方法,解决了极限学习机由于输入权重和隐藏层的偏置随机设置所造成的输出结果不稳定的问题。与传统的量子粒子群优化算法相比,该优化算法在计算?势阱的特征长度时不仅有效地利用了群体的平均最优位置,同时,还考虑了有关散布在其它区域的粒子的信息,从而有效地提高了群体的全局搜索能力。将该优化算法应用在ELM输入权重和隐藏层偏置的寻优中,能获得更合适的输入参数。在雷达数据上的分类实验,验证了所提算法在综合考虑分类准确率和实时性两方面时,性能最佳。第四章提出了一种基于栈式自动编码器和相似性约束ELM的雷达目标识别方法。作为深度学习一种重要的结构,栈式自动编码器能够提取目标深层特征,挖掘数据本质信息,获得更有利于分类的目标特征表达。但传统的栈式自编码器在分类任务中存在需要大数据样本训练,耗时长的问题,提出用相似性约束极限学习机替换栈式自编码器中的softmax分类器的方法,使得模型无需进行微调操作,从而加快其训练速度。第五章针对深度极限学习机在训练样本有限的情况下容易陷入过拟合的问题,提出了一种基于Dropout约束的深度极限学习机算法,将Dropout对网络结构的影响作为模型代价函数的约束,实验结果表明,该算法能有效解决模型过拟合的问题。进一步,针对雷达目标识别的实际应用,将深度极限学习机从实数域扩展到复数域,同时为了在模型训练过程中有效保持数据间的邻域信息,将流形正则化框架应用到深度复极限学习机的监督和无监督训练过程中,提出一种流形正则深度复极限学习机算法。实验结果验证了所提算法对雷达目标识别的适用性。最后,对本文工作做出了总结,并对下一步工作进行了展望。

关键词：雷达目标识别极限学习机量子粒子群优化算法栈式自动编码器 Dropoput约束流形正则化深度学习

来源：评论

学校读者我要写书评

暂无评论

基于SAE和LSTM的下肢外骨骼步态预测方法

引用

计算机工程与应用 2019年第12期55卷 110-116,154页

作者：陈超强蒋磊王恒中国矿业大学(北京)机电与信息工程学院

提出一种基于栈式自动编码器(Stacked Auto Encoder,SAE)和长短时记忆(Long Short-Term Memory,LSTM)神经网络相结合的步态预测方法解决下肢外骨骼机器人跟随控制问题。人体在行走过程中下肢步态具有一定的周期性,通过将下肢运动信息作... 详细信息

提出一种基于栈式自动编码器(Stacked Auto Encoder,SAE)和长短时记忆(Long Short-Term Memory,LSTM)神经网络相结合的步态预测方法解决下肢外骨骼机器人跟随控制问题。人体在行走过程中下肢步态具有一定的周期性,通过将下肢运动信息作为输入,步态作为输出,构建SAE-LSTM神经网络模型,并利用Keras对SAE-LSTM神经网络进行搭建和验证。实验结果表明,SAE-LSTM神经网络根据之前时间段的步态序列有效地预测出下一时刻的步态信息,平均准确率能够达到92.9%以上。

关键词：外骨骼步态预测栈式自动编码器 LSTM神经网络

来源：评论

学校读者我要写书评

暂无评论

深度学习在遥感影像分类中的研究进展

引用

计算机应用研究 2018年第12期35卷 3521-3525页

作者：付伟锋邹维宝长安大学地质工程与测绘学院西安710054

随着遥感技术和计算机技术的不断发展,传统的遥感影像分类方法已不能满足如今遥感影像分类的需求。近年来,随着深度学习方面研究成果的不断涌现,它给遥感影像的分类提供了一种新的思路和方法。首先概述了遥感影像分类的发展和深度学习... 详细信息

随着遥感技术和计算机技术的不断发展,传统的遥感影像分类方法已不能满足如今遥感影像分类的需求。近年来,随着深度学习方面研究成果的不断涌现,它给遥感影像的分类提供了一种新的思路和方法。首先概述了遥感影像分类的发展和深度学习的基本概念,然后重点介绍了基于深度置信网、卷积神经网络和栈式自动编码器等深度学习模型在遥感影像分类中的研究进展,最后提出了目前研究中存在的问题及遥感影像分类的发展趋势。

关键词：深度置信网卷积神经网络栈式自动编码器遥感影像分类深度学习

来源：评论

学校读者我要写书评

暂无评论

基于时频图像的雷达信号调制识别研究

基于时频图像的雷达信号调制识别研究

引用

作者：张晓丽哈尔滨工程大学

学位级别：硕士

认知无线电和雷达电子战的发展对提升复杂电磁环境中调制信号的识别能力提出了重要需求。在复杂频谱电磁环境下,只有充分感知和分析敌方电磁频谱资源的使用情况,才能有针对性地削弱非合作方雷达设备的使用效能,从而在电子战中处于制高... 详细信息

认知无线电和雷达电子战的发展对提升复杂电磁环境中调制信号的识别能力提出了重要需求。在复杂频谱电磁环境下,只有充分感知和分析敌方电磁频谱资源的使用情况,才能有针对性地削弱非合作方雷达设备的使用效能,从而在电子战中处于制高点。但是,随着复杂体制雷达的出现,现有的调制识别技术已经不能广泛的适用于不同调制类型的信号识别框架。论文针对复杂电磁环境下雷达信号调制识别系统,围绕时频分析、图像融合和深度学习理论,设计了一种基于时频图像的调制识别算法,深入研究了低信噪比条件下雷达信号调制识别问题。主要研究内容如下:首先,介绍了典型的十二种雷达信号调制类型,分析了其时域、频域特性和模糊性能;探讨了非平稳雷达信号的时频分析手段,研究了低信噪比情况下信号通过减少交叉项分布(Reduced Interference Distribution,RID)分析后的时频效果;阐述了深度学习算法的基本理论,并对本文涉及的深度学习算法进行基本介绍,为后续识别算法的特征提取与识别模块提供了理论基础。其次,针对现有的调制识别技术提取特征困难、低信噪比条件下识别效果不理想等问题,提出了一种基于图像融合和卷积神经网络的调制识别算法。该算法在信号时频分析的基础上,从图像融合理论入手,分析了Karhunen-Loeve(K-L)变换的基本原理,将RID分析得到的不同时频图像采用基于主分量分析的图像融合算法进行融合;简述了卷积神经网络的基本原理,结合迁移学习理论,研究了预训练的Alex Net网络模型,提出了基于时频融合图像和Alex Net模型迁移的雷达信号调制识别算法,解决了小样本训练深层网络难的问题,实现了特征的自动提取,降低了训练复杂度。仿真结果表明,该算法识别效果明显优于传统的人工提取信号特征的识别算法。最后,针对上述所提出的识别算法的优势和存在的问题,在此提出了一种基于融合特征的调制识别算法。该算法基于特征融合思想,分别将基于迁移学习的Alex Net模型和栈式自动编码器作为特征提取器,自动提取时频融合图像的特征;将不同特征提取器提取的特征运用概率主成分分析算法进行降维,最大限度地保留有效信息的同时,去掉对分类决策无用的冗余信息;采用串行特征融合算法对降维后的特征进行融合处理,该过程在保证特征有效性的同时,有效提升了整体的识别成功率。仿真结果表明该算法具有很好的泛化性。

关键词：信号调制识别图像融合迁移学习卷积神经网络栈式自动编码器

来源：评论

学校读者我要写书评

暂无评论

短期交通流深度学习预测模型及其并行训练

短期交通流深度学习预测模型及其并行训练

引用

作者：赵鲁北京交通大学

学位级别：硕士

实时、准确的短期交通流预测是交通控制与交通诱导的前提,对交通拥堵的缓解、社会经济的进步有着重要的意义。深度学习的出现为交通流预测提供了新的思路,本文采用深度信念网络(deepbeliefnetwork,DBN)与栈式自动编码器(stacked autoenc... 详细信息

实时、准确的短期交通流预测是交通控制与交通诱导的前提,对交通拥堵的缓解、社会经济的进步有着重要的意义。深度学习的出现为交通流预测提供了新的思路,本文采用深度信念网络(deepbeliefnetwork,DBN)与栈式自动编码器(stacked autoencoder,SAE)两种深度网络分别构建交通流预测模型,通过无监督学习的方式提取交通流特征。然而,DBN与SAE预测模型的训练过程是非常耗时的,不能很好满足交通流预测应用系统的实时性要求。本文提出了一种基于数据并行方式的并行训练策略,分析了并行训练的可行性,推导了并行训练的公式,从而缩短了两种交通流预测模型的训练时间,提高了预测应用的实时性。具体研究内容如下:首先,选取单路段单个断面的交通流量为研究对象,基于两种深度学习网络分别构建交通流预测模型,并完成模型的训练与测试过程。将其测试结果与传统模型的测试结果进行对比。本文选用的传统模型包括BP神经网络(backpropagation neural network,BP-NN)与支持向量机(support vectormachine,SVM)。仿真结果表明,两种基于深度网络的模型预测精度近似,且均优于传统模型的预测结果,这验证了深度学习模型在交通流预测方面的优势。其次,采用相关方法优化预测模型。对于深度网络广泛存在的梯度消失问题,选用修正线性单元(rectified linearunit,ReLU)作为激活函数,代替原先的sigmoid函数。为了防止训练过程陷入局部极小值,在梯度下降过程中加入动量法。对于训练中出现的过拟合问题,采用dropout方法进行消除,提高模型的泛化能力。最后,为了解决上述两种深度学习模型训练过程耗时长的问题,本文提出一种基于数据并行方式的并行训练方法。对训练过程中用到的BP算法与对比散度(contrastivedivergence,CD)算法进行并行可行性分析,推导出两种算法的并行计算公式,并将其应用于训练过程的各个阶段。将训练数据平均分为n份,并分发到n个计算节点,其中1个主节点,n-1个从节点。从节点的作用是利用本地的子数据集进行交通流特征的提取,而主节点除了具有从节点的功能外,还要综合各从节点的计算结果,并将模型参数广播至各从节点。仿真结果表明,采用此并行方式,在预测精度得到保证的同时,减少了预测模型的训练时间。

关键词：交通流预测深度学习深度信念网络栈式自动编码器并行计算

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：