深度神经网络是一种具有复杂结构和多个非线性处理单元的模型,目前也已逐步被应用在工业生产过程中。但由于神经网络不可解释,不可控制的"黑箱"问题,以及海量的数据需求问题,使得深度学习在工业领域的应用仍有巨大的障碍。提出一种新的深度神经网络模型:知识深度置信网络(Knowledge-based deep belief network,KBDBN)。这种逻辑符号语言与深度神经网络的结合,不仅使得模型具有良好的模式识别性能,还可自适应地确定网络模型并具有可解释和可视化特性。进一步提出基于KBDBN的工件表面粗糙度加工过程的预测模型,实现了精确预测且有效地提取了制造过程的关键知识。试验结果证明:相较于传统机器学习器,KBDBN的网络性能更加优越,具有可解释性,可应用性更强。创新性的将符号规则与深度学习相结合并建立加工粗糙度预测模型,可以在精准预测的前提下提取工艺知识,指导加工工艺优化。
基于深度置信网络(DBN)对信号双谱对角切片(BDS)结构特征进行学习,实现低截获概率(LPI)雷达信号识别。该方法首先建立基于受限玻尔兹曼机(RBM)的DBN模型,对LPI雷达信号的BDS数据进行逐层无监督贪心学习,然后运用后向传播(BP)机制在有监督学习方式下根据学习误差对DBN模型参数进行微调,最后基于该BDS-DBN模型实现未知信号的分类和识别。理论分析和仿真结果表明,信噪比高于8 d B时,基于BDS和DBN的识别方法对调频连续波(FMCW),Frank,Costas,FSK/PSK 4类LPI信号的综合识别率保持在93.4%以上,高于传统的主成分分析加支持向量机法(PCA-SVM)和主成分分析加线性判别分析法(PCA-LDA)。
暂无评论