检索结果-内蒙古大学图书馆

计算机学报 2010年第10期33卷 1835-1844页

作者：赵友东龚海峰贾云得北京理工大学计算机学院智能信息技术北京市重点实验室北京100081 莲花山研究院湖北鄂州436000

自然场景视频中含有各种类别的视频基元(video primitives),它们构成了整个高维视频块(video bricks)空间,具有不同的结构维度及复杂度,由空间表观与运动共同描述.视频基元主要有两类:结构视频基元与纹理视频基元.文中使用一个通用生成... 详细信息

自然场景视频中含有各种类别的视频基元(video primitives),它们构成了整个高维视频块(video bricks)空间,具有不同的结构维度及复杂度,由空间表观与运动共同描述.视频基元主要有两类:结构视频基元与纹理视频基元.文中使用一个通用生成式模型对两类视频基元进行统一概率建模,每个视频基元的表达能力由其对应的信息增益来度量.利用该度量进行视频基元追踪学习,最终建立一个完整的视频基元集.实验结果显示了文中方法在视频内容表示方面的有效性.

关键词：视频块视频基元生成式模型追踪学习算法视频内容表示

来源：评论

学校读者我要写书评

暂无评论

Pobe:一种基于生成式模型的分布外文本检测方法

引用

软件学报 2024年第9期35卷 4365-4376页

作者：欧阳亚文高源宗石鲍宇戴新宇计算机软件新技术国家重点实验室(南京大学) 江苏南京210023 南京大学计算机科学与技术系江苏南京210023

对于安全可靠的机器学习系统,具备检测训练集分布外(out-of-distribution,OOD)样本的能力十分必要.基于似然的生成式模型由于训练时不需要样本标签,是一类非常受欢迎的OOD检测方法.然而,近期研究表明通过似然来检测OOD样本往往会失效,... 详细信息

对于安全可靠的机器学习系统,具备检测训练集分布外(out-of-distribution,OOD)样本的能力十分必要.基于似然的生成式模型由于训练时不需要样本标签,是一类非常受欢迎的OOD检测方法.然而,近期研究表明通过似然来检测OOD样本往往会失效,并且失效原因与解决方案的探究仍较少,尤其是对于文本数据.从模型层面和数据层面分析文本上失效的原因:生成式模型的泛化性不足和文本先验概率的偏差.在此基础上,提出一种新的OOD文本检测方法Pobe.针对生成式模型泛化性不足的问题,引入KNN检索的方式,来提升模型的泛化性.针对文本先验概率偏差的问题,设计一种偏差校准策略,借助预训练语言模型改善概率偏差对OOD检测的影响,并通过贝叶斯定理证明策略的合理性.通过在广泛的数据集上进行实验,证明所提方法的有效性,其中,在8个数据集上的平均AUROC值超过99%,FPR95值低于1%.

关键词：机器学习分布外检测生成式模型文本检索预训练语言模型

来源：评论

学校读者我要写书评

暂无评论

太阳活动区EUV图像的生成式模型耀斑分级与预报

引用

空间科学学报 2023年第1期43卷 60-67页

作者：郭大蕾张振朱凌锋薛炳森中国科学院自动化研究所北京100190 中国科学院大学人工智能学院北京100049 国家卫星气象中心北京100081

近年来,不断发射的空基观测台持续传送回海量日面图像及日地间气象数据,为采用人工智能技术对太阳活动进行预报预警提供了数据基础。但是,极端天气爆发少,样本量较少;中等程度爆发稍多,样本量较多;常规无爆发天气常见,样本较为集中,样... 详细信息

近年来,不断发射的空基观测台持续传送回海量日面图像及日地间气象数据,为采用人工智能技术对太阳活动进行预报预警提供了数据基础。但是,极端天气爆发少,样本量较少;中等程度爆发稍多,样本量较多;常规无爆发天气常见,样本较为集中,样本不均衡状况严重影响机器学习方法在空间天气领域的广泛应用。本文面向多源多通道多尺度日面图像信息,构建了来自SOHO和SDO的1996-2015年日面活动区图像数据集;针对数据分布的不平衡,对太阳活动区图像作耀斑分级与预报。在对比分析元学习算法的基础上,设计了结合分类头设计和卷积核初始化的生成式模型;在使网络轻量化的基础上,能够将M和X级耀斑预报的检测率指标相较于普通的深度学习模型和无监督度量式模型分别提升10%和7%。

关键词：日面图像耀斑分级生成式模型人工智能

来源：评论

学校读者我要写书评

暂无评论

生成式模型在联邦学习安全中的应用研究

生成式模型在联邦学习安全中的应用研究

引用

作者：孙蔚北京交通大学

学位级别：硕士

作为一种分布式机器学习范式，联邦学习(FL)在私人拥有的数据集上协作进行，但没有直接的数据访问权限。虽然其初衷是为了消除对数据隐私的担忧，但联邦学习中“可用但不可见”的数据可能会带来新的安全威胁，特别是针对这种“不可见”... 详细信息

作为一种分布式机器学习范式，联邦学习(FL)在私人拥有的数据集上协作进行，但没有直接的数据访问权限。虽然其初衷是为了消除对数据隐私的担忧，但联邦学习中“可用但不可见”的数据可能会带来新的安全威胁，特别是针对这种“不可见”本地数据的中毒攻击。针对FL系统的数据中毒攻击虽然已经进行了初步尝试，但由于其缺乏隐蔽性手段极有可能导致统计异常，因此无法完全成功。为了释放真正“隐形”攻击的潜力，建立一个更具威慑力的威胁模型，从而对更具挑战性的角度来对数据中毒攻击防御方法就行深入探究，进一步探究一个鲁棒、高效的联邦学习安全防护系统。本文的主要研究工作具体如下:　　(1)提出了一种名为“模糊生成对抗网络”（VagueGAN）的攻击方法，它是一种专为针对FL系统的数据中毒攻击而设计的GAN模型。它生成的模糊中毒数据不仅能有效地攻击全局模型，而且还能在不引人注意的情况下攻击所有的“标签/类”。这也是第一个强调直接生成FL目标中毒数据以提高攻击隐蔽性的GAN模型。　　(2)针对此类基于GAN的隐蔽性数据中毒攻击，提出了一种名为“基于模型一致性的防御”(MCD)的经济有效的对策，它可以直接重用服务器已经收集到的本地模型，并根据本文对GAN输出一致性的研究结果来识别GAN中毒数据或模型。　　(3)进一步提出了一种名为“大步扩散攻击”(LSDAM)的强隐蔽性数据中毒攻击模型，利用“大步”DDPM生成更具多样性化的中毒数据，对中毒模型在多个维度上进行隐蔽，使得基于模型审查的防御很难应对。　　(4)最后提出一种新颖的“C-S”架构，在不侵犯局部客户端隐私的前提下对数据、模型进行双重审查。并提出一种基于C-S架构的“分类自编码器-KL散度”(CAEKL)联邦学习安全维护方法，对联邦学习系统进行全面维护而不仅限于防御。

关键词：联邦学习安全防护隐私保护生成式模型

来源：评论

学校读者我要写书评

暂无评论

深度生成式模型在临床术语标准化中的应用

引用

中文信息学报 2021年第5期35卷 77-85页

作者：闫璟辉向露周玉孙建陈思薛晨北京交通大学计算机与信息技术学院交通数据分析与挖掘北京市重点实验室北京100044 中国科学院自动化研究所模式识别国家重点实验室北京100190 北京中科凡语科技有限公司北京100080 凡语AI研究院北京100080 中国科学院大学人工智能学院北京100049

临床术语标准化任务是医学统计中不可或缺的一部分。在实际应用中,一个标准的临床术语可能有数种口语化和非标准化的描述,而对于一些应用例如临床知识库的构建而言,如何将这些描述进行标准化是必须要面对的问题。该文主要关注中文临床... 详细信息

临床术语标准化任务是医学统计中不可或缺的一部分。在实际应用中,一个标准的临床术语可能有数种口语化和非标准化的描述,而对于一些应用例如临床知识库的构建而言,如何将这些描述进行标准化是必须要面对的问题。该文主要关注中文临床术语的标准化任务,即将非标准的中文临床术语的描述文本和给定的临床术语库中的标准词进行对应。尽管一些深度判别式模型在简单文本结构的医疗术语,例如,疾病、药品名等的标准化任务上取得了一定成效,但对于中文临床术语标准化任务而言,其带标准化的描述文本中经常包含的信息缺失、"一对多"等情况,仅依靠判别式模型无法得到完整的语义信息,因而导致模型效果欠佳。该文将临床术语标准化任务类比为翻译任务,引入深度生成式模型对描述文本的核心语义进行生成并得到标准词候选集,再利用基于BERT的语义相似度算法对候选集进行重排序得到最终标准词。该方法在第五届中国健康信息处理会议(CHIP2019)评测数据中进行了实验并取得了很好的效果。

关键词：术语标准化核心语义生成式模型

来源：评论

学校读者我要写书评

暂无评论

基于生成式模型的语义联合建模关键算法研究与应用

基于生成式模型的语义联合建模关键算法研究与应用

引用

作者：王翰琪浙江大学

学位级别：博士

在如今的大数据时代，Web2.0技术与社交网络的蓬勃发展为数据分析领域的研究者们提供了海量的用户生成内容。这些海量数据以文本、图像、视频、音频等多种模态的形式表达与呈现，具有高维、异构、语义丰富等性质，给传统的数据挖掘、检... 详细信息

在如今的大数据时代，Web2.0技术与社交网络的蓬勃发展为数据分析领域的研究者们提供了海量的用户生成内容。这些海量数据以文本、图像、视频、音频等多种模态的形式表达与呈现，具有高维、异构、语义丰富等性质，给传统的数据挖掘、检索、摘要生成等问题带来了前所未有的挑战。作为一类能够对数据特征及其蕴含语义的联合概率分布进行建模的机器学习方法，生成式模型(generative model)因能从数据产生的角度建模其概率分布，因而在对多媒体数据中多维度、多层次的异构隐语义的联合挖掘、分析与表示任务中具有优势。本文深入探索了基于生成式模型的语义联合建模中的关键算法，分析了其当前存在的不足与待解决问题，并有针对性地提出了解决这些问题的新方法。\n 具体地，本文的主要贡献与成果可以总结为以下几方面:\n 本文提出了面向多粒度情感分析的主题模型multi-grained sentiment latent Dirichlet allocation(MgS-LDA)，实现了对客观主题与主观主题（细粒度和粗粒度的情感）的联合建模，刻画了数据中多层次、多维度的异构隐语义。本文提出的MgS-LDA模型在有监督隐狄利克雷分配(supervised latent Dirichlet allocation，sLDA)的框架下引入隐变量表示用户真实细粒度情感的主观主题，并通过构建由客观主题决定的先验分布以对数据中主观、客观异构隐语义的依赖关系与关联关系进行建模;模型进一步将文档各段落本身具有的粗粒度情感标签作为监督信息，挖掘文本中各个单词承载的客观主题与细粒度情感。实验表明MgS-LDA模型可以解析数据中客观主题与细粒度情感间丰富的关联作用，具有优于传统主题模型的泛化能力和较当前已有算法更好的粗粒度情感分类性能。\n 本文引入选择性约束以甄别文本或视觉单词对高层语义的表达能力，并基于该思路分别提出了无监督学习模型πLDA和有监督学习模型iosLDA。\n πLDA模型对单词自身语义、单词所在数据片段（如文本中的段落或图像中的区域）的整体语义、单词具有的本征属性（如文本单词的词性或视觉单词的物体标签等）进行联合建模，并引入二元选择子来度量具有一定本征属性的单词在表达数据隐语义中的能力强弱，选取能够表达整体语义信息的重要单词，从文本、图像等数据中学习鲁棒性更高、噪声干扰更小的语义表示。本文将πLDA模型在多个文本或图像数据集上进行了训练与测试，验证了模型在聚类和主题建模任务中由于引入了重要单词的选择机制而获得了更好的性能。\n iosLDA模型在单词自身语义和数据的主、客观高层语义的联合建模中，利用二元选择子刻画单词对主、客观高层语义内容具有的判别能力，由此构建较传统的词袋(bag-of-words，BoW)表示与主题词袋（bag-of-topics，BoT）表示更具数据内容判别力的判别性词袋（bag-of-discriminative-words，BoDW）表示。BoDW表示排除了平凡单词、背景单词与无关单词对语义描述的影响，因而提升了其自身在判别性任务中的性能。本文进一步对传统主题模型在为单词分配主题时对应的基本统计模型施加先验分布，提出并引入动态选择因子，对单词蕴含的判别能力进行细粒度建模。多个文本和图像数据集上的实验结果表明，iosLDA通过在有监督任务中对单词判别性进行度量获得了在主、客观内容分类与主题建模任务中性能的提升。\n 本文探索了对序列数据中跨模态语义进行联合建模的问题，并在编码器-解码器框架下提出了上下文注意力网络（context attention network，CAN），同时对图像序列的视觉特征、序列中各图像的上下文语义信息，以及这些信息在生成相应文本描述的过程中动态变化的影响力进行建模，以挖掘和捕捉具有跨越式语义变化的图像序列隐含的叙事结构，为序列生成连贯而生动自然的文本描述。CAN模型以区域级特征表达保留了图像中隐含的细粒度视觉语义，随后以区域间的语义关联度为权重，融合语义相关的区域以获得各区域的上下文信息;模型进而基于上下文注意力机制，动态地建模每一时刻图像序列视觉信息和上下文信息不同程度的受关注程度;最后，CAN模型还以层次化的解码器联合建模并利用了文本句间和句内的语义承接关系。在标准化图像序列描述数据集上的实验表明，CAN模型通过对图像序列的视觉信息及其上下文语义信息联合建模，在图像序列描述任务中获得了优于现有序列模型的效果。

关键词：语义联合建模算法设计生成式模型

来源：评论

学校读者我要写书评

暂无评论

基于深度学习生成式模型的图像异常检测研究

基于深度学习生成式模型的图像异常检测研究

引用

作者：魏雯东南大学

学位级别：硕士

图像异常检测是一种利用无标注样本或正常样本构建的检测模型,用于检测与正常模式存在差异的异常样本,具有使用已有的部分知识(正常图像数据或分布)就可以识别未知和不确定信息(变化多样的异常)的优势与特点。而生成式模型作为深度学习... 详细信息

图像异常检测是一种利用无标注样本或正常样本构建的检测模型,用于检测与正常模式存在差异的异常样本,具有使用已有的部分知识(正常图像数据或分布)就可以识别未知和不确定信息(变化多样的异常)的优势与特点。而生成式模型作为深度学习领域一个十分活跃的分支,凭借其强大的语义信息表征能力,已经成为半监督或自监督学习方向中最具前景的机器学习方法。因而本文对基于深度学习生成式模型的图像异常检测算法展开研究,主要目标是实现真实异常样本匮乏、监督信息匮乏、主流目标检测方法难以使用场景下的工业图像实例级异常检测以及细粒度异常的像素级定位,并实现检测和定位性能的进一步提升。本文主要工作和创新如下: 1.针对基于生成式模型的重构类异常检测算法在模型出现泛化时只使用正向激活表征而无法有效检测异常的问题,提出无监督下基于正向激活与反向梯度并行约束的图像异常检测算法。将反向梯度约束引入AE与GAN相结合的生成式模型中,并在训练阶段提出包含正向激活与反向梯度约束的新目标函数。在测试阶段,针对一般的异常度量多从正向的图像重构误差或特征匹配误差着手,存在调参过程复杂且容易因参数设置不合理而导致异常检测性能差的问题,提出二维异常评分方式,充分发挥正向激活表征与反向梯度表征各自划分正常异常样本的能力。在二维异常评分散点图上进行线性二分类,实现实例级异常检测;使用重构前后图像残差热力图实现局部异常定位。最后通过多组对比和消融实验,在公开数据集和私有数据集上验证了本方法的有效性。 2.针对无监督下基于生成式模型的重构类异常检测完全受样本或生成式模型质量制约性能,以及异常检测与定位任务无法同时达到最优性能的矛盾问题,提出一种有监督下基于图像增广和图像重构的异常检测与定位方法。使用数据增广策略,在正常样本的基础上基于Cutpaste增强和柏林噪声增强两种方式引入局部不规则异常,构造贴近正常分布的伪异常样本加入训练,将原本的图像实例级异常检测问题转换为图像分类问题。通过将构造的伪异常样本与其经过生成子网络得到的无异常重构样本进行通道级联后,再送入分类网络训练的方式,保留更多正常特征,增加分类网络的训练难度,期望经过联合判别学习到的正常、伪异常决策边界可以泛化到正常与真实异常样本的判别中。分类网络的输出直接作为异常评分,实现实例级异常检测;基于Grad-CAM可视化方法,使用流向分类网络中最后卷积层的梯度信息直接生成该分类网络对输入图像中异常类的关注区域,实现局部异常粗定位。最后通过对比和消融实验,在公开数据集和私有数据集上验证了本方法的有效性、先进性和通用性。 3.针对有监督下基于图像增广和图像重构的异常检测与定位方法训练分两阶段进行、尚且只实现了异常粗定位等问题,提出基于图像分割的异常定位与检测算法。在构造伪异常样本的基础上,转基于Grad-CAM的异常粗定位为基于UNet图像分割的像素级精定位,在原本的算法框架上实现端到端的训练与检测。为了使该方法兼具异常检测的高性能与高效率,提出了进一步的改进网络,在生成模型中增加SE通道注意力机制,使该生成子网络更加关注对实现样本无异常重构有效的正常特征,从而为后续的异常分割提供更显著的信息;使用mobile Net与UNet相结合的分割网络,在保证异常分割精度的同时实现模型的轻量化。最后通过多组对比实验,在公开数据集上验证了本方法在实例级异常检测和像素级异常定位上均达到了较高的水平。

关键词：图像异常检测生成式模型深度学习图像分类图像分割

来源：评论

学校读者我要写书评

暂无评论

基于生成式模型的零样本学习算法研究

基于生成式模型的零样本学习算法研究

引用

作者：王纪东浙江大学

学位级别：硕士

对于计算机视觉任务中的对象识别算法，大量的标注数据一直是必不可少的一环。但现实中物体的种类不胜枚举，还有不断被创造出的新兴事物，根本不可能建立一个包含所有类别物体视觉图片的数据库。这给传统有监督对象识别算法带来巨大的... 详细信息

对于计算机视觉任务中的对象识别算法，大量的标注数据一直是必不可少的一环。但现实中物体的种类不胜枚举，还有不断被创造出的新兴事物，根本不可能建立一个包含所有类别物体视觉图片的数据库。这给传统有监督对象识别算法带来巨大的挑战，同时也引发了人们对于不依赖于标签数据的分类算法的关注。零样本学习，一个利用部分类别的标注数据就能够识别不存在于训练集中类别的算法，也就应运而生。　　目前针对这一缺少部分类别的训练图片的视觉分类问题，人们提出了使用共享语义空间连接已知类和未知类的方法。假设所有类别存在一个共享语义空间，即不同类拥有的部分相同属性或者文本描述。那么可以将已知类学习得到的视觉空间到语义空间映射函数迁移到未知类上，再通过该映射函数进行未知类的识别。但是未知类的视觉特征缺乏仍然对迁移映射造成了巨大阻碍。已有研究者提出借助生成模型生成未知类样本，在已知类和生成的未知类样本共同构成的视觉空间中学习映射函数，该函数被证明有更高的迁移性能。另有研究表明，映射的泛化能力关键在于视觉特征空间和语义空间的流形一致性。因此本文以生成未知类样本的零样本学习为切入点，展开进一步研究和实验。通过对现有生成式模型的研究，认识到生成式模型具有的一定的未知类生成能力以及流形对齐能力。最终本文借助样本生成思路将生成式模型与零样本学习更好地结合，提升了归纳式零样本学习算法的性能。本文的主要贡献有:　　本文简要地描述了零样本学习定义并系统地归纳与生成式模型相关的零样本学习方法;分别针对零样本学习和生成式模型的基本算法以及发展做了简要地整理。重点总结了多种在归纳式零样本学习中运用生成式模型的方法，分为未知类视觉样本的生成和直接约束映射的两类思想。　　本文提出了运用生成式对抗网络生成未知类视觉特征样本，解决归纳式零样本学习中语义空间和视觉空间的流形不一致问题的算法;该算法运用条件对抗网络以及循环对抗网络，根据语义嵌入生成视觉样本作为新的语义嵌入，让语义空间和视觉空间的流形更加一致，提高了零样本学习算法的性能。　　本文通过生成式模型将语义属性生成未知类视觉图片，验证了生成模型的零样本生成能力。面对属性组合丰富的语义空间以及高分辨率的精细类图像数据，本文采用了加入视觉注意力机制的生成式对抗网络成功生成了在训练中没有出现过的鸟类图片。并通过生成的图片重构了语义空间，也提升零样本学习效果，间接验证了生成模型的性能。　　本文针对之前生成式对抗网络生成样本与零样本学习结合通常是两阶段学习，即先生成未知类样本再进行分类的现状。提出了一种结合对抗网络损失的端到端零样本学习算法，将未知类的生成直接加入分类训练中。并运用最新的谱规整化，条件投影判别器等技术使对抗网络训练更加稳定并契合分类零样本分类，从而进一步提高了零样本学习的性能。

关键词：计算机视觉零样本学习生成式模型语义空间视觉空间

来源：评论

学校读者我要写书评

暂无评论

基于生成式模型的零样本图像分类

基于生成式模型的零样本图像分类

引用

作者：王鑫中国矿业大学

学位级别：硕士

零样本学习(零样本图像分类)主要研究利用属性或词向量等额外信息充当语义空间,在训练类别与测试类别没有交集的情况下,如何对测试类样本进行正确分类的问题,以及如何减小由于训练样本和测试样本之间的分布差异导致的领域偏移问题。本... 详细信息

零样本学习(零样本图像分类)主要研究利用属性或词向量等额外信息充当语义空间,在训练类别与测试类别没有交集的情况下,如何对测试类样本进行正确分类的问题,以及如何减小由于训练样本和测试样本之间的分布差异导致的领域偏移问题。本文主要围绕基于生成式模型的零样本图像分类展开研究,主要研究内容如下:1.针对零样本学习中图像特征到语义属性映射会发生领域偏移问题,提出了一种自动编码器和类特征原型相结合的生成式零样本学习模型。首先构建图像特征的类特征原型,并作为每个类别的标记,利用核函数构建属性向量核矩阵;其次利用自动编码器对训练类别的类特征原型和属性核矩阵进行模型构建,自动编码器对图像特征进行重构,先编码后解码,两次映射可以减少图像特征与语义属性之间的信息丢失;然后将测试类的属性核矩阵应用到自动编码器模型以生成测试类的类特征原型,再利用测试类的类特征原型附近的K个近邻样本对生成的测试类特征原型进行修正;最后在图像特征空间对修正后类特征原型利用最近邻分类器进行零样本分类。2.针对大多数基于生成式模型的零样本图像分类中没有考虑到生成测试类样本中存在噪声,以及与真实测试类特征分布不一致的问题。提出一种基于条件变分编码器与领域适应的零样本学习模型。首先融合训练类的图像特征和语义属性作为模型的输入,利用变分自动编码器网络来挖掘语义属性与图像特征之间的关系,对输入向量进行重构训练;然后模型训练结束后,把测试类的图像特征初始化为高斯分布,利用变分自动编码器生成测试类的样本;为使训练类和测试类的具有相同特征分布,同时减小生成图像特征噪声,引入了领域自适应方法筛选出与测试类相似的图像特征,进而去除噪声样本;最后利用生成的测试类样本来训练SVM分类器来进行零样本分类。本文分别在AWA1、AWA2、CUB数据集上进行了仿真实验,并对实验结果进行了理论分析和探究思考,证实了本文所提2个模型相比于其它模型具有良好的分类性能。该论文含有图36幅,表8个,参考文献100篇。

关键词：语义属性生成式模型零样本学习自编码器领域自适应

来源：评论

学校读者我要写书评

暂无评论

基于生成式模型的往复式压缩机故障预警技术研究

基于生成式模型的往复式压缩机故障预警技术研究

引用

作者：苏方健北京化工大学

学位级别：硕士

往复式压缩机在流程工业中应用广泛,其易损件多、故障频发。一旦出现故障而未被及时发现,轻则给生产企业带来经济效益损失,重则造成人身伤亡。因此,对往复式压缩机建立有效、可靠的在线状态监测系统具有重要的意义。由于往复式压缩机运... 详细信息

往复式压缩机在流程工业中应用广泛,其易损件多、故障频发。一旦出现故障而未被及时发现,轻则给生产企业带来经济效益损失,重则造成人身伤亡。因此,对往复式压缩机建立有效、可靠的在线状态监测系统具有重要的意义。由于往复式压缩机运动部件的周期运转特性以及冲击性激励源的存在,其振动信号十分复杂。生产企业的在线监测系统中现用的单特征门限报警的故障预警方法由于仅考虑单一或数个振动特征的幅值变化,该方法建立振动信号与往复式压缩机运行状态间的映射关系较为简单,难以对往复式压缩机运行状态变化做出准确识别。如何在现有故障预警方法基础上进一步地提升对往复式压缩机故障预警有效性、实时性具有重要意义。本研究基于生成式模型方法分析往复式压缩机的振动信号,基此实现故障预警。具体研究内容如下:(1)往复式压缩机振动信号特征提取方法研究。首先,分析了往复式压缩机振动特性,确定堆栈降噪自编码器的网络结构参数;然后,将往复式压缩机健康状态下的振动信号作为训练样本,完成堆栈降噪自编码器的训练;保留其编码网络结构,将其作为特征提取模型用于提出往复式压缩机振动信号的鲁棒性特征;最后,利用往复式压缩机实际故障案例数据验证了特征提取方法的有效性。(2)往复式压缩机故障预警方法研究。首先,分析了往复式压缩机振动信号的统计特性,确定选用无限贝塔混合模型的生成式模型实现对往复式压缩机振动信号统计特性的准确表征;然后,提出了基于无限贝塔混合模型的故障预警方法,其通过计算往复式压缩机健康状态模型与实时状态模型的距离,并将其与自适应预警阈值作比较,实现对往复式压缩机的故障预警;最后,利用往复式压缩机的三种典型故障案例对该方法的有效性进行了验证。(3)对上述往复式压缩机故障预警方法进行改进。提出一种无限贝塔混合模型与区间统计相结合的故障预警方法。针对无限贝塔混合模型训练过程的计算复杂导致故障预警实时性较差的问题,提出利用区间统计方法对往复式压缩机的实时振动信号高维特征统计特性进行表征,通过将其表征结果与健康状态下往复式压缩机的无限贝塔混合模型计算距离,并与自学习得出的预警阈值作比较实现故障预警。利用往复式压缩机的三种典型故障案例验证验证该方法的有效性。

关键词：往复式压缩机振动信号故障预警生成式模型

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：