检索结果-内蒙古大学图书馆

第二十八届全国振动与噪声高技术应用学术会议

作者：敦泊森柳晨曦王奉涛大连理工大学振动工程研究所辽宁大连 116023

提取滚动轴承有效的故障特征参数是轴承故障诊断重要的组成部分,为改善核极限学习机(Kernel Extreme Learning Machine,KELM)高维数据特征选取的问题,提出一种结合稀疏自动编码器(Sparse Auto-Encoder,SAE)与KELM的方法.首先,提取振动... 详细信息

提取滚动轴承有效的故障特征参数是轴承故障诊断重要的组成部分,为改善核极限学习机(Kernel Extreme Learning Machine,KELM)高维数据特征选取的问题,提出一种结合稀疏自动编码器(Sparse Auto-Encoder,SAE)与KELM的方法.首先,提取振动信号的时域、频域和时频域特征构成高维特征向量;其次,采用多层SAE融合高维特征来消除特征的冗余性;最后,采用融合后的特征训练KELM,得到故障诊断模型.针对KELM对参数敏感的缺陷,采用萤火虫算法(IF)进行参数优化.为评估方法有效性,采用实验数据进行测试,并与传统KELM方法进行比较,结果显示该方法具有更好准确性和稳定性.

关键词：滚动轴承故障诊断稀疏自动编码器核极限学习机

来源：评论

学校读者我要写书评

暂无评论

基于稀疏自动编码器与SVM的滚动轴承故障诊断方法

基于稀疏自动编码器与SVM的滚动轴承故障诊断方法

引用

第十二届全国振动理论及应用学术会议

作者：敦泊森王奉涛邓刚刘晓飞大连理工大学振动工程研究所

提取滚动轴承有效的故障特征参数是轴承故障诊断重要的组成部分,针对支持向量机(Support Vector Machine,SVM)难以表征被测信号与轴承健康状况之间复杂的映射关系,以及高维数据下特征选取困难的问题,提出一种结合稀疏自动编码器(Sparse ... 详细信息

提取滚动轴承有效的故障特征参数是轴承故障诊断重要的组成部分,针对支持向量机(Support Vector Machine,SVM)难以表征被测信号与轴承健康状况之间复杂的映射关系,以及高维数据下特征选取困难的问题,提出一种结合稀疏自动编码器(Sparse Auto-Encoder,SAE)与SVM的方法。首先,提取振动信号的时域、频域和时频域特征构成高维特征向量;其次,采用深度稀疏自动编码器对特征向量进行学习,并提取深度特征,输入到SVM中进行训练;最后,采用有标签数据对结构进行微调,优化训练模型。为评估方法有效性,采用实验室数据进行测试,并与传统SVM方法进行比较,结果显示该方法具有更好准确性和稳定性。

关键词：滚动轴承稀疏自动编码器 SVM 特征参数选取

来源：评论

学校读者我要写书评

暂无评论

基于稀疏自动编码器与SVM的滚动轴承故障诊断方法

基于稀疏自动编码器与SVM的滚动轴承故障诊断方法

引用

第十二届全国振动理论及应用学术会议

作者：敦泊森王奉涛邓刚刘晓飞大连理工大学振动工程研究所大连116023

提取滚动轴承有效的故障特征参数是轴承故障诊断重要的组成部分,针对支持向量机(Support Vector Machine,SVM)难以表征被测信号与轴承健康状况之间复杂的映射关系,以及高维数据下特征选取困难的问题,提出一种结合稀疏自动编码器(Sparse Auto-Encoder,SAE)与SVM的方法.首先,提取振动信号的时域、频域和时频域特征构成高维特征向量;其次,采用深度稀疏自动编码器对特征向量进行学习,并提取深度特征,输入到SVM中进行训练;最后,采用有标签数据对结构进行微调,优化训练模型.为评估方法有效性,采用实验室数据进行测试,并与传统SVM方法进行比较,结果显示该方法具有更好准确性和稳定性.

关键词：滚动轴承故障诊断稀疏自动编码器支持向量机

来源：评论

学校读者我要写书评

暂无评论

基于稀疏自动编码器的飞参数据异常检测

引用

计测技术 2015年第2期35卷 11-14,61页

作者：杜辰飞曲建岭孙文柱高峰海军航空工程学院青岛校区山东青岛266041

为了改善人工判读飞参数据效率低且易出现误判和漏判的不良状况,本文提出一种基于稀疏自动编码器(Sparse auto-encoder,SAE)的飞参数据异常检测方法。首先构建了SAE的基本框架,然后以滑动窗口的形式生成训练样本。其次,用正常样本并结... 详细信息

为了改善人工判读飞参数据效率低且易出现误判和漏判的不良状况,本文提出一种基于稀疏自动编码器(Sparse auto-encoder,SAE)的飞参数据异常检测方法。首先构建了SAE的基本框架,然后以滑动窗口的形式生成训练样本。其次,用正常样本并结合BP算法对整个网络模型进行训练和优化以得到相应的正常样本重构误差分布阈值。最后,根据测试样本的重构误差对飞参数据中的典型异常进行检测。实验证明,该方法可在样本不平衡的情况下,仅利用正常样本构建参数空间,并得到正常样本重构误差分布门限,准确检测出飞参数据中的异常,实现飞参数据机器判读。

关键词：飞参数据异常检测稀疏自动编码器反向传播算法重构误差

来源：评论

学校读者我要写书评

暂无评论

基于稀疏自动编码器和支持向量机的图像分类

基于稀疏自动编码器和支持向量机的图像分类

引用

2018年中国仿真大会

作者：刘芳路丽霞王洪娟王鑫北京工业大学信息与通信工程学院北京 100124

针对单层稀疏自动编码器在特征学习时容易丢失深层抽象特征，特征缺乏鲁棒性的缺点，提出一种新的基于稀疏自动编码器和支持向量机的图像分类方法。构建深度稀疏自动编码器对图像逐层学习并自动提取每层特征，根据特征集权值重组法得到... 详细信息

针对单层稀疏自动编码器在特征学习时容易丢失深层抽象特征，特征缺乏鲁棒性的缺点，提出一种新的基于稀疏自动编码器和支持向量机的图像分类方法。构建深度稀疏自动编码器对图像逐层学习并自动提取每层特征，根据特征集权值重组法得到每层特征权值和重组特征集。将遗传算法强大的全局搜索能力和支持向量机分类优势结合，高效、准确的完成图像分类。实验结果表明，该算法能自动地学习图像深层特征，重组特征集具有较高的特征识别力，有效地提高了图像分类准确率。

关键词：稀疏自动编码器特征学习遗传算法支持向量机图像分类

来源：评论

学校读者我要写书评

暂无评论

将稀疏自动编码器用于置换混叠图像盲分离

引用

信号处理 2016年第5期32卷 608-617页

作者：段新涛李飞飞刘尚旺彭涛王婧娟河南师范大学计算机与信息工程学院河南新乡453007 河南省高校"计算智能与数据挖掘"工程技术研究中心河南新乡453007

针对一类置换区域含噪声的置换混叠图像,提出一种基于稀疏自动编码器的算法来自动检测和分离含噪声的置换区域。对含噪声的置换混叠图像进行分块,获取输入数据集。构建稀疏自动编码器网络,通过数据集训练参数,获得解码后的置换混叠图像... 详细信息

针对一类置换区域含噪声的置换混叠图像,提出一种基于稀疏自动编码器的算法来自动检测和分离含噪声的置换区域。对含噪声的置换混叠图像进行分块,获取输入数据集。构建稀疏自动编码器网络,通过数据集训练参数,获得解码后的置换混叠图像。将解码后图像与原置换混叠图像作差运算得到差图像,通过检测差图像来确定置换区域,采用自适应阈值化操作分离出含噪声的置换区域,实现对置换区域的自动检测和分离。实验结果表明,采用本算法在置换区域位置、大小、个数和所含噪声类型、大小均未知的情况下,能有效地分离出含噪声的置换区域。

关键词：盲分离置换混叠图像稀疏自动编码器深度学习噪声检测

来源：评论

学校读者我要写书评

暂无评论

基于自动编码器组合的深度学习优化方法

引用

计算机应用 2016年第3期36卷 697-702页

作者：邓俊锋张晓龙武汉科技大学计算机科学与技术学院武汉430065 智能信息处理与实时工业系统湖北省重点实验室武汉430065

为了提高自动编码器算法的学习精度,更进一步降低分类任务的分类错误率,提出一种组合稀疏自动编码器(SAE)和边缘降噪自动编码器(m DAE)从而形成稀疏边缘降噪自动编码器(Sm DAE)的方法,将稀疏自动编码器和边缘降噪自动编码器的限制条件... 详细信息

为了提高自动编码器算法的学习精度,更进一步降低分类任务的分类错误率,提出一种组合稀疏自动编码器(SAE)和边缘降噪自动编码器(m DAE)从而形成稀疏边缘降噪自动编码器(Sm DAE)的方法,将稀疏自动编码器和边缘降噪自动编码器的限制条件加载到一个自动编码器(AE)之上,使得这个自动编码器同时具有稀疏自动编码器的稀疏性约束条件和边缘降噪自动编码器的边缘降噪约束条件,提高自动编码器算法的学习能力。实验表明,稀疏边缘降噪自动编码器在多个分类任务上的学习精度都高于稀疏自动编码器和边缘降噪自动编码器的分类效果;与卷积神经网络(CNN)的对比实验也表明融入了边缘降噪限制条件,而且更加鲁棒的Sm DAE模型的分类精度比CNN还要好。

关键词：深度学习自动编码器稀疏自动编码器降噪自动编码器卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

极限学习机与自动编码器的融合算法研究

极限学习机与自动编码器的融合算法研究

引用

作者：林雨吉林大学

学位级别：硕士

图像识别是人工智能的一个重要研究领域。近些年来,随着互联网当中图片数量的迅速增长,图像识别技术也受到了越来越多的关注。在图像识别领域中,对分类器的研究十分重要,分类器性能的好坏往往决定着一个实际应用的成功与否。在当今互联... 详细信息

图像识别是人工智能的一个重要研究领域。近些年来,随着互联网当中图片数量的迅速增长,图像识别技术也受到了越来越多的关注。在图像识别领域中,对分类器的研究十分重要,分类器性能的好坏往往决定着一个实际应用的成功与否。在当今互联网大数据的时代背景下,深度学习的出现引起了学术界和工业界的广泛关注,也掀起了人们对深度学习理论及其应用的研究热潮。深度学习能够模仿人脑的内部结构,学习不同的知识,有效地解决多类复杂的智能问题。深度学习的多种算法已经被广泛的应用在各个研究领域。极限学习机是从单隐层的神经网络发展而来,具有简单有效、训练参数少和良好泛化性能等特点。它的出现解决了传统前馈神经网络算法学习参数过程相对繁琐的问题。之后,增量极限学习机、正则化极限学习机和核极限学习机等极限学习机的改进算法相继被提出,目前,国内外越来越多的科研人员将研究重心转移到了极限学习机的理论和应用研究当中。本文使用稀疏自动编码器与极限学习机和核极限学习机进行组合提出了两种具有深层神经网络结构的算法模型并将其应用在图像识别任务当中。两种算法模型分别是:栈式稀疏自动编码器-极限学习机和栈式稀疏自动编码器-核极限学习机,我们使用深度学习当中的特征学习方法去训练稀疏自动编码器组成栈式稀疏自动编码器,多层的稀疏自动编码器能够对原始输入数据进行特征学习,极限学习机和核极限学习机则用来对经过特征学习的数据表示进行识别分类。为了验证提出算法的性能,我们分别将两种算法在三个图像数据集上进行实验,实验结果证明,本文提出的算法模型结果不仅优于具有浅层结构的支持向量机、极限学习机和核极限学习机算法模型,而且还优于具有深层结构的栈式自动编码器、深度置信网络和栈式去噪自动编码器算法模型。

关键词：深度学习极限学习机稀疏自动编码器图像识别

来源：评论

学校读者我要写书评

暂无评论

基于改进的TFIDF和压缩自动编码器文本分类研究

引用

齐鲁工业大学学报 2017年第3期31卷 61-66页

作者：靖慧杨振宇于敏齐鲁工业大学信息学院济南250353

为了提高文本分类的分类效果和降低分类的错误率,本文将深度学习中的压缩自动编码器逐层叠加,提出基于改进的TFIDF和堆叠的压缩自动编码器SCAE(Stack Contractive Auto-Encoder)的文本分类思想,将SCAE构成深度神经网络,无监督的训练学... 详细信息

为了提高文本分类的分类效果和降低分类的错误率,本文将深度学习中的压缩自动编码器逐层叠加,提出基于改进的TFIDF和堆叠的压缩自动编码器SCAE(Stack Contractive Auto-Encoder)的文本分类思想,将SCAE构成深度神经网络,无监督的训练学习文本,提高特征提取的鲁棒性,并使用反向传播算法优化网络中的参数,在计算特征词的权重时,采用本文改进的TFIDF方法。通过实验将CAE和SAE(稀疏自动编码器)进行比较,采用支持向量机(SVM)分类。实验表明,单层的CAE比单层的SAE的分类性能更好,堆叠压缩编码器学习比堆叠的稀疏编码器的分类性能同样要好。

关键词：特征提取压缩自动编码器稀疏自动编码器堆叠压缩自动编码器 SVM 文本分类

来源：评论

学校读者我要写书评

暂无评论

基于自编码器和卷积神经网络的电能质量扰动分类

引用

电力系统及其自动化学报 2019年第7期31卷 70-75页

作者：朱瑞金郭威麟龚雪娇西藏农牧学院电气工程学院

传统电能质量扰动分类方法往往需要依靠专家经验提取特征,分类的准确率有限。结合具有强大特征提取能力的稀疏自动编码器和卷积神经网络提出了一种基于深度学习的电能质量扰动分类方法。本文所提方法包括无监督的特征提取和有监督的扰... 详细信息

传统电能质量扰动分类方法往往需要依靠专家经验提取特征,分类的准确率有限。结合具有强大特征提取能力的稀疏自动编码器和卷积神经网络提出了一种基于深度学习的电能质量扰动分类方法。本文所提方法包括无监督的特征提取和有监督的扰动分类两个环节。首先,通过编码器将高维度的输入数据映射到低维的隐变量特征,并利用解码器把新特征还原为原始的输入信号。然后,以编码器输出的隐变量作为特征,经卷积网络输出扰动类型。仿真结果表明,本文方法提取的特征以及分类器的性能均优于传统方法。

关键词：电能质量扰动分类稀疏自动编码器卷积神经网络

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：