第五代(fifth-generation,5G)移动通信技术的兴起,推动了物联网(Internet of things,IoT)的发展。然而,随着物联网数据传输量的爆发式增长,频谱资源短缺问题越来越严重。频谱感知技术极大的提高了物联网频谱利用率。但是,物联网移动通...第五代(fifth-generation,5G)移动通信技术的兴起,推动了物联网(Internet of things,IoT)的发展。然而,随着物联网数据传输量的爆发式增长,频谱资源短缺问题越来越严重。频谱感知技术极大的提高了物联网频谱利用率。但是,物联网移动通信环境的复杂性高以及信号易畸变的特性,对现有的频谱感知算法提出了重大挑战。因此,提出了一种融合去噪自编码器(denoising autoencoder,DAE)和改进长短时记忆(long short term memory,LSTM)神经网络的智能频谱感知算法。DAE通过编码和解码过程挖掘移动信号的底层结构特征,改进的LSTM频谱感知分类器模型结合过去时刻信息特征对时序信号序列进行分类。与支持向量机(support vector machine,SVM)、循环神经网络(recurrent neural network,RNN)、LeNet5、学习矢量量化(learning vector quantization,LVQ)和Elman算法相比,该算法的感知性能提高了45%。展开更多
非侵入式负荷监测(NILM)通过分析电力总线数据估计单个负荷的功率波形,是电力系统能耗管理的关键技术之一。随着用户对设备能耗管理需求的增加,NILM的准确性成为研究的重点之一,但它容易受到功率类型、功率水平和负荷变化的影响。单一N...非侵入式负荷监测(NILM)通过分析电力总线数据估计单个负荷的功率波形,是电力系统能耗管理的关键技术之一。随着用户对设备能耗管理需求的增加,NILM的准确性成为研究的重点之一,但它容易受到功率类型、功率水平和负荷变化的影响。单一NILM模型面对不同类型的负荷时准确性差异较大,使用单一方法难以在各类负荷上均取得理想效果。因此,提出一种基于堆叠集成学习的非侵入式负荷高精度辨识方法 AMEL(Aggregation Method based on Ensemble Learning)。首先,选择在各种类型的负荷中表现最优的几种方法构建NILM模型库;其次,建立一个基于多层感知机(MLP)的NILM模型偏好框架,以实现对不同负荷的高精度监测。在UK-DALE数据集上的实验结果表明,与典型的NILM方法相比,所提方法的平均绝对误差(MAE)平均降低了35.6%,F1、召回率和马修斯相关系数(MCC)分别平均提升了33.5%、30.6%和32.1%。此外,通过比较现有的堆叠集成方法和各类设备的辨识波形,验证了所提方法的有效性。展开更多
深入分析了城市物流竞争力的研究现状,结合深度学习相关理论,以深层自编码器(Deep Auto Encoder,DAE)标准模型与标准算法为基础,提出了基于Widrow函数的深层自编码器动量更新算法(DAE-WMA)。依据城市物流竞争力分析数据量特点,选取三种...深入分析了城市物流竞争力的研究现状,结合深度学习相关理论,以深层自编码器(Deep Auto Encoder,DAE)标准模型与标准算法为基础,提出了基于Widrow函数的深层自编码器动量更新算法(DAE-WMA)。依据城市物流竞争力分析数据量特点,选取三种UCI数据集,对基于误差函数的标准算法(DAE-ESA)、基于交叉熵的标准算法(DAE-CSA)以及DAE-WMA的模式分类能力进行仿真,仿真结果表明后者的性能优于前两者。依据物流竞争实力与竞争潜力,基于层次分析法(Analytic Hierarchy Process,AHP)通过选取7个评估维度与19个评价指标构建城市物流竞争力指标体系,利用DAE-WMA方法与社会网络分析(Social Network Analysis,SNA)方法,对我国西北五省区13个主要城市的物流竞争力进行聚类分析与实证研究,仿真结果表明DAE-WMA方法相对于SNA方法,对核心节点城市的分类结果更加合理,更有利于对问题的分析。研究结果为确定新丝绸之路经济带沿线城市物流发展策略,促进国内物流业未来的协作与发展奠定了研究基础。展开更多
针对利用卷积神经网络进行辐射源信号识别过程中时间复杂度高的问题进行研究,提出一种基于降噪自编码器和卷积神经网络结合的算法。首先对雷达辐射源信号进行短时傅里叶变换,获取时频图像;然后对图像进行灰度和阈值二值化处理,将处理后...针对利用卷积神经网络进行辐射源信号识别过程中时间复杂度高的问题进行研究,提出一种基于降噪自编码器和卷积神经网络结合的算法。首先对雷达辐射源信号进行短时傅里叶变换,获取时频图像;然后对图像进行灰度和阈值二值化处理,将处理后的图像向量化操作输入到降噪自编码器中,提取降噪自编码器隐藏层特征数据完成降维处理,再重构成图片矩阵输入到卷积神经网络中,利用常用的softmax分类器进行分类识别。通过仿真表明,添加降噪自编码器降维处理后的模型相比原模型,时间复杂度大幅度下降;在SNR=-6 d B时,识别效果能达到80%以上;与利用传统降维方式性能相比,识别效果明显提高。展开更多
文摘第五代(fifth-generation,5G)移动通信技术的兴起,推动了物联网(Internet of things,IoT)的发展。然而,随着物联网数据传输量的爆发式增长,频谱资源短缺问题越来越严重。频谱感知技术极大的提高了物联网频谱利用率。但是,物联网移动通信环境的复杂性高以及信号易畸变的特性,对现有的频谱感知算法提出了重大挑战。因此,提出了一种融合去噪自编码器(denoising autoencoder,DAE)和改进长短时记忆(long short term memory,LSTM)神经网络的智能频谱感知算法。DAE通过编码和解码过程挖掘移动信号的底层结构特征,改进的LSTM频谱感知分类器模型结合过去时刻信息特征对时序信号序列进行分类。与支持向量机(support vector machine,SVM)、循环神经网络(recurrent neural network,RNN)、LeNet5、学习矢量量化(learning vector quantization,LVQ)和Elman算法相比,该算法的感知性能提高了45%。
文摘非侵入式负荷监测(NILM)通过分析电力总线数据估计单个负荷的功率波形,是电力系统能耗管理的关键技术之一。随着用户对设备能耗管理需求的增加,NILM的准确性成为研究的重点之一,但它容易受到功率类型、功率水平和负荷变化的影响。单一NILM模型面对不同类型的负荷时准确性差异较大,使用单一方法难以在各类负荷上均取得理想效果。因此,提出一种基于堆叠集成学习的非侵入式负荷高精度辨识方法 AMEL(Aggregation Method based on Ensemble Learning)。首先,选择在各种类型的负荷中表现最优的几种方法构建NILM模型库;其次,建立一个基于多层感知机(MLP)的NILM模型偏好框架,以实现对不同负荷的高精度监测。在UK-DALE数据集上的实验结果表明,与典型的NILM方法相比,所提方法的平均绝对误差(MAE)平均降低了35.6%,F1、召回率和马修斯相关系数(MCC)分别平均提升了33.5%、30.6%和32.1%。此外,通过比较现有的堆叠集成方法和各类设备的辨识波形,验证了所提方法的有效性。
文摘针对利用卷积神经网络进行辐射源信号识别过程中时间复杂度高的问题进行研究,提出一种基于降噪自编码器和卷积神经网络结合的算法。首先对雷达辐射源信号进行短时傅里叶变换,获取时频图像;然后对图像进行灰度和阈值二值化处理,将处理后的图像向量化操作输入到降噪自编码器中,提取降噪自编码器隐藏层特征数据完成降维处理,再重构成图片矩阵输入到卷积神经网络中,利用常用的softmax分类器进行分类识别。通过仿真表明,添加降噪自编码器降维处理后的模型相比原模型,时间复杂度大幅度下降;在SNR=-6 d B时,识别效果能达到80%以上;与利用传统降维方式性能相比,识别效果明显提高。
文摘为了解决传统径向基(Radial basis function,RBF)神经网络在语音识别任务中基函数中心值和半径随机初始化的问题,从人脑对语音感知的分层处理机理出发,提出利用大量无标签数据初始化网络参数的无监督预训练方式代替传统随机初始化方法,使用深度自编码网络作为语音识别的声学模型,分析梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)和基于Gammatone听觉滤波器频率倒谱系数(Gammatone Frequency Cepstrum Coefficient,GFCC)下非特定人小词汇量孤立词的抗噪性能。实验结果表明,深度自编码网络在MFCC特征下较径向基神经网络表现出更优越的抗噪性能;而与经典的MFCC特征相比,GFCC特征在深度自编码网络下平均识别率相对提升1.87%。
