单一物探方法在解释时不可避免地存在多解性,尤其是在复杂地质条件区。通常对同一测线不同方法的数据分别解释,再基于解释成果,综合分析,相互佐证,是一种简单的组合分析法。虽然考虑了不同方法的数据特征,但未能从数据层级挖掘其中更深...单一物探方法在解释时不可避免地存在多解性,尤其是在复杂地质条件区。通常对同一测线不同方法的数据分别解释,再基于解释成果,综合分析,相互佐证,是一种简单的组合分析法。虽然考虑了不同方法的数据特征,但未能从数据层级挖掘其中更深层次的特征,解释成果是多个数据剖面,显示也不直观。为此,文中提出一种基于稀疏自编码器(Sparse Auto Encoders,SAE)的多方法工程物探数据融合方法。SAE是一种深度网络算法,通过不断学习,自动挖掘蕴含在数据中的深层次特征。融合数据兼备了多种物探数据中蕴含的物性参数特征,充分挖掘了数据中的地质信息,有效降低了解释的多解性,并能做到更直观地显示,可以更加全面地反映地质异常体的特征。展开更多
针对强噪声环境下雷达新型有源干扰识别准确率不高的问题,提出了一种KPCA-SAE-BP网络算法。提取干扰信号时域、频域、波形域、小波域、双谱域等特征构建67维输入空间,经过核主成分分析(kernel principal component analysis,KPCA)将高...针对强噪声环境下雷达新型有源干扰识别准确率不高的问题,提出了一种KPCA-SAE-BP网络算法。提取干扰信号时域、频域、波形域、小波域、双谱域等特征构建67维输入空间,经过核主成分分析(kernel principal component analysis,KPCA)将高维数据进行非线性降维与重构,利用SAE-BP神经网络完成分类识别。仿真结果表明,在干噪比(JNR)大于-1 dB的强噪声环境中,KPCA-SAE-BP网络算法对6种新型有源干扰的识别准确率达到90%以上,训练与识别时间少于0.7 s。相同参数条件下,与经典BP神经网络、SAE-BP网络、KPCA-BP网络、GA-BP网络相比,具有更好的检测识别性能。展开更多
针对稀疏自动编码器(Sparse auto encoder,SAE)采用sigmoid激活函数容易造成梯度消失的问题,用一种新的Tan函数替代原有的sigmoid函数;针对SAE采用Kullback-Leibler(KL)散度进行稀疏性约束在回归预测方面的局限性,以dropout机制替代KL...针对稀疏自动编码器(Sparse auto encoder,SAE)采用sigmoid激活函数容易造成梯度消失的问题,用一种新的Tan函数替代原有的sigmoid函数;针对SAE采用Kullback-Leibler(KL)散度进行稀疏性约束在回归预测方面的局限性,以dropout机制替代KL散度实现网络的稀疏性.利用改进SAE对滚动轴承振动信号进行无监督深层特征自适应提取,无需人工设计标签进行有监督微调.同时,考虑到滚动轴承剩余使用寿命(Remaining useful life,RUL)预测方法一般仅考虑过去信息而忽略未来信息,引入双向长短时记忆网络(Bi-directional long short-term memory,Bi-LSTM)构建滚动轴承RUL的预测模型.在2个轴承数据集上的实验结果均表明,所提基于改进SAE和Bi-LSTM的滚动轴承RUL预测方法不仅可以提高模型的收敛速度而且具有较低的预测误差.展开更多
针对滚动轴承的故障诊断问题,提出了一种基于栈式稀疏自编码网络(stacked sparse auto encoder,简称SSAE)、改进灰狼智能优化算法(improved grey wolf optimization,简称IGWO)以及支持向量机(support vector machine,简称SVM)的混合智...针对滚动轴承的故障诊断问题,提出了一种基于栈式稀疏自编码网络(stacked sparse auto encoder,简称SSAE)、改进灰狼智能优化算法(improved grey wolf optimization,简称IGWO)以及支持向量机(support vector machine,简称SVM)的混合智能故障诊断模型。首先,利用栈式自编码网络强大的特征自提取能力,实现故障信号深层频谱特征的自适应学习,通过引入稀疏项约束提高特征学习的泛化性能;其次,利用改进的灰狼算法实现支持向量机的参数优化;最后,基于优化后的SVM完成对故障特征向量的分类识别。所提混合智能故障诊断模型充分结合了深度神经网络强大的特征自学习能力和支持向量机优秀的小样本分类性能,避免了手工特征提取的弊端,可对不同故障类型的振动信号实现更精准的识别。多组对比实验表明,相比传统方法,笔者所提出的模型具有更优秀的故障识别能力,诊断准确率可达98%以上。展开更多
情感计算是现代人机交互中的关键问题,随着人工智能的发展,基于脑电信号(electroencephalogram, EEG)的情绪识别已经成为重要的研究方向.为了提高情绪识别的分类精度,本研究引入堆叠自动编码器(stacked autoencoder, SAE)对EEG多通道信...情感计算是现代人机交互中的关键问题,随着人工智能的发展,基于脑电信号(electroencephalogram, EEG)的情绪识别已经成为重要的研究方向.为了提高情绪识别的分类精度,本研究引入堆叠自动编码器(stacked autoencoder, SAE)对EEG多通道信号进行深度特征提取,并提出一种基于广义正态分布优化的支持向量机(generalized normal distribution optimization based support vector machine, GNDO-SVM)情绪识别模型.实验结果表明,与基于遗传算法、粒子群算法和麻雀搜索算法优化的支持向量机模型相比,所提出的GNDO-SVM模型具有更优的分类性能,基于SAE深度特征的情感识别准确率达到了90.94%,表明SAE能够有效地挖掘EEG信号不同通道间的深度相关性信息.因此,利用SAE深度特征结合GNDO-SVM模型可以有效地实现EEG信号的情绪识别.展开更多
文摘单一物探方法在解释时不可避免地存在多解性,尤其是在复杂地质条件区。通常对同一测线不同方法的数据分别解释,再基于解释成果,综合分析,相互佐证,是一种简单的组合分析法。虽然考虑了不同方法的数据特征,但未能从数据层级挖掘其中更深层次的特征,解释成果是多个数据剖面,显示也不直观。为此,文中提出一种基于稀疏自编码器(Sparse Auto Encoders,SAE)的多方法工程物探数据融合方法。SAE是一种深度网络算法,通过不断学习,自动挖掘蕴含在数据中的深层次特征。融合数据兼备了多种物探数据中蕴含的物性参数特征,充分挖掘了数据中的地质信息,有效降低了解释的多解性,并能做到更直观地显示,可以更加全面地反映地质异常体的特征。
文摘针对稀疏自动编码器(Sparse auto encoder,SAE)采用sigmoid激活函数容易造成梯度消失的问题,用一种新的Tan函数替代原有的sigmoid函数;针对SAE采用Kullback-Leibler(KL)散度进行稀疏性约束在回归预测方面的局限性,以dropout机制替代KL散度实现网络的稀疏性.利用改进SAE对滚动轴承振动信号进行无监督深层特征自适应提取,无需人工设计标签进行有监督微调.同时,考虑到滚动轴承剩余使用寿命(Remaining useful life,RUL)预测方法一般仅考虑过去信息而忽略未来信息,引入双向长短时记忆网络(Bi-directional long short-term memory,Bi-LSTM)构建滚动轴承RUL的预测模型.在2个轴承数据集上的实验结果均表明,所提基于改进SAE和Bi-LSTM的滚动轴承RUL预测方法不仅可以提高模型的收敛速度而且具有较低的预测误差.
文摘针对滚动轴承的故障诊断问题,提出了一种基于栈式稀疏自编码网络(stacked sparse auto encoder,简称SSAE)、改进灰狼智能优化算法(improved grey wolf optimization,简称IGWO)以及支持向量机(support vector machine,简称SVM)的混合智能故障诊断模型。首先,利用栈式自编码网络强大的特征自提取能力,实现故障信号深层频谱特征的自适应学习,通过引入稀疏项约束提高特征学习的泛化性能;其次,利用改进的灰狼算法实现支持向量机的参数优化;最后,基于优化后的SVM完成对故障特征向量的分类识别。所提混合智能故障诊断模型充分结合了深度神经网络强大的特征自学习能力和支持向量机优秀的小样本分类性能,避免了手工特征提取的弊端,可对不同故障类型的振动信号实现更精准的识别。多组对比实验表明,相比传统方法,笔者所提出的模型具有更优秀的故障识别能力,诊断准确率可达98%以上。
文摘情感计算是现代人机交互中的关键问题,随着人工智能的发展,基于脑电信号(electroencephalogram, EEG)的情绪识别已经成为重要的研究方向.为了提高情绪识别的分类精度,本研究引入堆叠自动编码器(stacked autoencoder, SAE)对EEG多通道信号进行深度特征提取,并提出一种基于广义正态分布优化的支持向量机(generalized normal distribution optimization based support vector machine, GNDO-SVM)情绪识别模型.实验结果表明,与基于遗传算法、粒子群算法和麻雀搜索算法优化的支持向量机模型相比,所提出的GNDO-SVM模型具有更优的分类性能,基于SAE深度特征的情感识别准确率达到了90.94%,表明SAE能够有效地挖掘EEG信号不同通道间的深度相关性信息.因此,利用SAE深度特征结合GNDO-SVM模型可以有效地实现EEG信号的情绪识别.
