检索结果-南通市图书馆

基于改进去噪自编码器的电力线信道传输特性识别实现

在线全文

学校读者我要写书评

暂无评论

电力信息与通信技术 2021年第9期19卷 86-92页

作者：胡正伟赵然陈维寅谢志远华北电力大学电气与电子工程学院河北保定071003

文章提出了一种改进的去噪自编码器,提高了带噪电力线信道传输特性样本的识别成功率。所提方案以一维时间序列代替二维图片作为输入,改进了传统自编码器的处理数据网络结构,引入z-score标准化及对应的反标准化对输入输出信号进行处理,... 详细信息

文章提出了一种改进的去噪自编码器,提高了带噪电力线信道传输特性样本的识别成功率。所提方案以一维时间序列代替二维图片作为输入,改进了传统自编码器的处理数据网络结构,引入z-score标准化及对应的反标准化对输入输出信号进行处理,在提高去噪能力的同时加快了收敛速度。选取包含2个隐含层的4层神经网络从软件模型及硬件实现2个方面验证了所提方法的有效性。

关键词：电力线通信去噪自编码标准化传输特性神经网络

基于改进栈式自编码器的风电机组发电机健康评估

在线全文

学校读者我要写书评

暂无评论

计算机工程与科学 2020年第3期42卷 517-522页

作者：林涛赵成林刘航鹏赵参参河北工业大学人工智能与数据科学学院天津300130

风电机组发电机具有结构复杂、维修困难的特点,为对其进行健康评估,结合去噪自编码器与稀疏自编码器的特点,对传统栈式自编码器模型进行改进,利用模型的重构误差监测风电机组发电机的运行状态。将经离线测试得到的重构误差与在线监测得... 详细信息

风电机组发电机具有结构复杂、维修困难的特点,为对其进行健康评估,结合去噪自编码器与稀疏自编码器的特点,对传统栈式自编码器模型进行改进,利用模型的重构误差监测风电机组发电机的运行状态。将经离线测试得到的重构误差与在线监测得到的重构误差进行分布差异性比对,通过融合3种差异指标得到风电机组发电机的健康度。利用河北某风场实际数据对健康评估模型进行训练测试,通过实例分析证明该模型能够有效跟踪风电机组发电机的状态变化,具有故障早期识别的作用。

关键词：风电机组发电机健康度栈式自编码器去噪自编码稀疏自编码器

在线全文

学校读者我要写书评

暂无评论

基于长短期记忆模型的交通拥堵预测方法

南京理工大学学报 2020年第1期44卷 26-32,48页

作者：吕鲜戚湧张伟斌南京理工大学计算机科学与工程学院江苏南京210094 南京理工大学电子工程与光电技术学院江苏南京210094

为了在交通拥堵预测算法中充分考虑各类因素的影响以及挖掘交通流数据隐含的深层特征,该文提出基于长短期记忆(Long-short term memory,LSTM)模型的交通拥堵预测方法。该方法充分考虑交通流特征、天气、节假日等因素,首先利用去噪自编... 详细信息

为了在交通拥堵预测算法中充分考虑各类因素的影响以及挖掘交通流数据隐含的深层特征,该文提出基于长短期记忆(Long-short term memory,LSTM)模型的交通拥堵预测方法。该方法充分考虑交通流特征、天气、节假日等因素,首先利用去噪自编码模型提取输入数据的核心特征,再使用LSTM模型长时记忆历史数据,二者结合对城市交通拥堵程度进行有效预测,通过与已有的交通拥堵预测模型进行对比,结果表明,该方法具有较高的预测准确度和鲁棒性,准确度能达到92%以上。

关键词：交通拥堵预测交通流量长短期记忆模型去噪自编码深度学习

在线全文

学校读者我要写书评

暂无评论

基于自编码网络模型的风机故障检测研究

软件导刊 2019年第9期18卷 158-162页

作者：章浩伟周琪馨任筱倩上海理工大学医疗器械与食品学院

为了保障风机的正常运行,提出基于自编码(Autoencoder,AE)的风机故障检测方法。依据法国风机ENGIE公开的风速传感器数据,建立欠完备自编码模型(UAE)、去噪自编码模型(DAE)与收缩编码器(CAE)模型,对风机风速传感器数据进行编码和解码,计... 详细信息

为了保障风机的正常运行,提出基于自编码(Autoencoder,AE)的风机故障检测方法。依据法国风机ENGIE公开的风速传感器数据,建立欠完备自编码模型(UAE)、去噪自编码模型(DAE)与收缩编码器(CAE)模型,对风机风速传感器数据进行编码和解码,计算重构误差并设定阈值进行故障检测。用多风机风速传感器数据建立PCA模型并与去噪编码器模型对比。根据ROC曲线与AUC值对比,得出欠完备自编码模型、去噪自编码模型、收缩编码器模型均可用于风机异常检测,且收缩编码器效果最好的结论。PCA模型也可用于故障检测,同时多风机故障检测效果高于单一风机。

关键词：风机故障自编码去噪自编码收缩编码器

基于字符级语言建模的汉蒙神经机器翻译方法研究

在线全文

学校读者我要写书评

暂无评论

昆明理工大学学报（自然科学版） 2023年第3期48卷 85-92页

作者：胡泽林高翊李淼曹宜超赣南师范大学物理与电子信息学院江西赣州341000 云南省少数民族语文指导工作委员会办公室云南昆明650499 中国科学院合肥智能机械研究所安徽合肥230031

随着机器学习技术的发展,文字翻译模型的翻译效率与准确率逐步提高,要达到理想的翻译效果离不开大量高质量的平行语料.疫情以来,我国坚持扩大内需、形成强大的国内市场,各民族间的联系比以往更为紧密,各种语言间的翻译尤为重要.蒙古语... 详细信息

随着机器学习技术的发展,文字翻译模型的翻译效率与准确率逐步提高,要达到理想的翻译效果离不开大量高质量的平行语料.疫情以来,我国坚持扩大内需、形成强大的国内市场,各民族间的联系比以往更为紧密,各种语言间的翻译尤为重要.蒙古语作为一类使用量较大的少数民族语言,不同词形涵义千差万别且缺少足够的平行语料支撑训练,导致现有的语言翻译模型效果不佳.本文针对以上问题,进行如下研究:(1)提出字符级语句分割,缓解平行语料不足带来的未登录词问题,降低了计算成本.(2)使用去噪自编码技术,迫使模型学习如何更加鲁棒地表达输入特征,增强模型的泛化能力.(3)使用无监督对偶式迭代翻译模型,将汉蒙翻译与蒙汉翻译以对偶方式同时进行无监督式迭代训练,实现语言建模与双向翻译,通过比较同数据集下该模型与传统Transformer模型训练的BLEU值得出,该模型具有更好的性能、更高的翻译准确率.

关键词：汉蒙神经机器翻译小语种语言翻译翻译模型去噪自编码字符级语言

在线全文

学校读者我要写书评

暂无评论

强化学习资产组合模型中的去噪和策略研究

强化学习资产组合模型中的去噪和策略研究

作者：周润楠东北大学

学位级别：硕士

我国金融证券市场日益完善,资管行业总管理规模逐渐增长,科学准确地构建一个高效的量化金融模型几乎是所有投资机构都关注的问题。资产组合问题可视作马尔科夫决策过程,可以使用强化学习方法进行交易决策。单纯使用强化学习可能会受到... 详细信息

我国金融证券市场日益完善,资管行业总管理规模逐渐增长,科学准确地构建一个高效的量化金融模型几乎是所有投资机构都关注的问题。资产组合问题可视作马尔科夫决策过程,可以使用强化学习方法进行交易决策。单纯使用强化学习可能会受到金融数据中噪声的影响,使得模型学习能力差。此外,在资产组合管理中,各个资产之间的相关性信息是十分重要的,能够提高强化学习投资组合模型的性能。本文使用去噪自编码实现金融数据去噪工作,改进了强化学习策略分布并构建了双流网络学习资产之间的相关性特征。在归一化的股票数据上添加了高斯噪声,使用卷积网络作为编码、解码器,将编码器的输出作为去噪后的结果。实验表明了该模块的有效性,Policy Gradient算法在添加了去噪自编码模块后它的累积收益率从82.0%提升至136.3%。其次在本文的资产组合模型中,使用了随机策略的强化学习算法,将策略分布改进为混合高斯分布,它充分拟合实际的策略分布,并增加了探索性。实验表明了改进的有效性,Policy Gradient算法在改进后它的累积收益率从82.0%提升至 105.2%。此外构造了双流策略网络,在策略网络中构造了三个网络:资产价格序列信息网络、资产相关性信息网络和决策网络。状态特征分别输入资产价格序列信息网络和资产相关性信息网络学习单个资产序列特征和资产组合相关性特征,最后在决策网络中将双流网络中的特征叠加进行学习。实验表明了双流网络结构的有效性,改进后,Actor-Critic算法的累积收益率从123.7%提升至155.9%。最后,本文改进的强化学习资产组合模型在中国市场上的回测期间,累积收益率为186.6%,年化收益率为98.7%,夏普比率为0.656,最大回撤为0.201。该模型与其他方法相比,在除了最大回撤指标上均优于其他模型,最大回撤与Yu策略相比较高。

关键词：强化学习去噪自编码高斯混合分布双流策略网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

神经网络的多稳定性研究

神经网络的多稳定性研究

作者：代雄电子科技大学

学位级别：硕士

在人们对生物大脑的认识越来越清楚后,开始使用各种数学模型来仿真生物大脑。神经网络是其中比较理想的模型,它在很多实际问题上取得了很好的效果。神经网络的稳定性是一个重要的研究方向,因为稳定的网络是指从某个领域出发轨迹最终收... 详细信息

在人们对生物大脑的认识越来越清楚后,开始使用各种数学模型来仿真生物大脑。神经网络是其中比较理想的模型,它在很多实际问题上取得了很好的效果。神经网络的稳定性是一个重要的研究方向,因为稳定的网络是指从某个领域出发轨迹最终收敛到某些吸引子上,稳定性是工程应用中的一个重要性质。本文从理论和应用两个方面研究了神经网络的多稳定性,取得以下研究成果:首先,我们研究了二维线性阈值递归神经网络的多稳定性。在这部分,我们将二维非线性网络转化为线性网络,利用矩阵的特征值研究神经网络的多稳定性,分别得到有外部输入的网络和无外部输入的网络存在多个连续吸引子的条件;这部分也研究了一种具有复特征值的实连接矩阵网络的多稳定性;并通过仿真验证了结论的有效性。其次,我们建立去噪自编码网络,完成了多个数字的存取,多个连续吸引子存在于一个网络中,扩大了网络的存储容量。并使用旋转图片的数据集,通过自编码去学习旋转图片数据集在二维和三维空间中的连续吸引子。最后,搭建了长短时记忆神经网络模型的结构,并推导前向传播和误差反向传播过程。分析这种模型在长序列问题中的记忆能力,同时也利用这个模型对时间序列数据(比特币近6年的价格)做了预测,最终验证了该网络强大的记忆功能。综上所述,以上这些成果对神经网络的研究有推动作用。

关键词：线性阈值神经网络多稳定性连续吸引子去噪自编码长短时记忆神经网络

基于稀疏表示和深度学习的SAR图像目标识别研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于稀疏表示和深度学习的SAR图像目标识别研究

作者：阮怀玉中国科学技术大学

学位级别：硕士

合成孔径雷达(Synthetic Aperture Radar, SAR)是一种主动式相干成像雷达,在环境监测、资源勘察和国防军事等领域有着广泛的应用。SAR在军事领域最主要的应用是实现对特定军事目标的检测和识别,如何实现SAR图像的自动目标识别(Automatic... 详细信息

合成孔径雷达(Synthetic Aperture Radar, SAR)是一种主动式相干成像雷达,在环境监测、资源勘察和国防军事等领域有着广泛的应用。SAR在军事领域最主要的应用是实现对特定军事目标的检测和识别,如何实现SAR图像的自动目标识别(Automatic Target Recognition, ATR),具有重要的理论和实践意义。SAR图像的目标识别研究也成为了国内外的研究热点。本文针对SAR图像目标识别中受相干斑噪声干扰,底层特征不稳健等问题,结合稀疏表示的特征学习能力和深度网络的高层特征抽取能力,分别提出了基于多尺度稀疏表示和基于深层去噪自编码网络的SAR图像目标识别算法,主要工作如下：1.基于多尺度稀疏表示方法的SAR图像目标识别方法。针对传统稀疏表示方法中缺少多尺度信息,且直接在SAR图像域进行稀疏表示易受噪声干扰等问题,提出一种基于密集SIFT特征的多尺度稀疏表示算法,首先提取图像的多尺度密集SIFT特征,利用SIFT特征训练多尺度字典,进一步对局部特征进行稀疏表示,最后使用多尺度稀疏表示训练线性SVM进行目标分类。2.基于深层去噪自编码网络的SAR图像目标识别方法。考虑SAR图像的相干斑噪声特性,利用去噪自编码器对噪声的鲁棒性,提出基于深层去噪自编码网络的SAR图像深层特征提取方法,首先通过提取大量密集SIFT特征作为特征输入,训练去噪自编码网络,避免了网络出现过拟合。通过深层去噪自编码网络,对SIFT特征进行了高层特征的抽取,用于后期分类器的特征输入。本文基于稀疏表示和深度学习基本理论,利用多尺度稀疏表示和深层去噪自编码网络构建特征学习框架,并以此提出了两种SAR图像目标识别算法。在MSTAR数据集和TerraSAR-X船舶数据集上的仿真实验表明,两种算法都可以学习有效鲁棒的特征表示,进一步提高了SAR图像目标识别的性能。

关键词：合成孔径雷达目标识别多尺度稀疏表示深度学习去噪自编码

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于数据融合的交通拥堵预测方法研究

基于数据融合的交通拥堵预测方法研究

作者：吕鲜南京理工大学

学位级别：硕士

随着经济发展与城市化进程加快,我国机动车保有量快速增长,截至2017年,全国汽车保有量达2.17亿辆,与2016年相比增加2304万辆,增长11.85%,而2017年末,全国公路总里程为477.35万公里,比2016年增加7.82万公里,增长1.64%,我国汽车保有量的... 详细信息

随着经济发展与城市化进程加快,我国机动车保有量快速增长,截至2017年,全国汽车保有量达2.17亿辆,与2016年相比增加2304万辆,增长11.85%,而2017年末,全国公路总里程为477.35万公里,比2016年增加7.82万公里,增长1.64%,我国汽车保有量的速度大大高于公路里程数增长,导致城市交通拥堵问题日益严重。智能交通系统(ITS)是将科学技术运用于交通运输、服务控制等领域,加强车辆、道路、使用者之间的联系,从而形成一种保障安全、提高效率、节约资源的综合运输系统,准确地对城市道路的交通拥堵进行预测,从而合理地进行交通调度,是目前主要解决交通拥堵的方法。本文通过分析各类可能对交通拥堵造成影响的因素,开展去噪自编码与长短期记忆模型(LSTM)相融合的交通拥堵预测方法研究,具有重要的学术价值和应用前景。论文的主要研究工作如下:(1)为了准确地预测交通拥堵状态,首先要解决的问题是交通数据质量问题。因此,本文首先开展数据融合研究,采用地磁传感器采集交通数据,提出基于固定阈值的状态机车辆检测算法,通过数据融合分析处理,对路段车辆进行检测,并获取车速、车流量、车型比例等信息。(2)现有对交通拥堵的预测工作很少对各种不同环境及社会因素进行分析,本文分别对交通流特征、天气以及节假日等因素对交通拥堵造成的影响进行分析,结合这些因素并利用LSTM模型分别对12个断面的交通拥堵进行预测,有效地提高了预测的准确度。(3)在上述研究工作的基础上,本文提出去噪自编码与LSTM相融合的交通拥堵预测方法,利用LSTM可长时记忆历史数据的特点和自编码模型提取数据的核心特征,二者结合对交通拥堵程度进行预测,最后通过与已有的交通拥堵预测模型进行对比,验证该交通拥堵预测方法具有较高的预测准确度,能达到92%以上。实验结果显示,将天气、节假日、时间段等因素考虑在内,并采用去噪自编码与LSTM相融合的预测模型可有效提高交通拥堵预测的准确度和鲁棒性。

关键词：交通拥堵数据融合长短记忆模型去噪自编码