检索结果-南通市图书馆

计算机应用 2016年第1期36卷 158-162,193页

作者：沈承恩何军邓扬四川大学计算机学院成都610065

针对堆叠自动编码机（SA）容易产生过拟合而降低垃圾邮件分类精度的问题,提出了一种基于动态dropout的改进堆叠自动编码机方法。首先分析了垃圾邮件分类问题的特殊性,将dropout算法引入到堆叠自动编码机算法中;同时,根据传统dropout算... 详细信息

针对堆叠自动编码机（SA）容易产生过拟合而降低垃圾邮件分类精度的问题,提出了一种基于动态dropout的改进堆叠自动编码机方法。首先分析了垃圾邮件分类问题的特殊性,将dropout算法引入到堆叠自动编码机算法中;同时,根据传统dropout算法容易使部分节点长期处于熄火状态的缺陷,提出了一种动态dropout改进算法,使用动态函数将传统静态熄火率修改为随着迭代次数逐渐减小的动态熄火率;最后,利用动态dropout算法改进堆叠自动编码机的预训练模型。仿真结果表明,相比支持向量机（SVM）和反向传播（BP）神经网络,改进的堆叠自动编码机平均准确率达到了97.66%,各个数据集上马修斯系数都大于89%;与传统堆叠自动编码机相比,改进的堆叠自动编码机的马修斯系数在Error1-6数据集上分别提高了3.27%、1.68%、2.16%、1.51%、1.58%、1.07%。实验结果表明,基于动态dropout算法的改进堆叠自动编码机具有更高的分类精度和更好的稳定性。

关键词：深度学习堆叠自动编码机 dropout 支持向量机垃圾邮件分类

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的Wi-Fi与iBeacon融合的室内定位方法

引用

计算机工程与应用 2019年第1期55卷 29-34,46页

作者：薛伟陈璟张熠江南大学物联网工程学院江苏无锡214122 江南大学物联网技术应用教育部工程研究中心江苏无锡214122

针对传统室内定位指纹法存在定位精度低、容易受到环境影响的问题,提出了一种基于深度学习的Wi-Fi与iBeacon融合的室内定位方法。离线阶段在参考点处采集各个AP和iBeacon的信号强度,使用这些信号强度数据对堆叠自动编码机进行训练并从... 详细信息

针对传统室内定位指纹法存在定位精度低、容易受到环境影响的问题,提出了一种基于深度学习的Wi-Fi与iBeacon融合的室内定位方法。离线阶段在参考点处采集各个AP和iBeacon的信号强度,使用这些信号强度数据对堆叠自动编码机进行训练并从大量带有噪声的信号强度样本中提取特征,构建位置指纹数据库;在线定位阶段,使用堆叠自动编码机获得待测点信号强度特征并与位置指纹数据库中信号强度特征进行匹配,通过近邻算法估计待测点位置。实验结果表明,基于堆叠自动编码机的室内定位算法具有更高的定位精度。

关键词：室内定位深度学习堆叠自动编码机近邻算法 iBeacon Wi-Fi

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

优化的极限学习机模拟电路故障诊断研究

优化的极限学习机模拟电路故障诊断研究

引用

作者：汪斌斌桂林电子科技大学

学位级别：硕士

随着当今智能电子产品的快速发展和渗透社会的各个方面,由此电路系统检测与诊断已成为极具研究价值的战略性课题。电路系统中模拟电路集成度越来越高,一旦发生故障将导致电路系统的瘫痪。模拟电路的非线性和容差性的问题使得传统的诊断... 详细信息

随着当今智能电子产品的快速发展和渗透社会的各个方面,由此电路系统检测与诊断已成为极具研究价值的战略性课题。电路系统中模拟电路集成度越来越高,一旦发生故障将导致电路系统的瘫痪。模拟电路的非线性和容差性的问题使得传统的诊断方法和理论研究难以满足当下电路故障诊断需求,因此研究适用的和有效的模拟电路故障诊断方法显得尤为重要和急迫。随着群体算法和人工智能的迅速发展,为诊断理论和方法提供了新的有效途径。本文借此,以通用电路为对象分别从故障特征参数的提取、选择和故障分类器等方面进行研究,主要的研究工作和成果如下:(1)故障特征参数集提取和选择的研究。在故障特征参数集选择方面,本文采用自适应遗传算法(Adaptive Genetic Algorithm,AGA),AGA作为一种启发式搜索算法在最优化问题具有良好的效果。为保证特征参数之间的相关性,算法中适应度函数遵循散布矩阵规则,针对特征参数采样点的提取的原始特征参数采用二进制编码。通过实验验证在处理低维数据时拥有良好的效果。为了不局限于低维故障特征参数的处理能力,本文引入深度学习理论和方法。在高维特征参数提取方面进行了研究,利用深度学习网络稀疏自动编码机级联三层构建成堆叠自动编码机(Stack Auto-Encoder,SAE)。为了进一步提高堆叠自动编码机对高维数据提取能力的稳定性和准确性,文中研究了粒子群算法(Particle Swarm Optimization,PSO)对堆叠自动编码机网络权值和偏置的迭代寻优方法,然后进行实验验证了这一方法的可行性。(2)故障分类器的研究。本文以极限学习机(Extreme Learning Machine,简称ELM)作为故障分类器的基本网络,极限学习机网络具备参数配置少,权值和偏置随机赋值,网络学习速度和收敛快等特点。但是权值和偏置的随机赋值会对网络的稳定性有一定的影响,故文中提出了自适应狼群算法(Adaptive Wolf Pack Algorithm,简称AWPA)和构建了自适应狼群算法优化极限学习机的网络模型(AWPA-ELM)。其中自适应狼群算法是针对狼群算法(Wolf Pack Algorithm,简称WPA)在游走、召唤和围攻等行为缺乏学习能力,不能根据寻优空间和寻优资源的变化自我调整。文中引入自适应思想策略构建了自适应狼群算法,然后进行实验验证了该方法的可行性。

关键词：特征提取和选择故障诊断堆叠自动编码机自适应狼群算法极限学习机

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的风电功率预测方法研究

基于深度学习的风电功率预测方法研究

引用

作者：张浩华北电力大学(北京)

学位级别：硕士

风电的随机波动性影响电力系统的安全、稳定和经济运行,是大规模风电并网的主要挑战。风电功率预测是解决该问题的必要手段之一。现阶段风电功率预测最主要的问题是精度不足,除数值天气预报(Numerical Weather Prediction,NWP)精度的原... 详细信息

风电的随机波动性影响电力系统的安全、稳定和经济运行,是大规模风电并网的主要挑战。风电功率预测是解决该问题的必要手段之一。现阶段风电功率预测最主要的问题是精度不足,除数值天气预报(Numerical Weather Prediction,NWP)精度的原因外,预测模型也存在两方面问题:一是模型深度不足、映射结构简单;另一是训练样本维度少、规模小、未经严格清洗。上述问题导致预测模型学习能力不足、难以适应复杂风场景和描述复杂地形中流场关系,极大地限制了风电功率预测精度的提升。因此,本文中提出了基于堆叠降噪自动编码机(Stack Denoising Auto-Encoder,SDAE)的短期风电功率预测方法,建立了以多点数值天气预报为输入、多台机组功率为输出的深度学习模型。主要工作包括:1)提出了风电功率预测数据清洗方法通过对NWP、实测风速、实测功率等风电功率预测建模数据进行质量分析,提出了两种实测风速插补算法:基于流场相似状态的K最近邻插补(K Nearest Neighbor,KNN)和基于相关性排序的插补算法;提出了基于桨距角上临界曲线的功率数据筛选方法和全场功率数据筛选规则,实现对实测功率数据的筛选。结果表明:基于流场相似状态的KNN插补算法精度更高,更适合后续的建模工作;基于桨距角上临界曲线的功率数据筛选方法能快速准确的筛选出正常状态下的功率数据。2)提出了基于SDAE的多点NWP误差修正方法分析了NWP误差的时空分布模式;提出了一种基于SDAE的多点NWP误差修正方法,并建立了以多点NWP为输入、多台风电机组风速为输出的三隐层SDAE网络模型。结果表明:SDAE模型比3种现有模型的修正精度更高,且无需分月、分机组进行大批量建模。3)建立了基于NWP修正风速和SDAE的风电功率预测模型提出了基于多对多映射结构的风电功率预测建模方法,建立了基于修正NWP风速和SDAE的风电功率预测模型,模型以多点修正NWP风速作为模型输入、多台机组功率作为模型输出。结果表明:与8种主流的预测模型相比,NWP修正对功率预测精度的提升效果明显,采用多点NWP输入有助于提高预测精度,三隐层SDAE网络优于浅层网络。

关键词：风电功率预测深度学习多对多映射数据清洗 NWP修正堆叠自动编码机

来源：

同方学位论文库评论

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ELMD能量熵与PSO-SAE的齿轮故障诊断研究

引用

内燃机与配件 2019年第7期 34-36页

作者：马芸婷郭晓苏张彪段皓然内蒙古科技大学机械工程学院包头014010 包头轻工职业技术学院自动化学院包头014010 北京化工大学信息科学与技术学院北京100000

齿轮发生不同的故障会导致不同频带内的信号能量值发生改变,因此可通过计算不同振动信号的能量熵判断齿轮是否发生故障,而针对复杂多变的工况和噪声的干扰而导致的齿轮振动信号的非线性、非平稳性且由于数据量大等问题。传统的信号分析... 详细信息

齿轮发生不同的故障会导致不同频带内的信号能量值发生改变,因此可通过计算不同振动信号的能量熵判断齿轮是否发生故障,而针对复杂多变的工况和噪声的干扰而导致的齿轮振动信号的非线性、非平稳性且由于数据量大等问题。传统的信号分析方法,已无法表征丰富,海量的信号信息与复杂的多元非线性信号关系。故本文提出基于ELMD能量熵与PSO-SAE的齿轮故障诊断研究。该研究首先对原始信号进行ELMD分解,得到若干个乘积函数(PF);其次,对ELMD分解结果的前7个PF进行求取能量熵作为特征样本。最后进入一个经粒子群优化后的深度学习网络即堆叠自动编码机网络(PSO-SAE)对特征样本分类。实验中,将PSO-SAE与两类常用支持向量机分别进行识别精度与运行时间的对比。实验结果证明,所提研究方案可很好地应用在齿轮故障诊断研究中。

关键词： ELMD 能量熵深度学习堆叠自动编码机粒子群优化故障诊断

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

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

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

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

在线全文

在线全文

在线全文

在线全文

在线全文

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：