检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于堆栈自编码器的协同过滤推荐方法研究

基于堆栈自编码器的协同过滤推荐方法研究

作者：刘新宇武汉大学

学位级别：硕士

随着互联网的快速发展,网上信息量急剧增加,这为用户获取信息提供了便利,满足了用户对信息的需求。但与此同时,大量的信息也使用户难以从中获得对自己真正有价值的信息,导致了信息过载问题。推荐系统是能够有效应对信息过载问题的方法... 详细信息

随着互联网的快速发展,网上信息量急剧增加,这为用户获取信息提供了便利,满足了用户对信息的需求。但与此同时,大量的信息也使用户难以从中获得对自己真正有价值的信息,导致了信息过载问题。推荐系统是能够有效应对信息过载问题的方法之一。与搜索引擎相比,推荐系统的不同之处在于它不需要用户自主检索目标信息,而是通过特定的方式对用户的历史行为进行分析和研究,推测出用户可能需要的信息,并主动向用户提供这些信息。协同过滤推荐方法根据用户和项目的历史交互进行推荐,是目前应用最成功的推荐方法。近年来,随着深度学习的兴起,推荐系统与深度学习的结合已经成为当前的研究热点。传统的协同过滤方法通常使用矩阵分解来建模用户与项目之间的交互,难以学习非线性的用户-项目交互关系。通过使用深度神经网络代替矩阵分解可以有效地解决这一问题,从而提升推荐性能。然而,现有方法仍然存在一些问题:用户和项目的潜在向量是通过简单的独热编码生成的,不能有效地表示用户和项目的本质特征;使用浅层模型对潜在特征的交互进行建模,不能有效地学习用户和项目之间的低秩关系。针对上述问题,本文的主要工作如下:1)针对生成的潜在向量不能有效地表示用户和项目本质特征的问题,本文提出了一种基于堆栈自编码器的神经协同过滤推荐模型。模型使用堆栈自编码器学习用户和项目的隐藏表示,并通过隐藏表示最小化训练数据的偏差。与现有方法不同,本文提出的方法将完整的交互矩阵作为输入,使用堆栈自编码器学习交互信息并生成潜在向量。利用堆栈自编码器从用户-项目交互矩阵中学习的潜在向量充分利用了用户-项目交互信息,能有效地表示用户和项目本质特征。通过在数据集上进行实验证明了该模型的有效性。2)针对使用浅层模型不能有效地学习用户和项目之间低秩关系的问题,本文进一步提出了一种融合深度矩阵分解的堆栈自编码器推荐模型。模型使用深度神经网络学习用户和项目的表示,通过非线性投影将用户和项目映射到一个公共的低维空间,从而能够有效地学习用户和项目的低维表示以及它们之间的低秩关系。与现有方法使用的浅层+深层模式不同,融合深度矩阵分解的方法使用深层+深层模式实现隐式反馈的协同过滤,实验证明该模型可以进一步提升推荐性能。

关键词：推荐系统协同过滤深度学习隐式反馈堆栈自编码器

基于堆栈自编码器的加氢裂化多采样率数据软测量建模

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于堆栈自编码器的加氢裂化多采样率数据软测量建模

作者：冯路中南大学

学位级别：硕士

加氢裂化是炼油石化行业的重要生产过程。其中,产品质量信息为生产过程监测、控制和优化的重要基础。质量变量通常由滞后较大的离线方法测得,而软测量技术通过构建过程变量与质量变量之间的模型,为质量变量实时预测提供了切实可行的方... 详细信息

加氢裂化是炼油石化行业的重要生产过程。其中,产品质量信息为生产过程监测、控制和优化的重要基础。质量变量通常由滞后较大的离线方法测得,而软测量技术通过构建过程变量与质量变量之间的模型,为质量变量实时预测提供了切实可行的方法。加氢裂化过程包含多产品且各产品具有多质量变量,质量变量之间也具有各不相同的采样特性。传统软测量方法主要利用有标签样本对单个质量变量建模,造成过程大量无标签样本浪费、模型个数和参数总量过多、设备负担重等问题,且无法对不同质量变量的关联关系进行建模,给软测量在生产中的应用带来了挑战。堆栈自编码器凭借其在无监督特征提取、大规模数据处理和可扩展性等方面的出色表现,为有效解决上述问题提供了重要基础模型。因此,本文以加氢裂化的多采样率数据为研究对象,研究基于堆栈自编码器的加氢裂化多采样率数据建模,论文主要创新性研究工作如下:(1)针对加氢裂化过程输入/输出不等采样率特性导致的大量无标签样本信息浪费的问题,提出了基于堆栈注意力自编码器的多输入单输出软测量方法。该方法通过半监督策略,将无标签和有标签数据用于模型的预训练和构建,并设计注意力模块提取质量相关的特征用于软测量精准建模。仿真结果验证了所提方法能够有效提高单质量变量的预测精度。(2)针对加氢裂化过程不同质量变量间多采样率特性导致的反向传播计算失效和模型偏向等问题,提出了基于多采样率堆栈自编码器的多输入多输出软测量方法。该方法创新地将网络结构设计为共享网络和质量特定网络分别用于多质量变量的共性和特性特征提取,实现了对不同采样率质量变量之间的关联关系建模,并通过预训练、全局微调和子网络单独微调完成模型训练。仿真结果验证了所提方法减少模型参数总量的同时提高了预测性能。(3)针对加氢裂化过程各质量变量的不规则采样特性导致模型整合和学习困难的问题,提出了基于不规则采样堆栈自编码器的多输入多输出软测量方法。该方法通过预训练基网络、生成子网络掩膜矩阵和并行交替微调子网络三个步骤完成模型训练,实现了对不规则采样质量变量的整合并提取更细粒度的共性和特性特征用于多质量指标预测。仿真结果验证了所提方法对不规则采样质量变量建模的有效性。图30幅,表13个,参考文献85篇。

关键词：流程工业质量预测软测量堆栈自编码器加氢裂化多采样率数据

基于深度堆栈自编码器迁移学习的滚动轴承故障诊断方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度堆栈自编码器迁移学习的滚动轴承故障诊断方法研究

作者：刘文睿北京交通大学

学位级别：硕士

现代工业生产的效率,依赖于设备的高效性。滚动轴承作为机械设备中使用频率最高的部件,如果能对其运行状态进行判断甚至提前预测故障的存在将对机械管理水平的提高有着不同凡响的意义。传统的滚动轴承故障诊断技术依赖于人工的经验,已... 详细信息

现代工业生产的效率,依赖于设备的高效性。滚动轴承作为机械设备中使用频率最高的部件,如果能对其运行状态进行判断甚至提前预测故障的存在将对机械管理水平的提高有着不同凡响的意义。传统的滚动轴承故障诊断技术依赖于人工的经验,已经不能适应大数据的诊断需求。深度学习技术可以摆脱对信号的处理和人工提取的依赖,已经成为目前最主流的应用技术。然而神经网络提取深层特征忽略原始特征的问题,以及小样本数据集的影响,导致现有网络自适应能力不佳。为了解决这些问题,本文分别提出了嵌入式堆栈稀疏自动编码器模型改善网络特征提取性能,以及验证不同核函数对迁移学习方法改善小样本数据的影响。作为后续分析的基础,本文研究了网络参数对神经网络性能的影响,通过对网络参数、正则化参数和优化参数的研究,选定了神经网络最合适的参数组合。针对现有的深度堆栈自编码网络(Deep stacked autoencoder,DSAE)在网络结构和训练过程中没有考虑原始特征,深层特征与原始特征的互补性不理想的情况,提出了一种嵌入式堆栈稀疏自动编码器网络模型(Embedded Stacked Group Sparse Autoencoder Ensemble,ESGSAE)。首先,通过评估隐藏层输出的有效性,在分层训练过程中引入原始信息的约束,增强深层特征和原始特征之间的互补性。其次,在每个自编码器的输入结构都设计了一个嵌入单元,将原始信息嵌入每个编码输出中,融合原始特征和当前层的输出,在更高的隐藏层构建特征表示。最后,再对隐藏单元采用组稀疏性约束,以消除冗余,提高简化程度。利用滚动轴承数据集在时域特征和频域特征下的信号分别验证,实验结果证明,所提出的ESGSAE模型与DSAE模型相比表现更好的特征提取能力和分类效果。针对现实生活生产情境下,无标签数据多而有标签数据少甚至少样本数据的情况。迁移学习可以应用于小样本数据领域,学习与目标数据相近的有标签数据,将学习到的数据标签进行迁移,补充数据集的数据;或者利用已经训练好的模型的整体或部分层,对目标域数据进行训练。核函数是有核算法中的关键参数,以基于特征的迁移学习方法中的迁移成分分析法为基础,对不同核函数对算法影响的对比分析。结果显示,具有融合多源信息的能力的组合核在各种迁移条件均表现良好,与其他代表性核函数相比具有更好的分类准确性。

关键词：自编码器堆栈自编码器滚动轴承故障诊断迁移学习迁移成分分析核函数

叶绿素a浓度反演模型:堆栈自编码器粒子群优化BP神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

地球信息科学学报 2023年第9期25卷 1882-1893页

作者：韩宝辉赵起超常荣李笑萌颜克勤付启铭北华航天工业学院遥感信息工程学院廊坊065000 河北省航天遥感信息处理与应用协同创新中心廊坊065000 河北雄安新区管理委员会生态环境局保定071700

内陆水体叶绿素a浓度是衡量水体富营养化程度的主要指标,是影响水体反射率光谱特征的重要因素之一。本文以白洋淀烧车淀、圈头乡各村庄等水域为研究区,采集了高光谱数据和水样,并在实验室测定叶绿素a等水质参数,应用于白洋淀区域的叶绿... 详细信息

内陆水体叶绿素a浓度是衡量水体富营养化程度的主要指标,是影响水体反射率光谱特征的重要因素之一。本文以白洋淀烧车淀、圈头乡各村庄等水域为研究区,采集了高光谱数据和水样,并在实验室测定叶绿素a等水质参数,应用于白洋淀区域的叶绿素a高光谱遥感反演。针对线性降维方法特征提取能力不足和神经网络构建叶绿素a遥感反演模型时学习效率低、泛化能力差的问题,提出了堆栈自编码器粒子群优化BP神经网络模型。该模型利用堆栈自编码器强大的非线性变换能力,通过最小化重构误差来学习高光谱数据特征,在实现数据降维的同时最大程度保留原始光谱数据中的水体辐射信息,提取出实测水体光谱的深度特征,将BP神经网络初始权重作为粒子的位置向量,通过粒子群算法搜寻网络初始权重的最优值,降低出现局部极值的概率,提高模型的稳定性和反演的精确度。堆栈自编码器粒子群优化BP神经网络模型(R2=0.82,RMSE=2.65μg/L,MAE=1.89μg/L)相较于对高光谱数据不降维的BP神经网络模型(R2=0.75,RMSE=3.16μg/L,MAE=2.39μg/L)、基于主成分分析法降维的BP神经网络模型(R2=0.79,RMSE=2.85μg/L,MAE=2.29μg/L)和基于逐步回归分析法降维的BP神经网络模型(R2=0.80,RMSE=2.79μg/L,MAE=2.38μg/L)反演结果相比,堆栈自编码器粒子群优化BP神经网络模型对内陆水体叶绿素a高光谱遥感反演具有较高的精度,为内陆二类水体叶绿素a高光谱遥感反演提供一定的理论依据和技术支持,助力白洋淀水质持续监测,也为以后高光谱卫星遥感影像反演叶绿素a提供新思路。

关键词：实测光谱堆栈自编码器粒子群优化算法 BP神经网络水质检测叶绿素a反演数据降维特征提取

在线全文

学校读者我要写书评

暂无评论

基于迁移堆栈自编码器的轴承故障诊断方法

噪声与振动控制 2021年第6期41卷 84-89,125页

作者：贾美霞韩宝坤王金瑞张骁郭雷赵伟涛山东科技大学机械电子工程学院山东青岛266000 特雷克斯(常州)机械有限公司江苏常州213022

近年来,基于数据驱动的设备智能故障诊断方法是监测设备健康状况的重要手段,然而在实际中不同工况下含标注的监测数据严重缺乏,导致智能故障诊断的模型难以有效构建。提出一种基于迁移堆栈自编码器的轴承故障诊断方法,能成功解决不同工... 详细信息

近年来,基于数据驱动的设备智能故障诊断方法是监测设备健康状况的重要手段,然而在实际中不同工况下含标注的监测数据严重缺乏,导致智能故障诊断的模型难以有效构建。提出一种基于迁移堆栈自编码器的轴承故障诊断方法,能成功解决不同工况下轴承故障智能诊断的问题。首先,将不同工况下轴承原始振动信号数据进行快速傅里叶变换转化成频域信号,得到带标签的源域和不带标签的目标域数据集。其次,使用基于堆栈自编码器的多分类网络结构对源域数据进行特征提取,为防止过拟合加入Dropout层和批标准化层,从而有效提高特征的提取。最后,利用多核最大均值差异作为评价源域和目标域的距离指标,实现域不变特征提取并进行迁移学习。将该方法用于不同工况下滚动轴承的数据集进行验证,结果表明目标域样本充足时轴承故障诊断分类准确率能够达到99.4%,目标域样本为源域样本5%时其分类准确率能达到95.2%,具有较好的应用前景。

关键词：故障诊断迁移学习堆栈自编码器多核最大均值差异滚动轴承

基于自适应矩估计优化堆栈自编码器的过热汽温预测模型

在线全文

学校读者我要写书评

暂无评论

电力科学与工程 2022年第10期38卷 47-53页

作者：马良玉梁书源华北电力大学控制与计算机工程学院河北保定071003

为实现锅炉过热汽温的预测优化控制,基于某600 MW超临界机组的运行数据,采用堆栈自编码器(stacked autoencoder,SAE)建立其过热汽温特性预测模型。为加快模型训练误差梯度的下降速度,引入自适应矩估计(adaptive moment estimation,Adam... 详细信息

为实现锅炉过热汽温的预测优化控制,基于某600 MW超临界机组的运行数据,采用堆栈自编码器(stacked autoencoder,SAE)建立其过热汽温特性预测模型。为加快模型训练误差梯度的下降速度,引入自适应矩估计(adaptive moment estimation,Adam)算法对SAE模型进行优化;对使用不同隐含层激活函数时预测模型精度的变化情况进行比较后,选择效果更好的elu激活函数。将基于以上策略建立的Adam-SAE过热汽温预测模型与采用随机搜索优化的极端梯度提升模型的预测效果进行对比,结果表明,Adam-SAE模型的预测误差更小、精度更高。

关键词：超临界机组过热汽温预测堆栈自编码器 Adam算法 elu激活函数极端梯度提升模型

在线全文

学校读者我要写书评

暂无评论

基于堆栈稀疏自编码器的滚动轴承故障诊断

机床与液压 2020年第14期48卷 190-194页

作者：徐活耀陈里里重庆交通大学机电与车辆工程学院重庆400074 重庆交通大学城市轨道车辆系统集成与控制重点实验室重庆400074

针对提取有效滚动轴承特征和消除特征之间的冗余,提出一种基于堆栈稀疏自编码器和Softmax层构建的深度神经网络(DNN)用于轴承故障诊断。首先从振动信号提取12个统计特征和6个时频域特征,然后将获得的特征用于构建18维特征向量;高维特征... 详细信息

针对提取有效滚动轴承特征和消除特征之间的冗余,提出一种基于堆栈稀疏自编码器和Softmax层构建的深度神经网络(DNN)用于轴承故障诊断。首先从振动信号提取12个统计特征和6个时频域特征,然后将获得的特征用于构建18维特征向量;高维特征向量通过堆栈稀疏自编码器逐层贪婪学习获得无冗余的高级特征;最后将高级特征输入Softmax分类层进行轴承故障诊断。实验结果表明:相比于传统BP和SVM分类器,DNN能更准确地识别滚动轴承故障类型。

关键词：滚动轴承堆栈自编码器 Softmax层深度神经网络故障诊断

基于堆栈自编码器和FSVM的物联网异常检测模型研究

在线全文

学校读者我要写书评

暂无评论

基于堆栈自编码器和FSVM的物联网异常检测模型研究

作者：张海洋桂林电子科技大学

学位级别：硕士

计算机技术和互联网技术的高速发展与广泛应用,推动了物联网技术的发展与普及。而随着新生物联网技术的不断发展和应用,物联网入侵现象的出现也变得越加的频繁。入侵检测,作为一种网络信息防御手段,一直以来都是信息安全领域的焦点,并... 详细信息

计算机技术和互联网技术的高速发展与广泛应用,推动了物联网技术的发展与普及。而随着新生物联网技术的不断发展和应用,物联网入侵现象的出现也变得越加的频繁。入侵检测,作为一种网络信息防御手段,一直以来都是信息安全领域的焦点,并且在信息安全保障上一直举足轻重。但是,在物联网的环境下,物联网的网络环境中存在大规模的、特征更加复杂的数据,这为入侵检测模型的规则学习与数据检测带来了新的挑战。本论文将深度学习技术和浅层分类技术相结合,并引入到入侵检测中,提出一种新的基于堆栈自编码器和快速支持向量机的入侵检测算法（SAE-FSVM）用于检测异常的网络数据。支持向量机（SVM）是一种具有风险较小、泛化能力较高等特点的监督学习模型,在有限的样本数据下,其能通过训练获取到误差较小的结构,因此在入侵检测领域应用广泛。但是,作为一种小样本的学习模型,其对大规模高维度样本的分类优势不明显,分类效果也不突出。大规模,高维度的网络样本数据往往会SVM模型的学习速度和学习率产生影响。因此,本论文的主要内容如下:（1）对于高维度的网络数据,算法使用堆栈自编码器（SAE）进行特征提取,通过深度结构将高维网络数据层层抽象映射到低维空间中去,从而获取到更深层、更抽象、更高级的特征表示。有效地降低无关特征信息和重复的特征信息给SVM训练带来的影响,提高SVM的学习速度。（2）针对大规模的训练数据对SVM带来的影响,文章中分别使用了两种样本规模归约算法对SVM的输入样本进行归约。根据SVM的训练特点,计算并过滤掉一部分的非支持向量,从减少SVM的训练负担,提高SVM训练的速度。本文通过基于KDD CUP99数据集的异常数据检测实验进行评估,验证了SAE-FSVM模型在大规模、高维度的样本数据下,在有效地提高SVM分类器的精确度的同时,降低了SVM模型的训练时间。实验证明,本文的算法能够有效地降低大规模、高维度的网络数据给SVM分类带来的影响。

关键词：入侵检测堆栈自编码器支持向量机样本规模归约特征提取

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进堆栈自编码器的变压器故障诊断模型

华北电力大学学报（自然科学版） 2020年第6期47卷 61-67页

作者：赵冬梅王闯马泰屹华北电力大学电气与电子工程学院北京102206

为了增强自编码器的特征提取能力,更好的利用变压器故障时产生的大量无标签数据,将批量标准化(Batch Normalizaion,BN)引入了传统堆栈自编码器(Stacked auto-encoder,SAE)的编码和解码过程,形成了改进堆栈自编码器(BN-SAE)。以单层AE作... 详细信息

为了增强自编码器的特征提取能力,更好的利用变压器故障时产生的大量无标签数据,将批量标准化(Batch Normalizaion,BN)引入了传统堆栈自编码器(Stacked auto-encoder,SAE)的编码和解码过程,形成了改进堆栈自编码器(BN-SAE)。以单层AE作为底层网络,输入样本为变压器油中溶解气体含量,通过仿真确定神经网络的结构,用无标签数据对网络进行无监督学习,提取变压器故障特征信息,最后输入有标签数据通过反向传播算法对网络进行微调。算例分析表明,BN-SAE相比于传统的SAE与AE,训练误差更小,特征提取更佳,对变压器故障分类的准确率更高,并且少数类故障样本也可以得到很好的分类。

关键词：变压器故障诊断堆栈自编码器批量归一化深度学习