检索结果-南通市图书馆

基于独立慢特征和栈式稀疏自编码网络的故障诊断方法研究

在线全文

学校读者我要写书评

暂无评论

基于独立慢特征和栈式稀疏自编码网络的故障诊断方法研究

作者：李畅湖州师范学院

学位级别：硕士

随着人工智能技术的发展和日渐成熟,德国工业4.0、中国制造2025等国家级战略相继提出,智能化已成为工业发展新的方向。由于当今工业过程更加复杂,工业设备愈发精密,使得可测量的过程变量更加多样化。这些变量常具有非高斯、非线性、相... 详细信息

随着人工智能技术的发展和日渐成熟,德国工业4.0、中国制造2025等国家级战略相继提出,智能化已成为工业发展新的方向。由于当今工业过程更加复杂,工业设备愈发精密,使得可测量的过程变量更加多样化。这些变量常具有非高斯、非线性、相关性强、高维、动态性等特点,传统的过程监控和故障诊断方法已很难适用于这类具有复杂特性的工业过程。从具有复杂特性的过程数据中提取出隐变量的质量直接决定了工业过程故障诊断的结果,隐变量的提取一直是过程监控领域研究的热点和难点。本文提出了一种基于独立慢特征分析和栈式稀疏自编码网络的故障诊断方法,具体研究内容如下:（1）在提取隐变量的过程中,既考虑了所提取隐变量的独立性,又考虑了隐变量随时间变化的快慢程度。在观测数据是由隐变量非线性混合组成的情况下,尽可能提取出非线性混合之前的隐变量,而非它们的非线性失真形式,从而获得更好的监控结果。首次将独立慢特征分析运用在过程监控领域,建立了对应的统计指标和控制限,提高了监控具有非高斯、非线性过程的故障检测准确率;（2）提出了一种基于独立慢特征分析和栈式稀疏自编码网络的过程监控方法。由于栈式稀疏自编码网络有着很强的特征提取能力,因此所提取出的隐变量能更好地刻画过程性质。然而深度学习中默认数据是服从独立同分布的,而原始的过程数据通常难以满足独立同分布的假设条件。因此先使用独立慢特征分析对过程数据进行独立慢特征提取,再将独立慢特征输入给栈式稀疏自编码网络,从而获得更好的过程监控效果,所提出的方法在微小故障的检测上亦有相对较好的性能;（3）进一步提出了一种基于独立慢特征分析和栈式稀疏自编码网络的故障分类方法。所提出的故障分类方法拥有较高的故障分类准确率,对于一些机理上不易区分、相关性较强的故障,所提出的方法亦有着优秀的性能。

关键词：故障诊断深度学习独立慢特征分析栈式稀疏自编码网络

基于自适应遗传算法优化的栈式稀疏自编码器的眼电伪迹去除模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于自适应遗传算法优化的栈式稀疏自编码器的眼电伪迹去除模型

作者：苏乃斐浙江大学

学位级别：硕士

近年来,深度学习技术迅速发展,其在图像处理、语音识别和自然语言处理等领域得到了广泛的应用。本论文将深度学习运用到脑电信号处理中,利用自适应遗传算法优化的栈式稀疏自编码网络进行脑电信号降噪。脑电记录易受到眼电等伪迹影响。... 详细信息

近年来,深度学习技术迅速发展,其在图像处理、语音识别和自然语言处理等领域得到了广泛的应用。本论文将深度学习运用到脑电信号处理中,利用自适应遗传算法优化的栈式稀疏自编码网络进行脑电信号降噪。脑电记录易受到眼电等伪迹影响。去除眼电伪迹是脑电信号处理的关键步骤。本论文使用自适应遗传算法优化的栈式稀疏自编码器去除脑电信号中的眼电伪迹,在模型训练完后可以通过模型快速且自动地去除眼电伪迹。本文工作分为三部分。首先,利用模糊c均值聚类方法对采集到的脑电信号进行分类,区分受眼电伪迹强的时段和受眼电伪迹弱的时段,划分模型的训练集和测试集。接着,对自编码网络引入稀疏化和堆叠操作构成栈式稀疏自编码网络,并使用自适应遗传算法对网络结构和网络连接参数进行优化,获得合适的网络参数组合,加快网络训练的收敛速度。经过训练的模型在测试中可以达到移除眼电伪迹的效果。最后,将所提出的方法与小波变换、独立成分分析(ICA)、主成分分析(PCA)和浅层网络方法进行对比实验。实验结果表明,本文提出的方法在脑电信号重建和眼电伪迹去除都具有最好表现——对于含有眼电伪迹的脑电信号段,该方法能够有效地去除眼电伪迹,对于不含眼电伪迹的脑电信号段,该方法能较好地保留波形的原始细节,而且在不同脑电测试者之间该方法具有良好的泛化能力。

关键词：脑电信号眼电伪迹模糊c均值自适应遗传算法栈式稀疏自编码网络

基于LMD能量熵和定位分析的风电变流器开路故障诊断

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

太阳能学报 2023年第6期44卷 484-494页

作者：张瑞成白晓泽董砚邸志刚孙鹤旭张靖轩华北理工大学电气工程学院唐山063210 河北工业大学电气工程学院天津300310 河北科技大学电气工程学院石家庄050018 河北省矿山绿色智能开采技术创新中心唐山063210

为提高风电变流器的故障诊断准确率,针对永磁同步风电机组网侧变流器IGBT模块的单一开路和双开路故障问题,提出一种基于局部均值分解(LMD)能量熵和定位分析的风电变流器开路故障诊断方法。首先,采集网侧变流器三相输出电流作为原始信号... 详细信息

为提高风电变流器的故障诊断准确率,针对永磁同步风电机组网侧变流器IGBT模块的单一开路和双开路故障问题,提出一种基于局部均值分解(LMD)能量熵和定位分析的风电变流器开路故障诊断方法。首先,采集网侧变流器三相输出电流作为原始信号,利用LMD将其自适应分解为多层乘积函数(PF)分量,并求取各状态下PF分量的能量熵特征。然后,根据开路故障造成的三相电流时间序列的畸变特性进行定位分析。最后,将融合能量熵特征和定位参数的特征向量输入栈式稀疏自编码(SSAE)网络进行训练和故障识别。仿真与实验结果表明,融合能量熵特征和定位分析的特征提取方法使故障特征更为明显,相较于其他特征提取方法可有效提高风电变流器故障诊断准确率。

关键词：风电机组变流器故障诊断能量熵定位分析栈式稀疏自编码网络

SSAE和IGWO-SVM的滚动轴承故障诊断

在线全文

学校读者我要写书评

暂无评论

振动．测试与诊断 2020年第2期40卷 405-413,424页

作者：袁宪锋颜子琛周风余宋勇缪昭明山东大学机电与信息工程学院威海264209 山东大学控制科学与工程学院济南250061

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。

关键词：滚动轴承故障诊断栈式稀疏自编码网络特征提取灰狼算法支持向量机

在线全文

学校读者我要写书评

暂无评论

相移键控信号的深度神经网络解调器

电子测量与仪器学报 2018年第4期32卷 144-150页

作者：杨耀栋吴乐南东南大学信息科学与工程学院

多元位置相移键控(MPPSK)信号具有高带宽利用率的特性,但是,带限信道下传统解调方案的解调性能大幅度下降。针对这个问题,提出了基于栈式稀疏自编码(SSAE)网络的码元判决方案。从接收信号提取特征信息和码元之间的码间干扰,并使用深度... 详细信息

多元位置相移键控(MPPSK)信号具有高带宽利用率的特性,但是,带限信道下传统解调方案的解调性能大幅度下降。针对这个问题,提出了基于栈式稀疏自编码(SSAE)网络的码元判决方案。从接收信号提取特征信息和码元之间的码间干扰,并使用深度学习的思想对SSAE网络进行训练,使SSAE网络在信道环境恶劣的条件下对码元进行正确分类。此外,提出'多码元联合判决'方案并应用到SSAE网络的训练中,有效提高网络的解调性能。仿真结果表明,SSAE网络比传统方案的解调性能提高1~2个数量级,并且对信道环境的适应性更强。

关键词：多元位置相移键控栈式稀疏自编码网络深度学习带限信道联合判决

基于多时相PolSAR数据的极化特征降维农作物分类研究

在线全文

学校读者我要写书评

暂无评论

基于多时相PolSAR数据的极化特征降维农作物分类研究

作者：李恒辉西北农林科技大学

学位级别：硕士

农作物监测与分类是极化合成孔径雷达(PolSAR)影像的重要应用之一。极化SAR系统是一种主动遥感系统,能获取观测场景高分辨率的遥感信息,包括目标的极化强度和相位。在农作物分类中,一方面由于同一作物在生长过程中表现出不同的外部特征... 详细信息

农作物监测与分类是极化合成孔径雷达(PolSAR)影像的重要应用之一。极化SAR系统是一种主动遥感系统,能获取观测场景高分辨率的遥感信息,包括目标的极化强度和相位。在农作物分类中,一方面由于同一作物在生长过程中表现出不同的外部特征,单一时间的PolSAR图像很难提供足够的信息。随着越来越多的星载SAR系统成功入轨,提供了大量的PolSAR数据,为多时相数据分析和应用提供了可靠基础。另一方面,随着机器视觉领域中深度学习技术的快速发展和突破,遥感解译工作结合深度学习技术也已经取得了极大的成功。结合这两大趋势,本文针对PolSAR数据的作物分类问题进行了深入的探讨。具体从单时相和多时相两方面入手,在针对单时相分类时,构建了轻量高效的TinyNN卷积分类网络。在多时相分类任务中,引入了栈式稀疏自动编码器(S-SAE)来对多种极化分解方法产生的高维极化特征进行降维处理并结合TinyNN完成分类。最后本文定量比较,讨论了栈式自编码网络参数对分类器分类性能的影响。本文的研究内容及结论主要包括:(1)本文结合深度学习技术,在单时相PolSAR作物分类过程中,以经典的卷积神经网络LeNet作为基础,基于遥感图像尺度大,训练样本有限的特点,提出了一种轻量,高效的卷积神经网络分类方法TinyNN,通过不同卷积模型在不同数据集上的实验对比,结果表明,在所有对照方法和不同特征输入下,TinyNN网络在分类精度上都为最优,相较于其他CNN网络如LeNet网络,分类精度至少提升了 5%。(2)针对单时相PolSAR遥感图像分类问题,利用构建的TinyNN分类网络探讨了不同输入下的分类表现,通过AirSAR标准数据集和Indian Head第六时相数据实验验证发现:在不同分类模型下,极化分解特征相较于原始数据分类精度至少提升了3%,此外,降维处理的极化分解特征相较于非降维特征,在相同的分类方法下,分类精度至少提升了 1.5%。(3)针对多时相数据的分类问题,以单时相分类讨论为基础,提出了基于特征降维的多时相分类方法。首先本文采用了多种经典的PolSAR极化分解法,从多角度出发对多时相PolSAR数据的特征信息进行充分提取,为了避免在直接使用多时相数据时带来的‘维数灾难’问题,分别对比验证了基于时序向量的分类方法和基于特征降维的分类方法的具体表现。实验结果表明:基于主成分分析PCA的多时相降维分类方法,能更高效的利用多时相数据中的分类信息,相较于时序向量的多时相分类方法LSTM,分类精度提升了 15%。相较于本文构建的1维1DCNN,分类精度提升了近3%左右。(4)在多时相分类的研究中,本文提出了一种基于栈式稀疏自动编码器S-SAE降维的作物分类方法,通过栈式自编码网络对高维多时相特征进行高效的降维处理来融合多时相特征,从而达到提升分类精度的目的。在分析S-SAE网络参数和网络结构对降维效果影响的基础上,建立了一个包含3隐层的S-SAE网络对获取的高维多时相特征进行高效降维,最后利用不同的降维方法如PCA,局部线性嵌入法LLE和不同的分类方法如复Wishart,卷积神经网络CNN和支持向量机SVM分类方法对本文提出的方法进行对比验证,实验结果表明:在训练率方面,增加无监督训练样本的训练率可以提高S-SAE的性能。但随着预训练样本的增加,分类性能的提升变弱,随着网络的加深,分类的准确率也越来越高,但当达到一定深度时网络降维效果将不再提升。另外,若第一隐层的神经元数目接近输入特征的数目,第二隐层的神经元数目与前、后两层保持一定的差距,则可以获得更好的数据降维性能。此外实验表明稀疏正则化项β,正则化项权值λ,稀疏项参数ρ对S-SAE的性能具有有不确定的影响。若在单层稀疏自编码能适当取值参数,将使分类结果的OA提高5%,甚至高于优化后的S-AE的分类精度。通过实验验证表明,优化参数后的S-SAE+TinyNN方法相较于对照组方法,在三组不同的实验数据上都具有明显的分类精度优势,与传统的降维分类方法比,分类精度至少提升了 3.5%

关键词：农作物分类特征降维极化合成孔径雷达栈式稀疏自编码网络卷积神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于卷积神经网络的脑电信号分类方法研究

基于卷积神经网络的脑电信号分类方法研究

作者：李玉花太原理工大学

学位级别：硕士

脑电信号分类是情绪情感识别、脑机接口系统、疲劳驾驶、以及各种脑疾病检测研究中的关键,分类准确率直接影响着其性能的好坏。脑电信号具有频率低、幅度微弱等特点,使得脑电信号的采集极易受到干扰,导致脑电信号成分更加复杂,增大了脑... 详细信息

脑电信号分类是情绪情感识别、脑机接口系统、疲劳驾驶、以及各种脑疾病检测研究中的关键,分类准确率直接影响着其性能的好坏。脑电信号具有频率低、幅度微弱等特点,使得脑电信号的采集极易受到干扰,导致脑电信号成分更加复杂,增大了脑电信号分类的难度,研究新的脑电信号特征提取方法,构建更加鲁棒的脑电信号分类模型,已成为当前研究的一大热点。本文基于对深度学习方法的研究,针对现有卷积神经网络脑电信号分类模型分类精度低、方法复杂且耗时的问题,对经典卷积神经网络的卷积层进行了改进,在原有卷积层中增加了两种尺寸的卷积核,提出了多尺度卷积核卷积神经网络脑电信号分类模型,多尺度卷积核卷积神经网络能够从不同维度提取脑电数据更加全面的基层特征,极大的改善了脑电分类模型的性能,主要内容包括如下几点:（1）对本文使用的高原脑电数据集进行了电位重参考、伪迹去除、滤波等预处理,得到信噪比较高、满足网络输入要求的脑电数据。（2）提出了多尺度卷积核卷积神经网络脑电分类模型,完成了对高原脑电信号的分类实验。在脑电信号二分类及多分类实验中验证了所提出模型的有效性。实验结果表明:二分类准确率最高可以达到92.09%,三分类准确率最高可以达到89.96%,四分类准确率可以达到80.15%;另外,在脑电信号两两二分类的实验中发现,不同海拔的脑电信号存在差异,且与海拔差呈现正相关性,只有最高海拔地区的脑电呈现反常现象,据此推测高海拔对脑电信号的影响有一个阈值的存在。（3）设计了三层结构的栈式稀疏自编码网络（Stacked sparse self-encoding network,SSAE）,用于对脑电信号的特征提取,进一步提升了脑电分类模型的性能。并通过在手写数据集、脑电数据集上的分类实验,验证了栈式稀疏自编码特征提取网络对分类模型性能的提升作用。加入特征提取模块的多尺度卷积核卷积神经网络脑电分类模型,在二分类实验上准确率最高可以达到92.99%,比加入SSAE前提高约1个百分点;在三分类实验中最高可以达到90.56%,提高了约0.5个百分点;对于四分类准确率可以达到80.51%,平均准确率提高了约0.3个百分点。通过对比加入特征提取模块前后的实验结果,发现模型性能在一定程度上有所改善。

关键词：脑电信号卷积神经网络多尺度卷积核栈式稀疏自编码网络

基于VGFCC特征与复合网络的跨库语音情感识别

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VGFCC特征与复合网络的跨库语音情感识别

作者：刘雨柔太原理工大学

学位级别：硕士

赋予机器情感计算能力对于实现真正的人工智能是必不可少的,语音是交流最简单快捷的方式,获取语音中所包含的情感信息有助于理解语音所表达的意义,因此语音情感识别成为一项热门话题。在过去的研究中,大部分是基于单一语音数据库进行的... 详细信息

赋予机器情感计算能力对于实现真正的人工智能是必不可少的,语音是交流最简单快捷的方式,获取语音中所包含的情感信息有助于理解语音所表达的意义,因此语音情感识别成为一项热门话题。在过去的研究中,大部分是基于单一语音数据库进行的,而且已经趋于成熟,但在实际生活应用时,训练集与测试集往往存在语种、语音类型、说话人、环境、文化背景等等各种各样的差异因素,所以出现了跨数据库语音情感识别的研究。本文针对特征提取、识别模型两部分展开工作。传统的情感语音特征提取时假定信号是短时平稳的,但实际中语音信号是随时间变化的,针对于此,本文采用能够较好地处理非线性非平稳信号的变分模态算法分解情感语音信号,将不同频率进行合成再通过伽马通滤波器,求取对数,离散余弦变换之后计算统计参数得到新的情感语音谱特征;考虑到单一特征无法全面表征情感信息,选取了表达语音基本特性的韵律特征、从混沌角度描述语音信息的非线性特征以及本文提出的新的谱特征进行特征级融合,得到全局特征。基于柏林工业大学录制的德语情感数据库、太原理工大学数字音视频研究中心自建的汉语情感数据库、中国科学院自动化所录制的汉语情感数据库三种语音库进行实验,分类器选用人工蜂群优化的核函数极限学习机,将新的情感语音谱特征与韵律特征、非线性特征以及梅尔倒谱系数和伽马通倒谱系数两种传统谱特征的识别作比较,结果表明所提出的新特征是一种有效的情感语音特征,能够良好地区分不同情感。将全局特征与单一特征识别性能对比,实验结果显示融合后的全局特征识别率相较单一特征有所提高,特征级融合使得信息能够互补,同时也存在信息冗余的现象,导致全局特征某些情感的识别率低于单一特征,但总体平均识别率得到了提高。识别模型对于语音情感识别的性能至关重要,本文提出一种复合网络栈式稀疏自编码网络——核函数极限学习机,首先通过栈式稀疏自编码网络对原始特征进行无监督预训练,然后结合数据标签利用反向传播算法有监督微调,重构得到更符合大脑稀疏性且更具有区分情感信息的深度特征,最后采用人工蜂群优化的核函数极限学习机对情感进行识别分类。为了使理论研究应用于实际,本文进行了跨数据库的语音情感识别,选择上述三种语音库,提取各个语音库的全局特征,由于三种语音库共同的情感只有“悲伤”、“愤怒”、“高兴”,所以研究只针对这三类情感,分类器选择浅层学习机器:支持向量机、极限学习机、核函数极限学习机以及复合网络结构:栈式稀疏自编码网络——支持向量机、栈式稀疏自编码网络——极限学习机、栈式稀疏自编码网络——核函数极限学习机,设计了单一数据库、混合数据库、跨数据库三组实验,结果证明了复合网络结构栈式稀疏自编码网络——核函数极限学习机识别性能良好,有效改善了跨库识别率低的问题。

关键词：语音情感识别跨数据库变分模态分解特征级融合复合网络栈式稀疏自编码网络核函数极限学习机