利用EMAP与多项式网络的高光谱影像分类

高光谱影像地物分类已成为高光谱的重要应用之一,然而如何在小样本时取得优秀的分类结果已成为研究的难点与热点。最近几年,深度学习理论开始用于高光谱数据分析。本文提出了一种基于扩展多属性剖面（ex tended multi‐attribute profile ,EMAPs）和深度多项式网络（polynomial networks）的高光谱影像分类方法。首先,EMAPs通过一系列的属性滤波器提取影像多种结构特性的形态学纹理特征,并与影像光谱特征结合构成新的特征矢量。接着利用深度多项式网络对新特征矢量进行学习,构建多层次网络结构,在迭代的过程中逐层降低训练误差,实现优秀的分类结果。高光谱影像分类实验表明,所提方法性能优于多种分类方法。     

基于深度置信网络的电压暂降特征提取及源辨识方法

提出一种基于深度置信网络(DBN)的电压暂降特征提取与暂降源辨识方法,利用DBN的特征提取能力对实测波形数据进行特征自提取,解决了人工提取特征过度依赖专家经验,受未知特征影响较大不具备一般性的问题。采用多隐层结构网络学习特征最终实现暂降源辨识。该模型集特征提取器与分类器于一体,优化了模型结构框架,提高了暂降源辨识效率。对模型最优参数进行选择,建立适用于电压暂降实测数据类型的DBN模型,对电网实测暂降数据进行特征提取与暂降源辨识,通过对比验证了DBN方法在特征提取与暂降源识别上的优越性,适用于实际工程。     

基于稀疏差异深度信念网络的绝缘子故障识别算法

针对深度信念网络(DBN)的识别准确率比较低的问题,引入了基于模糊隶属函数的差异理论,提出了一种基于稀疏差异的深度信念网络图像分类新方法,简称D-DBN方法,并将其应用在了绝缘子故障识别中。差异理论有扩大低灰度区域,缩小高灰度区域的优点,更符合人眼的视觉特性。首先将图像的灰度特征矩阵转换成差异表示矩阵,并对其进行均值化、归一化和稀疏化,然后利用DBN网络对得到的差异特征进行训练,学习数据更本质的特征,从而达到提高识别性能的目的。在MNIST和SVHN库上对不同样本规模和不同网络结构进行实验,识别结果证明,与传统DBN和其它改进方法相比,本文算法取得了最好的识别效果。最后,将DDBN方法应用到绝缘子故障识别中。     

基于 LDA 和 ELM 的高光谱图像降维与分类方法研究

高光谱图像具有波段多、波段间相关性强的特点,导致高光谱图像信息冗余,造成维数灾难、难以分类的问题,为此提出了一种基于线性判别分析(LDA)和极限学习机结合的高光谱图像降维分类方法。该方法首先通过LDA对高光谱数据进行降维处理,克服高光谱图像信息冗余等问题的同时,尽可能保留图像的特征信息;降低光谱图像维度后,采用极限学习机(ELM)对高光谱遥感图像进行分类识别。所提方法应用于Pavia University和Salinas高光谱图像处理,分类精度分别达到了98.78%和99.94%,有效提升了高光谱图像的地物分类性能,具有较强的实用性。     

基于PSO算法的DBN模型参数优化

针对深度置信网络模型每层神经元个数难以确立的问题,提出利用粒子群寻优确立DBN网络每层节点数,利用Kmeans聚类来决定是否需要增加隐藏层的方法来确立DBN的网络结构。该算法根据粒子群寻优算法以最小化所有样本重构误差的平方和为目标函数来确定DBN每层神经元个数,以确定DBN的初步结构,为了验证DBN结构的有效性,利用DBN提取的数据特征来进行聚类测试,进一步根据聚类结果来修正DBN,以获得DBN的最佳结构,以红酒数据集进行分类实验,实验结果表明,与传统未经改进的深度置信网络进行对比,发现该方法确立的深度置信网络分类效果更优。     

基于深度迁移学习的天气图像识别

当对天气图像等场景复杂和特征不明显的图像进行识别时,往往存在识别率不高和特征冗余等问题。基于此,本文提出了一种基于深度迁移学习的图像分类算法。该算法利用ImageNet数据集的模型参数构建ResNeXt、Xception以及SENet 3种网络模型提取图像特征,采用领域自适应的判别联合分布自适应算法来相似化特征向量,完成高质量的特征表示,并以其结果为准则融合模型特征,将融合特征经过多层感知机训练以实现高准确率识别的图像分类。实验结果表明,该算法的性能优于传统的单一网络模型,进一步提升了图像分类准确率的上限。     

基于深度信念网络的高压断路器故障识别算法

针对高压断路器故障现有故障诊断算法中,特征提取不准确导致分类正确率较低的问题,提出了基于深度信念网络的高压断路器故障识别方法。深度信念网络(Deep Belief Network,DBN)是非监督的深度神经网络,由多个受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)叠加起来组成。首先使用无标签的数据样本自下而上的对各RBM层逐层训练,得到各层最优参数;再以此为初始参数将DBN展开成反向传播的结构,使用带标签的数据样本进行全局的参数微调;最后得到DBN分类网络。这一过程中,有效避免了特征提取的人工操作,解决了网络训练的局部最优问题,使断路器故障诊断更加智能化。通过试验结果可知,该方法可准确、可靠地用于诊断断路器主要机械故障。     

基于改进机器学习的人体行为识别方法研究

针对人体行为识别领域传统方法特征提取复杂、分类准确率低的问题，提出了一种基于深度置信网络-支持向量机（DBN-SVM）的行为识别模型。首先，为了更好地捕捉用户行为的周期性变化，引入滤波器对行为信号进行降噪、滤波和加窗分段处理；其次，提出了DBN-SVM模型，将预处理得到的行为时频信号作为模型的可视层输入，通过DBN自动提取行为数据特征，结合SVM实现行为的分类识别。最后，实验中将该模型应用于多个行为数据集，并与传统的机器学习方法进行对比，结果表明，该方法的行为识别结果较传统的机器学习方法效率提升了4%～15%，可以更精准地实现活动分类，提高行为识别性能。     

应用深度迁移学习的电子级玻璃纤维布分类

针对现有的玻璃纤维电子布表面缺陷分类效率低、错误率高等问题,提出了一种基于深度迁移学习的分类方法。首先,对所有的图像数据进行压缩、旋转和添加噪声等预处理操作;其次,引入ResNet网络,将特征提取层得到的特征进行迁移,并加入了批规范化层、激活层和全连接层等几层网络组成分类器层,进而构建一个新的深度迁移学习网络;最终训练得到电子布缺陷分类模型。利用电子布缺陷图像样本数据集进行验证,实验结果表明,应用该方法的缺陷分类正确率达到了99.1%,且实时性良好,能满足实际工业需求。     

基于改进深度置信网络的智能电网暂态安全状态感知

深度学习是感知智能电网暂态安全状态的有效方法,针对多层重构学习过程低维特征及结构参数难以全局寻优的问题,提出了一种改进深度置信网络(Deep Belief Network, DBN)方法。首先,该方法利用SMOTE过采样算法,增加样本多样性,促使DBN深层架构的挖掘。其次,直接面向噪声样本,DBN通过网络中各神经元吉布斯抽样的二值状态,增强重构特征的抗噪能力。最后,建立了基于遗传算法(Genetic Algorithm, GA)的GA-DBN模型,有效解决DBN结构参数调试繁琐的问题,确保DBN高精度地从底层量测数据提取低维特征,提高安全分类精度。新英格兰10机39节点系统的仿真实验表明,在样本不平衡、含噪声情况下,所提算法比其他算法的失稳漏判率降低,辩识准确率和F1分数提升。     

基于深度信念网络的计量装置故障溯源研究

针对电网海量大数据中存在异常的电表数据,提出了一种基于深度信念网络的计量装置故障溯源模型。首先,分析了深度信念网络（DBN）模型基本原理,提出了一种智能电表故障分类DBN结构模型,并给出了计量装置故障溯源建模流程;然后,通过建立离线台账样本库、实时用电曲线故障特征样本库,实现了计量装置故障样本库构建;最后,基于实际电表测试和数据异常识别,完成了计量装置的台账样本库溯源测试,并与已有的贝叶斯、决策树、随机森林、决策树提升等分类算法进行比较,测试结果验证了所提模型和方法的正确性和有效性。     

基于集成深度置信网络的精细化电力系统暂态稳定评估

为了进一步提高电力系统暂态稳定的预测精度及给出更精细化的评估结果,将深度学习与电力系统暂态稳定相结合,根据故障切除后发电机功角"轨迹簇"特征,提出一种基于集成不同结构的深度置信网络(DBN)的精细化电力系统暂态稳定评估模型。该模型的基分类器DBN能够有效地利用深层架构所具有的特征提取能力,充分挖掘出输入特征与暂态稳定评估结果之间的非线性映射关系。在新英格兰10机39节点系统上的实验结果表明,该方法不仅优于浅层学习框架,也比部分深度学习模型的性能更加优越。除此之外,该集成DBN算法不仅有较高的预测精度,而且可以有效地评估系统的稳定裕度和不稳定程度等级;在部分同步相量测量装置信息缺失以及含有噪声时,表现出较强的鲁棒性。     

基于多尺度耦合的密集残差网络红外图像增强

为了提升非制冷红外热像仪的图像质量,满足低对比度弱小区域的观瞄与锁定的需求,提出了一种基于多尺度密集残差网络的红外图像超分辨重建模型,该模型的基本框架是通过级联多个残差特征进行学习,以粗到细的方式重建高分辨率图像。首先提出一种多尺度跨域融合模块,通过对不同感受野的分支结果进行融合,不仅可以融合不同感受野的互补信息,还可有助于提升梯度收敛和特征传输;然后叠加多个跨域融合模块,并采用残差特征学习进行优化,最终学习出高分辨率细节信息。仿真实验结果表明,所提出的超分辨模型能够较好的超分辨重建效果,在微弱结构保持和点目标保持上的性能也更加突出。所提的模型已经在海思嵌入式深度学习平台上实现了高质量的红外增强,具有较高的工程应用价值。     

基于 DBN-MPA-LSSVM 的无绝缘轨道电路故障诊断研究

针对区间无绝缘轨道电路故障类型复杂、诊断精度低等问题,从故障特征提取和特征分类两方面出发,提出了一种深度 置信网络(DBN)和海洋捕食者算法(MPA)优化最小二乘支持向量机(LSSVM)的故障诊断方法。 首先,将集中监测数据和状态 标签输入到 DBN,以半监督的方式进行降维和特征提取,从而挖掘轨道电路不同故障特征信息;然后,采用 MPA 智能算法对 LSSVM 的惩罚因子和核函数参数进行寻优并建立最优 MPA-LSSVM 诊断模型;最后,将 DBN 提取的特征样本导入诊断模型进 行轨道电路的故障分类识别。 DBN-MPA-LSSVM 诊断模型充分利用了 DBN 在特征提取过程中的逐层提取优势以及 LSSVM 在 解决小样本情况下高维模式识别的优势。 实验验证与对比分析表明,DBN-MPA-LSSVM 模型测试集准确率为 98. 33%,MPA 优 化算法较 PSO、GWO、GA 算法模型诊断准确率分别提高了 6. 11%、3. 89%、3. 33%,平均准确率为 97. 98%,为基于数据驱动的轨 道电路故障诊断技术提供了一种新的方法。