基于局部电压幅值与云边协同的分散式充电桩充电协调方法

针对配电系统中大量充电桩集中充电带来的谐波、负荷峰谷差和网络损耗增加等问题，文章提出了一种基于局部电压幅值与云边协同的分散式充电桩充电协调方法。在“云边端”电力物联网架构下，首先使用每个端设备（即充电桩）的电压幅值历史信息，分析各充电桩最大消耗功率等信息；然后通过电力物联网中边缘节点（配变终端）的边缘计算能力，收集充电桩数据并结合用户偏好、能源成本和电动汽车的历史路线等信息，分析过去充电桩的充电负荷数据曲线；最后，在Hadoop云平台采用深度信念网络（deep belief network，DBN）算法训练和预测未来负荷数据，建立目标优化模型。此外，基于蒙特卡洛模拟分析所提出的方法在不同的场景下的性能，以及与集中式充电协调方法进行比较。实验结果表明，所提方法实现了大量分散式充电桩的协同有序充电，减少负荷波动，降低充电负荷对电网的影响。     

基于动态贝叶斯网络的音视频连续语音识别和音素切分

构造了两个单流单音素的动态贝叶斯网络（DBN）模型，以实现基于音频和视频特征的连续语音识别，并在描述词和对应音素具体关系的基础上，实现对音素的时间切分。实验结果表明，在基于音频特征的识别率方面：在低信噪比（0~15dB）时，DBN模型的识别率比HMM模型平均高12.79%；而纯净语音下，基于DBN模型的音素时间切分结果和三音素HMM模型的切分结果很接近。对基于视频特征的语音识别，DBN模型的识别率比HMM识别率高2.47%。实验最后还分析了音视频数据音素时间切分的异步关系，为基于多流DBN模型的音视频连续语音识别和确定音频和视频的异步关系奠定了基础。     

基于深度置信网络的低压台区理论线损计算方法

针对因线路分布复杂、终端数目庞大等带来的低压台区理论线损计算困难的问题,提出一种基于深度置信网络(DBN)的低压台区理论线损计算新方法。在训练过程中,先利用贪婪算法对DBN模型中的神经网络层进行逐层无监督的预训练,再对该模型进行有监督的全局微调。为了提高计算精度,采用自适应时刻估计(Adam)优化器。以某地区实测2 140个台区数据为样本进行仿真计算,结果表明,相较于浅层神经网络,DBN线损计算模型具有更好的泛化能力以及准确性和快速性,且Adam优化器在线损计算中相较于均方根反向传播(RMSProp)和随机梯度下降(SGD)算法具有优越性。     

温和条件下催化合成2⁃苯硫基乙醇

以苯硫酚和碳酸乙烯酯为原料,1,5⁃二氮杂二环[4.3.0]壬⁃5⁃烯（DBN）为催化剂,合成了2⁃苯硫基乙醇。研究了催化剂种类及其物质的量、反应时间、反应温度等条件对反应的影响。结果表明,在DBN为催化剂、n（苯硫酚）/n（DBN）=100、反应时间为10 min、反应温度为50 ℃时,2⁃苯硫基乙醇的转化率达到90%以上;当反应温度为90 ℃时,可获得100%的转化率,该合成路线催化剂的选择性均为100%。根据软硬酸碱理论对反应机理进行了探讨。     

一种结合Gabor小波与深度学习的人脸识别方法

针对人脸识别中识别效果易受光照、姿态等因素影响和浅层学习方法不能有效提取人脸图像抽象特征的问题,提出一种结合Gabor小波与深度学习的人脸识别方法。该方法首先利用Gabor小波变换获取不同尺度和方向的人脸Gabor特征,通过下采样和受限玻尔兹曼机（RBM）对Gabor特征进行有效降维;其次将降维后的特征作为深度信念网络（DBN）的输入,并使用对比散度算法训练DBN;最后利用标签数据对DBN进行有监督微调,网络顶层附加Softmax分类器对提取后的特征进行分类。所提方法在ORL、UMIST和Yale-B人脸库上的识别率分别达到了98.72%、96.51%和96.13%,实验结果表明所提方法不仅识别效果明显优于其他现有方法,而且对光照、姿态变化具有很好的鲁棒性。     

基于DBN深度学习的期货市场价格预测建模与决策

深度学习通过学习深层非线性网络结构即可实现复杂函数的逼近,可以从大量无标注样本集中学习数据集的本质特征。而深度信念网络(DBN)是由多层随机隐变量组成的贝叶斯概率生成模型,可以作为深度神经网络的预训练环节,为该网络提供初始权重。基于该模型的一个高效学习算法不仅解决了模型训练速度慢的问题,还能产生非常好的参数初始值,极大地提升了模型的建模能力。金融市场是一个多变量非线性系统,通过运用DBN模型进行分析预测可以很好地解决其他预测方法初始权重难以确定的问题。文中以原油期货市场价格预测为例,说明了运用DBN模型进行预测和决策的可行性及有效性。     

SDN环境下基于DBN的DDoS攻击检测

软件定义网络(SDN)作为新型网络架构模式,其安全威胁主要来自DDoS攻击,建立高效的DDoS攻击检测系统是网络安全管理的重要内容.在SDN环境下,针对DDoS的入侵检测算法具有支持协议少、实用性差等缺陷,为此,提出一种基于深度信念网络(DBN)的DDoS攻击检测算法.分析SDN环境下DDoS攻击的机制,通过Mininet模拟SDN的网络拓扑结构,并使用Wireshark完成DDoS流量数据包的收集和检测.实验结果表明,与XGBoost、随机森林、支持向量机算法相比,该算法具有攻击检测准确性高、误报率低、检测速率快和易于扩展等优势,综合性能较好.     

基于深度信念网络的高光谱影像森林类型识别

森林类型分类对森林生态系统管理起重要作用,高光谱影像由于波段多,传统方法先对其进行特征选择或特征提取进行降维处理,再进行图像分类,一定程度影响森林类型识别精度.深度信念网络是一种半监督学习方法,可将高光谱所有波段作为深度信念网络的输入,从而避免降维处理.论文利用深度信念网络对泉州市德化县西部8个乡镇进行森林类型识别研究.基于HJ/1A高光谱图像与二类调查数据,利用Python语言实现高光谱影像森林类型分类,讨论了网络深度和隐藏层单元数对总体精度与Kappa系数的影响.实验结果表明：层数为3,每层节点数为256的网络结构对森林类型识别效果最好,总体精度达85.8%,系数为0.785,好于支持向量机的分类结果.     

深度置信网络迁移学习的行星齿轮箱故障诊断方法

实际工程中行星齿轮箱受工况、运行情况等因素的影响,获取的数据难以满足训练和测试数据独立同分布且训练数据充足的条件,直接影响故障诊断效果。为此,提出一种深度置信网络(Deep Belief Network,DBN)迁移学习的行星齿轮箱故障诊断方法。首先,将辅助标记数据的原始信号频谱作为DBN网络的输入,逐层更新网络的权重和偏置值对输入信号进行分级表达,以获得其分布式特征表达,得到基于辅助标记样本的DBN预模型。再利用少量的目标标记样本微调DBN预模型的网络权重和偏置值,实现DBN网络的权重和偏置值从源域到目标域的迁移以适应新的目标样本识别,最终提高目标域样本故障识别准确率。通过行星齿轮箱故障模拟实验验证了所提方法的可行性和有效性。     

基于DBN的空间战场目标威胁评估

空间战场目标威胁评估对未来空间作战指挥决策具有重要的意义,探讨了空间战场的特点及空间战场威胁目标的特点。针对静态贝叶斯网络(Bayesian network,BN)无法有效地解决动态空间战场中目标的威胁评估问题,提出利用动态贝叶斯网络(dynamic Bayesian network,DBN)来解决空间战场目标威胁评估,建立了基于DBN的空间战场目标威胁评估模型,利用所建立的模型进行了仿真计算。研究结果证明,基于DBN的空间战场目标威胁评估模型能够适应战场形势的变化,可应用于未来空间战场目标威胁评估专家系统的开发,并且比利用静态BN得出的威胁程度更准确,可靠性更高。