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。     

深度学习在雷达通信目标识别中的应用框架

深度学习是当前人工神经网络领域的研究热点,广泛应用于字符识别、图像识别和语音识别等应用中。雷达通信目标识别是通信对抗的前提和关键。文中分析了模板匹配法、DS证据理论等传统通信目标识别方法的在特征提取、模型表达方面的不足,对深度学习神经网络在通信目标识别中的应用进行了初步探讨,并提出了一种基于深度学习的通信目标识别框架。该框架和思路同样适用于雷达对抗目标识别等问题,可为深度学习在雷达目标识别领域的应用提供支撑。     

基于电力大数据的地区E-GDP值预测

为通过电力发展和使用数据评估一个地区的经济发展水平,提出一种表征地区国内生产总值(GDP)发展趋势的类GDP值(E-GDP)的预测方法。该方法基于多源电力大数据和动态贝叶斯网络(DBN)机器学习,采用灰色关联分析法筛选出与GDP变化趋势关联度较大的关键电力数据。利用格兰杰因果分析确定与GDP变化具有因果关联关系的电力指标,并确定各电力指标间的因果关系。进一步运用所得出的因果关系建立DBN预测获得E-GDP。最后将所提方法应用于上海市E-GDP预测,算例结果表明所提方法可以准确地预测地区E-GDP值,同时还可预测得出GDP的概率分布情况。     

深度信念网络研究现状与展望

深度信念网络(Deep belief network, DBN)是一种基于深度学习的生成模型, 克服了传统梯度类学习算法在处理深层结构所面临的梯度消失问题, 近几年来已成为深度学习领域的研究热点之一.基于分阶段学习的思想, 人们设计了不同结构和学习算法的深度信念网络模型.本文在回顾总结深度信念网络的研究现状基础上, 给出了其发展趋势.首先, 给出深度信念网络的基本模型结构以及其标准的学习框架, 并分析了深度信念网络与其他深度结构的关系与区别; 其次, 回顾总结深度信念网络研究现状, 基于标准模型分析不同深度信念网络结构的性能; 第三, 给出深度信念网络的不同无监督预训练和有监督调优算法, 并分析其性能; 最后, 给出深度信念网络今后的发展趋势以及未来值得研究的方向.     

基于机器学习的平行语料库应用效果评价方法

针对传统翻译系统在时态翻译中不准确的问题,结合当前的机器学习算法,提出一种基于DBN的平行语料库时态翻译方法。为实现该方法,首先对时态标注模型和DBN基本理论进行介绍,并提出汉英语句时态翻译的思路;而在进行DBN平行语料库特征提取的过程中,采用自动时态标注算法对时态进行标注,并对得到的数据进行时态树编码;然后以编码数据作为输入,运用DBN网络对时态进行训练预测,得到中文语句中可能的时态;最后通过Transformer翻译器对语句进行翻译,得到对应的翻译时态句子;最后结合LDC等平行语料库中的翻译句子,采用上述方法进行翻译,结果表明提出的时态翻译方法无论是在准确率,还是在召回率等方面,都有很大的优势,说明提出的机器学习算法在平行语料库的翻译中更具有准确性。     

DBN的合成及其在甲醇羰化反应中的应用

建立了一个高收率、重复性好的１，５－二氮杂双环［４，３，０］壬烯－５（ＤＢＮ）的合成方法。所得产物ＤＢＮ及中间产物均经红外光谱验证。考察了ＤＢＮ及ＤＢＮ添加环氧丙烷（ＰＯ）体系对甲醇羰化合成甲酸甲酯（ＭＦ）反应的催化作用。数据表明，ＤＢＮ添加环氧丙烷体系的活性高、选择性好。     

基于改进DBN的回转支承寿命状态识别

为了解决大型回转支承背景噪声大,特征信号微弱,寿命状态难以识别等问题,提出了一种基于改进深度信念网络(Deep Belief Network,DBN)的回转支承寿命状态识别方法。DBN网络拥有强大的深度学习能力,能够有效挖掘回转支承运行状态信息,解决了传统浅层网络过度依赖特征提取效果和识别精度不高的问题。在DBN学习训练中,采用新的优化学习方法FEPCD(Free Energy in Persistent Contrastive Divergence),解决了DBN在长期学习中近似和分类能力下降的问题。然后利用自主研发试验台的试验数据对所提方法的优越性进行验证。将改进的DBN算法与浅层分类算法的识别结果进行比较。结果表明改进DBN网络比原始DBN网络和浅层算法能更精确反映回转支承寿命特征,所提方法具有稳定性和智能性的特点。     

氮杂环脒类光产碱剂的合成及性能研究

1 ,5-二氮杂双环[4,3,0]-5-壬烯(DBN)是20世纪60年代开发的强碱性有机试剂,因其碱性较强,亲和性较弱,在有机反应中常作为催化试剂, 本文以DBN为起始原料,采用氢化铝锂为还原剂,在55℃条件下反应9h,生成1, 5-二氮杂双环[4,3,0]壬烷(1a),最高收率可达87.9﹪,纯度大于95.0﹪。再将1a分别与四种氯甲基吡啶类化合物反应,合成了系列新型含氮杂环脒类光产碱剂,实验中通过对其工艺条件的考察和优化,得到合成此类光产碱剂最高收率达84.7﹪,纯度大于95.7﹪。并对合成的系列新型光产碱剂进行最大紫外吸收、感光性、热稳定性等性能测试,分析该系列光产碱剂的构效关系。产品及中间体经高效气相色谱(HPGC)、高效液相色谱(HPLC)、液相色谱-质谱联用仪（LC-MS）、核磁共振氢谱(1H-NMR)对其进行了定量和定性分析,为此类光产碱剂的进一步研究奠定理论基础。