基于堆栈式稀疏自编码器的高光谱影像分类

为挖掘高光谱影像数据的内在光谱特征,该文基于深度学习理论,引用堆栈式稀疏自编码器构建原始数据的深层特征表达。首先通过稀疏自编码器,得到原始数据的稀疏特征表达。其次通过逐层学习稀疏自编码器构建深度神经网,输出原始数据的深度特征。最后将其连接到支持向量机分类器,完成模型的精调。实验结果分析表明:基于堆栈式稀疏自编码器的最优分类模型,总体精度可达87.82%,优于实验中的其他方法,证明了深度学习方法在高光谱影像处理中具有良好的分类性能。     

堆叠图嵌入极限学习机算法

极限学习机(Extreme learning machine,ELM)因其训练参数少、学习速度快、泛化能力强等特点,已被广泛应用于训练单隐藏层前馈神经网络。本文首先结合图嵌入框架提出一种新的极限学习机自编码器(GEELM-AE),在ELM空间中挖掘数据的局部近邻结构信息和全局结构信息。在GEELM-AE中,采用局部Fisher判别分析构建了图嵌入框架下的本征图和惩罚图。进而,通过堆叠多个GEELM-AE提出了深度框架下的堆叠图嵌入极限学习机(SGE-ELM)算法。在多个标准数据集上的实验结果表明,与已有算法比较,本文算法获得了更高的精度并具有较快的训练速度。这验证了提出的图嵌入极限学习机自编码器能够对原始数据进行有效的特征表示,堆叠的多层图嵌入极限学习机能够获得数据的有效的高层次抽象表征。     

基于核极限学习机自编码器的转盘轴承寿命状态识别

针对低速重载转盘轴承运行工况恶劣、故障特征微弱的特点,提出基于飞蛾扑火算法优化多层核极限学习机自编码器（MFO-MLKELM-AE）的转盘轴承寿命状态识别方法. 该方法从振动信号的时域和时频域中提取出多个能够表征转盘轴承运行状态的特征向量,并将其组成高维特征集. 采用堆叠多层核极限学习机自编码器（MLKELM-AE）,从高维特征集中提取最能反映转盘轴承的寿命状态信息,输入核极限学习机（KELM）模型进行寿命状态识别. 在MLKELM-AE学习训练中,采用新的飞蛾扑火算法（MFO）优化惩罚系数和核参数,提高MLKELM-AE的特征识别能力. 转盘轴承加速寿命实验表明,MLKELM-AE比多层极限学习机自编码器（MLELM-AE）、单层极限学习机（ELM）、KELM的识别精度高,多传感器、多领域特征能够全面反映转盘轴承的寿命状态.     

基于相量测量的状态估计攻击检测方法

针对电力系统中基于相量测量技术状态估计的虚假数据注入攻击难以被成功检测的问题,本文提出一种面向电力系统线性状态估计的攻击智能检测方法.采用自编码器对电网测量数据进行多次特征提取,逐渐降低特征维度;提取信息通过softmax层进行有监督学习,从而得到基于堆叠自编码器的攻击检测算法.针对自编码器的过度拟合问题,进一步提出基于降噪自编码的攻击检测方法.采用IEEE-118节点测试系统对所提出的方法进行仿真验证,结果表明所提出的攻击检测方法计算精度和效率高于其他方法.     

基于多隐层极限学习机的文本分类方法

针对正则化极限学习机处理高维文本数据时文本特征表示能力不足的问题,提出了一种基于多隐层极限学习机的文本分类方法.首先,使用极限学习机自编码器的压缩表示对高维文本数据进行降维处理.然后,通过多隐层极限学习机的多隐层结构提取出高层文本特征并通过最小二乘的方法对文本数据进行分类.与多个算法的实验对比表明,该算法在20newsgroup、Reuters和复旦大学中文语料库这3个数据集上都具有良好的分类性能.

     

一种鲁棒网络流量分类及新类型发现算法

提出了一种鲁棒网络流量分类及新类型的发现算法.网络流量一般为高维数据,且在网络流量收集过程中易受到网络波动或网络攻击的影响,为此,在堆栈自编码器的基础上,基于互相关熵理论提出了一种新的网络模型进行数据的特征提取,通过基于阈值的主动学习分类算法进行分类,达到识别新应用类型的目的.对比实验结果表明,所提算法中分类算法的准确度可达到91.08%,对新应用类型的识别度可达到98.8%.     

基于深度堆栈网络的心电信号识别

传统的心电信号识别算法依靠心电专家参与特征识别,费时费力,诊断成本高,心电信号形态复杂多样导致识别准确率低、适应性差.为解决上述问题,将栈式稀疏自编码器(SSAE,Stacked Sparse Autoencoder),与Softmax分类器相结合形成深度堆栈网络(DSN,Deep Stacked Net-work)完...     

注意力卷积GRU自编码器及其在工业过程监控的应用

针对现有故障检测算法难以深入并准确地提取数据内在信息的问题,提出注意力卷积门控循环单元自编码器（CGRUA-AE）深度神经网络和基于CGRUA-AE的过程故障检测方法. 采用卷积门控循环单元（ConvGRU）有效地提取输入数据的空间和时间特征;建立基于ConvGRU的自编码器,采用无监督学习对时间序列数据进行特征提取,引入注意力机制对相应的特征进行加权计算,实现对关键特征的有效选择;分别在特征空间与残差空间上建立基于T ²、SPE统计量的过程监控模型,实现对多元数据有效的特征提取和故障检测. 数值案例和田纳西?伊士曼过程故障检测结果表明,CGRUA-AE具有良好的特征提取能力和故障检测能力,性能优于常用的过程故障检测方法.     

多层去噪极限学习机

为提高极限学习机-自编码器(ELM-AE)所提取特征的有效性和鲁棒性,提升多层极限学习机(ML-ELM)性能,抑制噪声的影响,本文将极限学习机(ELM)与去噪自编码器(DAE)相结合,在ELM-AE中引入退化过程,提出了极限学习机-去噪自编码器(ELMDAE);并通过堆叠ELM-DAE,构建了多层去噪极限学习机算法(ML-D-ELM)。ML-DELM首先通过堆叠的ELM-DAE逐层提取具有高有效性、鲁棒性的抽象特征,而后运用ELM进行分类,完成由抽象特征到类别标签的映射。在多个常用数据集上的实验结果表明:与ELM、SAE-ELM、ML-ELM算法相比,无论是否存在噪声,ML-D-ELM的分类准确率都有明显上升。对于MNIST数据集,ML-D-ELM分类准确率可以达到98.81%。     

基于堆栈自编码的刻划字符检测研究

刻划字符在工业生产中具有广泛的应用,对于工业中大量生产的产品,由于其无色差性和立体性使得人工检查费时费力,研究刻划字符检测是工业生产自动化检测提高的重要基础。文章针对前向高角度环形光照明方案下采集的刻划字符图像,建立了一种基于深层堆栈自编码的刻划字符检测模型,并对模型中所需参数进行了配置,对比分析了堆栈欠完备自编码、变分自编码、HOG算子的特征提取效果,将提取的特征在K近邻、支持向量机和BP神经网络等3种分类器下的检测效果。结果表明:堆栈欠完备自编码器提取的特征有利于字符缺陷检测;堆栈变分自编码器提取的特征有利于字符识别检测;在堆栈自编码器提取的特征下,K近邻分类器的效果最好。     

基于相关域的机载雷达双迭代空时自适应处理方法

针对全维空时自适应处理需要大量采样数据和庞大计算复杂度这一问题,提出了一种基于相关域的双迭代空时自适应杂波抑制方法(BI-STAP),先分别对采样空时数据矩阵进行行堆栈和列堆栈处理,将高维权向量分解为2个低维权向量的Ktonecker积的形式,然后使用双迭代算法利用相关域信息求解出2个低维权向量.最后,基于实测数据的实验验证了算法的有效性.理论分析和实验仿真结果表明,所提算法具有良好的收敛性能,能够有效的降低的计算复杂度和样本要求,并且对阵元随机幅相误差具有很好的容差能力.     

基于核极限学习机自编码器的标记分布学习

标记分布学习中示例由多个不同重要程度的标记共同标注,而在已有的标记分布学习算法中,大部分均在完备数据集下进行,未考虑数据噪声干扰。针对这一问题,结合自编码器的降噪特性和核极限学习机的稳定性,提出一种基于核极限学习机自编码器的标记分布学习算法。使用核极限学习机自编码器对原始特征空间映射,得到更具鲁棒性的特征表达,构造适应标记分布学习的极限学习机模型作为分类器以提升分类效率及性能。试验结果表明,本文算法较其他对比算法具有一定优势,使用假设检验方法进一步说明所提算法的有效性。     

尾矿库安全评价的灰色关联与集对分析研究

从尾矿库安全管理所面临的实际情况出发,建立了尾矿库安全评价指标体系．利用AHP法确定了各指标的权重,根据联系数模型对尾矿库进行评价确定安全等级．应用灰色关联和集对分析的理论进行b、a与b、c两组集对的比较,将计算出的绝对关联度的最大绝对值作为差异度i的取值,代入各式中求出各组联系度的值,根据取值所在的安全区间分析分析尾矿库的安全等级的正确性以及发展的趋势,提出需要整改和加强的措施．此方法探索了一条尾矿库安全评价的新途径,为尾矿库的安全管理和运行提供了有效支持．     

基于Co-training的用户属性预测研究

针对当前基于第三方应用数据进行用户属性预测算法研究,其较少考虑应用前台实际使用时长问题,由此,本文在应用的使用频率及使用时长的基础上,构造了应用前台均使用时长特征,该特征能进一步刻画用户对应用的兴趣度;同时,为充分利用大量未标注数据,从多角度特征对用户属性进行预测,由此本文采用了Co-training框架,该框架包含两个均由栈式自编码器与神经网络相结合的网络结构。实验过程中,对于栈式自编码算法,先利用未标注的数据对网络进行参数初始化,使得网络参数处于一个较优的位置,再利用有标注的数据,采用基于准确率的梯度下降算法,对网络参数进行更新,最终达到收敛。实验结果表明,本文算法在准确率、召回率、F1值上均有所提高。     

基于双层混合集成的自动驾驶汽车故障检测

针对单一故障检测算法难以学习到数据样本全部特征的问题,提出基于双层混合集成的无监督自动驾驶汽车故障检测方法。使用非全连接的自动编码器作为基学习器构建第1层同质集成框架——集成自动编码器,分析和选择包含集成自动编码器、一类支持向量机、孤立森林和局部离群因子的基学习器构建第2层异质多模型集成框架,学习自动驾驶汽车正常传感器数据特征;提出基于自动编码器的投票集成方法,实现基学习器特征的降维和编码融合;通过sigmoid函数映射计算故障概率并对数据是否故障进行判断。试验结果表明,提出的双层混合集成故障检测方法性能优于基学习器算法,F1指标提高了9%~40%,G指标提高了2%~28%,该故障检测方法可有效实现自动驾驶汽车故障检测。     

自适应Huffman算法数据溢出的分析与处理

本文在分析自适应Huffman编码算法的基础上，根据当前计算机的发展趋势，指出了采用自适应Huffman编码算法实现大型数据压缩时潜在的计数器溢出和堆栈式溢出问题，并针对它们分别从软件和硬件的角度提出了相应的解决方法．分析表明这些方法具有较强的实用性，可以有效地解决这两类数据溢出问题．     

多肋式梁桥在全过程中应力重分布研究

为了考察多肋式梁在全过程中受力性能,利用非线性实体退化壳单元理论研究了多肋式梁的应力重分布规律.混凝土和普通钢筋采用分层壳单元模拟,预应力钢筋采用组合壳单元模拟,推导了预应力钢筋对组合壳单元刚度矩阵的贡献和统一的非线性壳单元模式.利用Owen屈服准则、Hinton压碎准则和弹塑性强化模型考虑了混凝土和钢筋的非线性效应,有效模拟了预应力混凝土多肋式梁的开裂、屈服和失效全过程,并编制了相应的三维非线性全过程计算程序.结合破坏性试验资料可知,理论计算结果与试验数据吻合良好,并对预应力钢筋应力发展规律进行研究.结果表明,用实体退化壳单元模拟预应力混凝土多肋式梁是合适的,研制的非线性单元和非线性程序是正确的.     

基于自编码器的阵列时变幅相误差校正算法

随着阵列天线在各类移动平台上的广泛应用,时变幅相误差成为影响阵列信号处理技术工程化应用的重要因素。针对当前时变幅相误差无法有效校正的问题,结合自编码器思想,提出一种基于深度学习的阵列时变幅相误差校正算法。算法充分利用自编码器网络的数据特征提取与重构能力,设计了针对通道时变幅相误差校正的深度学习网络,给出了不含时变幅相误差数据(无扰数据)与含时变幅相误差数据(扰动数据)双驱动下的学习机制,基于期望输出与理想模型均方误差最小化原则,完成了对阵列流形隐匿特征提取,实现了阵列时变幅相误差的有效校正。仿真实验表明,所提算法可有效实现各通道时变幅相误差校正,在通道存在±80%随机时变幅度误差以及±5°随机时变相位误差时,幅度与相位误差校正后的均方差分别在0.5%和1.5%以内,当信噪比大于等于0 dB时,校正后数据的MUSIC算法测向精度与无误差数据基本一致,验证了所提算法的有效性。     

输入非线性方程误差自回归系统的多新息辨识方法

典型块结构非线性系统包括基本的输入非线性系统、输出非线性系统、输入输出非线性系统、反馈非线性系统等.输入非线性系统包括输入非线性方程误差类系统和输入非线性输出误差类系统.以输入非线性方程误差自回归系统,即输入非线性受控自回归自回归(IN-CARAR)系统为例,分别基于过参数化模型,基于关键项分离原理,基于数据滤波技术以及基于辨识模型分解技术,研究和提出了IN-CARAR系统的随机梯度辨识方法、多新息随机梯度辨识方法、递推最小二乘辨识方法、多新息最小二乘辨识方法.这些方法可以推广到其他输入非线性方程误差系统、输入非线性输出误差类系统、输出非线性方程误差类系统、输出非线性输出类系统、反馈非线性系统等.同时,给出了几个典型辨识算法的计算步骤、流程图和计算量.     

基于多层级特征自适应融合的图像分割算法

为了解决传统算法对医学图像分割时精度较低的问题,提出基于多层级特征自适应融合的新型FRUnet图像分割算法.在编码器阶段,设计采样加权模块替代传统卷积层,对图像空间信息进行逐层提取和特征融合,获得相邻像素之间的相关性和不同层次的语义信息.在解码器阶段,设计多层级自适应融合模块,通过非线性跳跃连接逐层提取图像通道信息,自适应地融合邻近连接层的上下文信息,使各层专注不同特征信息的提取.FR-Unet在模型参数量上大幅度减少,让网络在场景部署上得到更好的支持.实验结果表明,该网络在动物细胞分割、肝脏器官分割、皮肤病变分割等众多任务中均表现突出.