基于深度学习的洗衣机异常音检测

基于卷积神经网络框架,提出一种洗衣机异音识别模型,根据卷积神经网络显著特征提取能力和平移不变性,学习洗衣机的异音特征,实现生产线洗衣机的异音自动智能识别。给出完整的过程解决训练数据集的建立、数据样本不平衡等问题。提出一种用于数据增强的网络模型——音频深度卷积生成对抗网络解决训练样本的稀缺性问题。该模型对传统的深度卷积生成对抗网络进行改进,以更好地适应工业音频的生成。利用该模型能够对原始数据进行扩展,生成洗衣机异音增强数据集,在该数据集的基础上进行卷积神经网络训练,经测试准确率达到0.999。利用添加背景噪声信号的数据集测试洗衣机异音识别模型的泛化能力,正确识别率达到0.902,表明该网络在识别洗衣机异音方面具有良好的鲁棒性。     

基于三角函数神经网络的电动汽车充电电流谐波分析方法

为了快速、准确地检测电动汽车充电的电流谐波,提出了基于三角函数神经网络的电流谐波实时分析方法。利用权重对电流的谐波分量进行估计,建立电流谐波分量参数与权重的关系,在学习中采用负梯度下降法更新权重,求取三角函数神经网络的最优权重,从而快速、精确地估计系统谐波分量的幅值、相角等相关参数。通过MATLAB对所提出方法进行仿真分析,并与快速傅里叶变换（FFT）方法进行对比,结果表明,所提方法鲁棒性较好,能够更加快速、准确地检测电流的各次谐波成分。     

自适应控制深度学习和知识挖掘图像分类

针对传统分类方法的局限性,提出了一种深度学习结合知识挖掘的零样本图像自适应控制图像分类算法.利用对图像属性的深度学习来实现图像深层次特征及属性的学习和预测,基于图像的属性-类别映射使分类器性能有较大差异,通过稀疏表示模型挖掘图像类别和属性之间的关系并设计自适应控制的属性分类器实现对图像的分类操作.结果表明,与DBN和SVM算法相比,在监督模式和零样本模式下,该算法具有较高的属性预测准确度.在零样本情况下对Shoes数据集进行分类时,该算法具有最高的准确分类识别率,比其他算法的分类识别率提高了15%.     

RBF神经网络的混合学习算法

针对RBF神经网络的最近邻聚类学习算法存在的学习精度不理想和固定网络结构的梯度下降训练学习算法存在的中心不易确定、训练时间长等问题,提出一种基于最近邻聚类中心选取和梯度下降训练的RBF神经网络混合学习算法,解决了RBF网络径向基函数的中心取值问题,提高了网络的学习精度和训练速度.将该算法应用于非线性系统的在线辨识与二维函数的逼近,仿真实验结果证明了该方法的有效性.     

一种结合深度学习和集成学习的情感分析模型

随着社交媒体的不断发展,用户评价已成为网络决策的关键因素.为了准确分析社交媒体用户评价的情感倾向性,更好地推进舆情分析、推荐算法等工作,本文通过对Bi-LSTM模型和Bagging算法的改进,提出了一种新的情感分析模型—Bi-LSTMM-B模型.该模型的特点在于将深度学习模型可提取抽象特征的优势和集成学习多分类器共同决策的思想相结合.一方面在Bi-LSTM模型的基础上引入Maxout神经元,构建Bi-LSTMM模型,解决随机梯度下降算法中存在的梯度弥散问题,更好地优化训练过程.另一方面,模型基于Bagging算法训练多个情感分类器,根据分类器性能优劣利用袋外数据为每个分类器分配指定类别的权重,并提出相应的改进投票策略,增强了模型的泛化能力.实验结果表明:本文提出的Bi-LSTMM-B模型相比于传统的LSTM模型准确率提高12.08%,其中Maxout神经元的引入对情感分析准确率有8.28%的相对改善效果,改进后的投票策略对准确率有4.06%的相对改善效果,并在召回率和F值两项指标上均优于其他对比模型.由此证明,深度学习模型和集成学习思想相结合可提高情感分析的准确率,并具有一定的研究价值.     

基于深度学习的中文标准文献语言模型

为解决中文标准文献的自然语言处理问题,对Hierarchical Log-Bilinear英文统计语言模型算法进行了改进,构建了适用于中文语言的模型。采用深度神经网络技术,将无监督学习与有监督学习相结合,利用多层受限玻尔兹曼机训练文本词向量,并将训练好的词向量输入到前馈神经网络进行有监督训练,完成对中文标准文献内容的机器学习。对100多万条标准题录数据进行训练的实验结果表明,该方法能有效提高语言模型的学习能力。     

基于受限样本的深度学习综述与思考

深度学习目前依靠大数据和强算力取得了较大进展,但在样本受限情况下的表现差强人意,主要问题在于函数空间(簇)的建构和在数据集受限情况下算法的设计。据此,本文对受限样本下的深度学习进行了分类综述。另外,从目前对大脑的研究来看,人的认知过程在大脑中是分区域的,每个区域担负的功能是不同的,对每个区域功能的学习过程也应该是有差异的。因此,提出了“功能进阶”式的深度学习的设想,试图构建分区分层多种功能模块组成的网络结构,研究“进阶”式的功能模块训练方法,以期探求“仿人学习”的新路径。     

神经网络计算孔隙度时的样本选择方法研究

本文作者针对某铀矿区的测井资料 ,对神经网络计算孔隙度时的样本选择方法做了初步探讨。实验分析中得到的具体方案 ,在实际生产应用中取得了良好效果。     

深度学习研究综述

鉴于深度学习在学术界和工业界的重要性,依据数据流向对目前有代表性的深度学习算法进行归纳和总结,综述了不同类型深度网络的结构及特点.首先介绍了深度学习的概念;然后根据深度学习算法的结构特征,概述了前馈深度网络、反馈深度网络和双向深度网络3类主流深度学习算法的网络结构和训练方法;最后介绍了深度学习算法在不同数据处理中的最新应用现状及其发展趋势.可以看到:深度学习在不同应用领域都取得了明显的优势,但仍存在需要进一步探索的问题,如无标记数据的特征学习、网络模型规模与训练速度精度之间的权衡、与其他方法的融合等.     

神经网络在结构损伤模拟中的应用

识别一个结构在震动状态下的变化，在结构监测中是十分重要的，神经网络就非常适用于这种目的。本文研究了使用可分析的学习样本来训练神经网络的可行性问题。神经网络从损伤状态中训练产生，然后用于诊断一个五层钢框架在一系列震动模拟中的状态。结果表明，使用神经网络可使在线结构诊断更加可行。     

一种随机隐退DBN的脑电信号识别方法

针对DBN处理小样本脑电信号训练时间长且存在过拟合的问题,提出基于随机隐退的DBN算法对左右手运动想象脑电信号进行分类识别.先对原始脑电数据进行降维预处理,然后输入到随机隐退DBN模型中进行训练,得到最优参数值后进行分类识别.实验结果表明:与CSP、PCA、单一DBN网络等方法相比,基于随机隐退的DBN算法在保持较高识别率的同时,降低了对数据集的训练处理时间,证明了该方法的有效性.最后在智能轮椅平台上验证了该算法的可行性.     

几何规划的一种有效算法

在对偶理论作用下约束正定式几何规划转变为线性等式约束下的非线性规划。利用了近年来即约梯度法的最新研究成果以及几何规划目标和约束函数的特点，为几何规划构造了一种有效的间接算法。     

基于样本形态变换的高分遥感影像建筑物提取

针对高分辨率遥感影像中建筑物屋顶光谱信息多变引起建筑物提取精度降低的问题,提出基于样本形态变换的建筑物提取方法. 利用偏移阴影分析法自动提取初始建筑物样本,根据建筑物屋顶形态特征,合理利用样本旋转、偏移、缩放变换方法,构建自适应样本精细提取变换组合,以更完整、全面地提取建筑物样本;结合支持向量机（SVM）分类器进行影像分类,得到建筑物初始提取结果;提出基于形态特征的格网占比法对初始提取结果进行确认,剔除不规则非建筑物,实现对建筑物的准确提取. 对高分辨率遥感影像进行对比实验分析,以验证方法的有效性. 结果表明,与面向对象分类、反向传播（BP）神经网络、基于偏移阴影分析3种参照方法对比,所提方法的建筑物提取精度均优于参照算法.     

基于神经网络自适应滤波的直升机悬停高度稳定研究

针对直升机执行海上搜救任务时定点悬停高度容易受到海浪干扰的问题,提出了一种应用遗传BP神经网络对直升机无线电高度信号进行自适应滤波的方法。首先在建立海浪有理谱简化模型的基础上,应用遗传算法对BP神经网络的初始权值和阈值进行全局粗精度预学习,再应用遗传优化后的BP神经网络对实际海浪干扰信号进行建模,并通过噪声对消原理滤除无线电高度计中混杂的海浪干扰噪声。仿真结果表明,所设计的自适应滤波器能够较好地抑制海浪噪声对直升机高度控制的影响,而且对海浪干扰统计特性的变化具有较强的鲁棒性和适应性。     

Adaptive learning with guaranteed stability for discrete-time recurrent neural networks

To avoid unstable learning, a stable adaptive learning algorithm was proposed for discrete-time recurrent neural networks. Unlike the dynamic gradient methods, such as the backpropagation through time and the real time recurrent learning, the weights of the recurrent neural networks were updated online in terms of Lyapunov stability theory in the proposed learning algorithm, so the learning stability was guaranteed. With the inversion of the activation function of the recurrent neural networks, the proposed learning algorithm can be easily implemented for solving varying nonlinear adaptive learning problems and fast convergence of the adaptive learning process can be achieved. Simulation experiments in pattern recognition show that only 5 iterations are needed for the storage of a 15×15 binary image pattern and only 9 iterations are needed for the perfect realization of an analog vector by an equilibrium state with the proposed learning algorithm.     

迁移学习结合难分样本挖掘的机场目标检测

为了提高遥感图像中机场检测的准确性和速度,提出一种迁移学习结合难分样本挖掘的机场检测方法．首先,舍弃以往滑动窗口加手工设计特征的方式,构造了区域卷积神经网络作为基本架构;其次,基于自然图像和机场遥感图像具有共同的低级和中级视觉特征,网络模型在自然图像上进行预训练并修改完善后,在数据有限的机场上迁移学习;然后,在样本训练中借鉴难分样本挖掘思想来提高网络的目标判别能力和训练效能;最后,使用交叉优化策略实现区域建议网络和后续检测网络的卷积层共享,大大地减少了检测时间．仿真结果表明,所提方法能在复杂背景下准确地检测出不同类型的机场,得到检测率为93.6%、虚警率为11.6%、时间为0.2s的实验结果,各项性能均优于其他对比方法．     

基于深度学习的变电站硬压板状态检测与识别算法

针对变电站的一键顺控停、送电操作不当将导致投退操作的问题,提出了一种基于深度学习的变电站硬压板状态检测与识别算法.使用一个共享网络提取图像特征,基于多任务学习方法建立3个分支联合解决硬压板位置检测、投切状态检测和标识检测这3个任务;采集标注了8 000张硬压板图片数据用于训练和测试.结果表明,所提出的方法能够在提升硬压板状态识别精度的同时,也提升一键顺控操作的安全性.     

学习率有限监督调整方法

从学习率对BP网络误差下降曲线的影响机理入手,提出了能够使学习率具有自适应调整能力的有限监督调整方法,通过实证分析并结合实际工程算例阐明了该方法的有效性。     

提高前馈神经网络学习效率的学习算法探讨

简要分析了最速下降法（Ｓｔｅｅｐｅｓｔ Ｄｅｓｃｅｎｔ Ａｌｇｏｒｉｔｈｍ ,即ＳＤＡ 法）和正交校正共轭梯度法（ＣＧＭ－ＯＣ法）的优缺点,提出了一种进行多层前馈神经网络学习的新算法,即ＳＤ－ＣＧＭ－ＯＣ算法．该算法结合最速下降法与正交校正共轭梯度法的特点,在文中所述实际问题构造模型的基础上,论证了ＳＤ－ＣＧＭ－ＯＣ算法比传统的ＢＰ算法具有更高的学习效率和二次收敛率．实验结果验证了该学习算法的有效性．     

Inference and contradictory analysis for binary neural networks

A weak-inference theory and a contradictory analysis for binary neural networks (BNNs).are presented.The analysis indicates that the essential reason why a neural network is changing its slates is the existence of superior contradiction inside the network,and that the process by which a neural network seeks a solution corresponds to eliminating the superior contradiction.Different from general constraint satisfaction networks,the solutions found by BNNs may contain inferior contradiction but not superior contradiction.