基于深度信念网络的风机主轴承状态监测方法

提出了一种基于深度信念网络（DBN）的风电机组主轴承状态监测方法。为了降低建模难度并减少训练时间,首先利用相关系数法选取建模变量,进而建立主轴承正常行为的DBN温度模型并用于主轴承温度预测。该模型克服了传统神经网络随机初始化网络权重、易陷入局部最小值等缺点,能有效提高主轴承温度的预测精度。然后采用指数加权移动平均法（EWMA）对主轴承温度残差序列进行分析,并利用核密度估计方法确定故障阈值。最后基于实测的数据采集与监视控制（SCADA）系统数据对主轴承故障进行模拟。结果表明,与传统预测方法相比,该方法能有效地实现主轴承的异常状态监测。     

一种基于半监督主动学习的动态贝叶斯网络算法

本文提出一种基于半监督主动学习的算法，用于解决在建立动态贝叶斯网络(DBN)分类模型时遇到的难以获得大量带有类标注的样本数据集的问题．半监督学习可以有效利用未标注样本数据来学习DBN分类模型，但是在迭代过程中易于加入错误的样本分类信息，并因而影响模型的准确性．在半监督学习中借鉴主动学习，可以自主选择有用的未标注样本来请求用户标注．把这些样本加入训练集之后，能够最大程度提高半监督学习对未标注样本分类的准确性．实验结果表明，该算法能够显著提高DBN学习器的效率和性能，并快速收敛于预定的分类精度．     

轴承故障诊断与故障预测方法

分析了利用HMM进行故障诊断和HHMM进行故障预测的框架,针对传统HHMM推理算法复杂,推理时间长的问题,将HHMM转化为DBN,并应用交叉树推理算法,缩短了推理时间。最后将HMM和HHMM应用于轴承故障诊断和故障预测或剩余寿命预测(RUL),通过试验结果验证了这种方法的有效性。     

[设备健康管理]深度置信网络在齿轮故障诊断中的应用

针对齿轮传动系统中齿轮等零部件易出现故障或失效等问题,提出了一种基于深度学习理论的齿轮传动系统故障诊断方法。首先利用深度置信网络强大的特征自提取能力,对齿轮传动系统的振动信号进行特征提取,然后通过DBNs的复杂映射表征能力对故障信号进行故障判别。诊断实例表明,若不对齿轮振动的原始时域信号进行特征提取,直接利用DBNs对其进行诊断时,故障识别正确率只能达到 60%左右;如果对时域信号进行简单的傅里叶变换后,再利用 DBNs 对处理后的振动信号频谱进行诊断分析,正确率能达到 99.7%,从而证明了所提故障诊断方法的简易性和有效性。     

基于特征选择和深度信念网络的文本情感分类算法

由于人类语言的复杂性，文本情感分类算法大多都存在因为冗余而造成的词汇量过大的问题。深度信念网络（DBN）通过学习输入语料中的有用信息以及它的几个隐藏层来解决这个问题。然而对于大型应用程序来说，DBN是一个耗时且计算代价昂贵的算法。针对这个问题，提出了一种半监督的情感分类算法，即基于特征选择和深度信念网络的文本情感分类算法（FSDBN）。首先使用特征选择方法（文档频率（DF）、信息增益（IG）、卡方统计（CHI）、互信息（MI））过滤掉一些不相关的特征从而使词汇表的复杂性降低；然后将特征选择的结果输入到DBN中，使得DBN的学习阶段更加高效。将所提算法应用到中文以及维吾尔语中，实验结果表明在酒店评论数据集上，FSDBN在准确率方面比DBN提高了1.6%，在训练时间上比DBN缩短一半。     

基于PSO改进深度置信网络的滚动轴承故障诊断

针对深度置信网络(Deep Belief Network,DBN)用于轴承故障诊断时,网络层结构调试比较费时等问题,提出一种基于粒子群优化(Particle Swarm Optimization,PSO)的DBN算法,以及基于该算法的轴承故障诊断模型。该模型利用PSO算法优选DBN网络结构,并通过自适应时刻估计法微调模型参数,随后运用具有最优结构的DBN模型直接从原始振动信号中提取低维故障特征,并将其输入到Soft-max分类器中识别轴承的故障模式。该算法与支持向量机、BP神经网络、DBN、堆叠降噪自编码等方法进行对比分析,实验结果表明,PSO改进的DBN算法具有更高的准确率以及更好的鲁棒性。     

DBN在蛋白质编码区识别问题中的应用研究

针对真核生物DNA序列中蛋白质编码区的识别问题,提出基于深度置信网络（Deep Belief Network,DBN）的组合模型。通过信号处理技术对真核生物的DNA序列进行数值转换,并结合统计学知识提取转换后DNA序列的数值特征;利用随机森林对所提取的特征变量降维;用深度置信网络模型对DNA序列分类判别;根据短时傅里叶变换（Short Time Fourier Transform,STFT）技术对外显子区准确定位。在三个标准测试集上比较组合模型与传统[Logistic]回归模型、贝叶斯判别模型的判别效果,结果显示,深度置信网络组合模型的准确率和特异度等指标都明显优于[Logistic]回归模型和贝叶斯判别模型。     

深度置信网络优化模型在人才评价中的应用

针对深度置信网络(DBN)权值随机初始化容易使网络陷入局部最优的问题,引入改进的和声搜索(IHS)算法,提出基于IHS的DBN模型(IHS-DBN)。在和声搜索算法的基础上,利用全局自适应的和声音调调整方式,提升算法收敛速度和后期局部搜索能力。将DBN重构误差函数作为IHS算法的优化目标函数,通过不断迭代优化解向量为DBN寻找一组较优的初始权值进行网络训练,并在MNIST数据集上验证IHS-DBN模型的有效性。IHS-DBN模型在高校人才评价中的应用结果表明,与DBN、SVM和BP神经网络评价模型相比,IHS-DBN模型的评价准确率分别提高3.6%、7.3%和16.4%。     

深度置信网络模型及应用研究综述

介绍深度置信网络（DBN）理论基础的发展,对比分析深层结构DBN与浅层网络结构的差异,最后引用多篇文献分析研究DBN在文字检测、人脸及表情识别领域和遥感图像领域的应用效果。全面介绍了深度学习模型DBN,深入分析DBN的构建与实际应用,为研究人员提供改进DBN的思路,以期在未来将其运用到更宽广的新兴领域中。     

一种基于局部三值模式的深度学习人脸识别算法

为解决传统特征提取过程中过多依赖人工选择和传统DBN网络易忽略局部特征问题,提高人脸识别率,提出一种基于局部三值模式的深度学习人脸识别算法(LTDBN)。该算法首先把归一化的人脸图像均匀分割为多个小块,对每个小块进行LTP运算,然后用统计直方图获得最后图像特征,将其作为DBN的输入数据,利用逐层贪婪学习法对整个网络进行训练识别。该算法在ORL,Yale,Yale-B等公开人脸库的识别率分别达到了98.75%,100%,96.62%,实验结果表明LTDBN算法不仅识别率明显优于其他现有算法,而且也降低了光照、姿态等因素对实验结果的影响。