基于DBN算法的热轧高强钢薄板轧机振动预报研究

针对热轧高强钢薄板生产过程中轧机出现剧烈振动、造成产品质量不高和设备损坏等问题,深度挖掘钢铁工业积累的轧制实时监测数据(PDA数据),提出采用DBN算法和GA-BP算法建立轧机振动预报模型,从而对轧机振动进行预报。首先通过建立轧机垂直振动数学模型,分析轧机振动机理,然后建立振动预报模型,并利用现场实测数据训练其精度,结果表明,本预报模型预测结果的误差在3.94%以内,可以用于轧机振动的预报。建立了轧制工艺参数和轧机振动强度的定量关系,为轧制制度的改进以及在轧制过程中实现快速减弱甚至消除轧机振动提供参考。     

基于动态贝叶斯网络的音视频双模态说话人识别

动态贝叶斯网络在描述具有多个通道的复杂随机过程方面具有优异的性能．基于动态贝叶斯网络进行音视频双模态说话人识别的工作．分析了音视频联合建模的层级结构,利用动态贝叶斯网络对不同层级的音视频关联关系建立模型,并基于该模型进行音视频说话人识别的实验．通过对不同层级的建模过程及说话人识别实验的结果进行分析,结果表明,动态贝叶斯网络为描述音视频间的时序相关性和特征相关性提供了有效的建模方法,在不同语音信噪比的情况下均能提高说话人识别的性能．     

基于AdaBoost的多特征融合指纹检索方法

为提高视频内容检索方法的鲁棒性,提出一种基于AdaBoost的多特征融合指纹检索方法。通过对样本数据的训练,自适应地获得尺度不变特征变换特征、运动特征以及音频特征的权重,利用得到的权重融合音视频特征,以产生视频指纹。实验结果表明,该方法的准确性较高,在尺度变化、亮度变化、音频噪音攻击下具有较好的鲁棒性。     

基于 Deep Belief Nets 的中文名实体关系抽取

关系抽取是信息抽取的一项子任务,用以识别文本中实体之间的语义关系.提出一种利用DBN(deepbelief nets)模型进行基于特征的实体关系抽取方法,该模型是由多层无监督的RBM(restricted Boltzmann machine)网络和一层有监督的BP(back-propagation)网络组成的神经网络分类器.RBM网络以确保特征向量映射达到最优,最后一层BP网络分类RBM网络的输出特征向量,从而训练实体关系分类器.在ACE04语料上进行的相关测试,一方面证明了字特征比词特征更适用于中文关系抽取任务;另一方面设计了3组不同的实验,分别使用正确的实体类别信息、通过实体类型分类器得到实体类型信息和不使用实体类型信息,用以比较实体类型信息对关系抽取效果的影响.实验结果表明,DBN非常适用于基于高维空间特征的信息抽取任务,获得的效果比SVM和反向传播网络更好.     

动态贝叶斯网络结构学习的依赖分析方法研究

针对现有动态贝叶斯网络结构学习方法具有低效率和低可靠性等问题,基于变量之间的基本依赖关系和依赖分析方法进行动态贝叶斯网络结构学习。建立变量之间依赖关系草图,通过条件独立行检验去除多余的边,使用碰撞识别和条件相对预测能力确定边的方向,便可得到构成动态贝叶斯网络结构的先验网和转换网。该方法在效率和可靠性方面均具有优势。     

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。     

基于深度置信网络的液压泵内泄漏状态的诊断

针对液压信号的高度复杂性以及难以识别的特点,提出一种基于深度置信网络的方法用于液压泵内泄漏状态的诊断。首先利用小波变换和HHT对压力信号和流量信号进行提取特征,然后利用堆叠RBM网络对原始特征集进行优化,并提取高级的融合特征,最后使用BP进行预测。实验结果表明：DBN能够有效地提取原始特征集的内在特征,使液压信号得到了更好的表达;DBN对液压泵内泄漏状态识别精度达到了98.77%;相比于SSAE和H-ELM分类器,DBN对液压泵内泄漏状态有更好的辨识能力和稳定性。     

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...     

使用简易深度成像设备的高尔夫挥杆动态贝叶斯网络三维重建

基于简易深度成像设备的动作捕捉系统因其与传统设备相比更加廉价且易于使用而倍受关注。然而,此类设备图像分辨率很低,肢体间互相遮挡,缺乏3维动作重建的基本数据条件。该文融合人体关节点父子关系与关节点在运动中的多阶马尔可夫性,提出一个描述人体关节点空间关系与动态特性的动态贝叶斯网络(DBN)模型,基于该DBN模型并利用高尔夫挥杆运动的相似性,构建了一种高尔夫挥杆3维重建系统DBN-Motion(DBN-based Motion reconstruction system),使用简易深度成像设备Kinect,有效地解决了肢体遮挡的问题,实现了高尔夫挥杆动作的捕获和3维重建。实验结果表明,该系统能够在重建精度上媲美商用光学动作捕捉系统。     

一类基于非线性PCA和深度置信网络的混合分类器及其在PM2.5浓度预测和影响因素诊断中的应用

传统的深度置信网络（Deep brief networks,DBN）在建立高维数据分类模型时,往往存在网络负荷大,运算复杂度高等问题.本文首先基于非线性PCA（NPCA）对高维样本数据进行降维,然后以提取到的非线性特征作为DBN的网络输入,构建了一类含非线性特征提取预处理机制的DBN分类器.并从信息熵理论的角度出发,证明了所提改进DBN分类器在网络结构和算法复杂度方面的优势.通过一个PM2.5浓度预测与影响因素诊断实例,验证了所提改进DBN在一类分类和影响因素诊断问题中的应用,并与传统的分类器进行对比,显示了所提方法在建模精度及收敛速度上的优势.