-
题名基于堆栈稀疏自编码器的滚动轴承故障诊断
被引量：7
- 1
-
-
作者
徐活耀
陈里里
-
机构
重庆交通大学机电与车辆工程学院
重庆交通大学城市轨道车辆系统集成与控制重点实验室
-
出处
《机床与液压》
北大核心
2020年第14期190-194,共5页
-
文摘
针对提取有效滚动轴承特征和消除特征之间的冗余,提出一种基于堆栈稀疏自编码器和Softmax层构建的深度神经网络(DNN)用于轴承故障诊断。首先从振动信号提取12个统计特征和6个时频域特征,然后将获得的特征用于构建18维特征向量;高维特征向量通过堆栈稀疏自编码器逐层贪婪学习获得无冗余的高级特征;最后将高级特征输入Softmax分类层进行轴承故障诊断。实验结果表明:相比于传统BP和SVM分类器,DNN能更准确地识别滚动轴承故障类型。
-
关键词
滚动轴承
堆栈自编码器
softmax层
深度神经网络
故障诊断
-
Keywords
Rolling bearing
Stacked sparse autoencoder
softmax layer
Deep neural network
Fault diagnosis
-
分类号
TH133
[机械工程—机械制造及自动化]
-
-
题名基于灰狼算法的配电网短路故障自动监测系统
- 2
-
-
作者
施晓敏
徐飞
沈磊
-
机构
国网安徽省电力有限公司
-
出处
《自动化与仪表》
2024年第4期83-88,共6页
-
文摘
针对接地短路故障中识别率较低、抗干扰性较大的问题,该文提出短路故障自动化监测系统。通过集成经验模态对零序电流做出分解,提取相应的本证模态分量,构建特征向量。结合灰狼算法对门控神经网络优化,加入相应的softmax分类优化,构建接地短路故障的自动化监测系统。经过实际算例验证,改进系统能够更稳定地进行故障识别,具有更高的准确率以及抗干扰性能。
-
关键词
集成经验模态
神经网络
灰狼算法
故障检测
softmax层
-
Keywords
integrated empirical modality
neural networks
grey wolf algorithm
fault detection
softmax layer
-
分类号
TP277
[自动化与计算机技术—检测技术与自动化装置]
TP18
[自动化与计算机技术—控制科学与工程]
-
-
题名基于轻量级卷积神经网络人脸识别算法的研究与应用
被引量：17
- 3
-
-
作者
胡佳玲
施一萍
谢思雅
陈藩
刘瑾
-
机构
上海工程技术大学电子电气工程学院
-
出处
《传感器与微系统》
CSCD
北大核心
2022年第1期153-156,共4页
-
基金
国家自然科学基金资助项目(61701296)。
-
文摘
针对多数卷积神经网络(CNN)人脸识别算法在追求高精度的同时,加大网络层数,造成网络参数过多、计算量过大、训练速度缓慢且对设备要求高,增加了成本的问题,提出了一种改进型轻量级卷积神经网络MobileNet的人脸识别算法。首先,将MobileNet中的SoftMax层为L-SoftMax层,避免了过度拟合,实现更好的分类效果。其次,将改进的MobileNet和区域生成网络(RPN)融合,并在Jetson Nano小型设备上进行训练。实验表明:所提算法与传统的卷积神经网络人脸识别算法相比,在LFW人脸数据库和自建的小型数据库上训练测试,模型的参数量减少了88%,识别准确率与原MobileNet相比增加了0.2%,达到了97.54%。运行速度较原MobileNet网络提高了21.3%。
-
关键词
人脸识别
卷积神经网络
MobileNet模型
L-softmax层
区域生成网络(RPN)
-
Keywords
face recognition
convolutional neural network(CNN)
MobileNet model
L-softmax layer
region proposal network(RPN)
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于堆叠稀疏自动编码器的手写数字分类
被引量：14
- 4
-
-
作者
林少飞
盛惠兴
李庆武
-
机构
河海大学物联网工程学院
-
出处
《微处理机》
2015年第1期47-51,共5页
-
文摘
将稀疏自动编码器(Sparse Autoencoder,SAE)模型应用于数字识别中,并通过多个稀疏自动编码器的堆叠构建了深度网络,采用非监督贪婪逐层训练算法(Greedy Layer-Wise Unsupervised Learning Algorithm)初始化网络权重,使用反向传播算法优化网络参数。利用堆叠稀疏自动编码器学习数字图像的特征,使用softmax分类器进行数字分类。经实验证明,与其它浅层学习模型对比,深度网络不仅进一步学习了数据的高层特征,同时还降低了特征维数,提高了分类器的分类精度,最终改善了手写数字的分类效果。
-
关键词
堆叠稀疏编码器
非监督贪婪逐层训练
反向传播算法
softmax
分类器
-
Keywords
Stacked Sparse Autoencoder
Greedy layer -Wise Unsupervised Learning Algorithm
Back Propagation Algorithm
softmax classifier
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于优化卷积深度信念网络的智能手机身份认证方法
被引量：6
- 5
-
-
作者
张义超
孙子文
-
机构
江南大学物联网工程学院
物联网技术应用教育部工程研究中心
-
出处
《激光与光电子学进展》
CSCD
北大核心
2020年第8期84-94,共11页
-
基金
国家自然科学基金(61373126)
中央高校基本科研业务费专项资金(JUSRP51510)
江苏省自然科学基金(BK20131107)。
-
文摘
针对智能手机面临的信息安全问题,研究了一种优化卷积深度信念网络的智能手机身份认证方法。先对采集的原始数据进行预处理,再引入稀疏自编码器进行预训练,预训练后的权重作为卷积深度信念网络模型的卷积核,选用逐层贪婪算法用于模型的正式训练;训练后,经均方根连接层对提取的特征进行整合,并利用监督学习算法调节均方根连接层与输出层之间的权重;最后,由Softmax分类器输出分类结果。该方法可直接处理高维手势数据,建立手势模型进行特征提取。仿真结果表明,与隐马尔科夫算法、深度信念网络算法相比,该方法可显著提高身份认证的准确率。
-
关键词
图像处理
稀疏自编码器
卷积深度信念网络
均方根连接层
softmax分类器
-
Keywords
image processing
sparse autoencoder
convolutional deep belief network
root mean square layer
softmax classifier
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名移动终端身份认证的深度信念网络模型
被引量：5
- 6
-
-
作者
孙子文
张义超
-
机构
江南大学物联网工程学院
物联网技术应用教育部工程研究中心
-
出处
《信息网络安全》
CSCD
北大核心
2019年第3期34-42,共9页
-
基金
国家自然科学基金[61373126]
中央高校基本科研业务费专项资金[JUSRP51510]
江苏省自然科学基金[BK20131107]
-
文摘
文章针对移动终端面临的信息安全问题,建立了移动终端身份认证的深度信念网络模型。利用触摸屏传感器采集用户原始触摸手势数据序列,经数据预处理后提取手势特征并传入深度信念网络模型;选用逐层贪婪算法进行无监督的预训练,再经反向传播算法进行有监督微调后固定模型参数;将测试手势特征数据作为模型输入层数据,经模型计算后得到输出层数据,由Softmax分类器对输出数据分类,认证用户身份。仿真实验结果表明,与连续隐马尔可夫模型、反向传播算法相比,文中深度信念网络模型能达到较低的错误率,明显提高认证的准确性。
-
关键词
深度信念网络模型
逐层贪婪算法
反向传播算法
softmax分类器
-
Keywords
deep belief network model
layer-by-layer greedy algorithm
back propagation algorithm
softmax classifier
-
分类号
TP309
[自动化与计算机技术—计算机系统结构]
-
-
题名多级卷积神经网络的沥青路面裂缝图像层次化筛选
被引量：5
- 7
-
-
作者
封筠
赵颖
毕健康
赖柏江
胡晶晶
-
机构
石家庄铁道大学信息科学与技术学院
北京理工大学计算机科学与技术学院
-
出处
《图学学报》
CSCD
北大核心
2021年第5期719-728,共10页
-
基金
国家自然科学基金项目(61772070,61972267)
河北省高等学校科学技术研究重点项目(ZD2021333)
+1 种基金
河北省研究生专业学位教学案例库建设项目(KCJSZ2020068)
石家庄铁道大学研究生创新资助项目(YC2021075)。
-
文摘
如何快速准确地识别与评估沥青路面裂缝病害,已成为路面养护和保障道路安全的重要任务之一。实际采集路面图像中往往存在大量的非裂缝图像,在保证裂缝图像无漏筛的前提下,尽可能提高裂缝图像的精确率与非裂缝图像的真负例率,则对于降低人工筛选的工作强度,以及后续裂缝自动分割与病害损坏程度评估具有重要实际意义。故此,提出了一种多级卷积神经网络的沥青路面裂缝图像筛选方法,由训练、微调与验证三阶段构成,利用微调集获得softmax层输入微调增量。为避免裂缝图像召回率增加与精确率下降的问题,在对比不同卷积神经网络筛除的非裂缝图像异同基础上,采用改进AlexNet作为一级筛选网络,VGG16或ResNet50作为二、三级筛选网络的层次化处理模型。对于含噪声及复杂路面图像测试集的实验结果表明,三级层次化筛选模型能在100%召回裂缝图像时,达到高的真负例率及准确率。与其他方法的对比实验表明,所提方法可有效解决沥青路面裂缝图像漏筛问题,且具有更好的检测效果。
-
关键词
沥青路面图像
裂缝筛选
卷积神经网络
softmax层微调
多级网络
-
Keywords
asphalt pavement image
crack filtering
convolutional neural network
softmax layer fine-tuning
multi-level network
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
