期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到10篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
堆叠监督自动编码器的近红外光谱建模 被引量：6
1
作者 孙志兴 赵忠盖 刘飞 《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2022年第3期749-756,共8页
近红外光谱中包含了物质中有机分子含氢基团的特征信息,具有维度高、冗余大等特点。传统的基于浅层校正模型,比如主成分回归、偏最小二乘回归、人工神经网络、支持向量回归等,无法提取近红外光谱数据深层的信息。提出一种基于堆叠监督... 近红外光谱中包含了物质中有机分子含氢基团的特征信息,具有维度高、冗余大等特点。传统的基于浅层校正模型,比如主成分回归、偏最小二乘回归、人工神经网络、支持向量回归等,无法提取近红外光谱数据深层的信息。提出一种基于堆叠监督自动编码器的近红外光谱建模方法,不仅可以拟合光谱数据与理化值之间复杂的非线性关系,还可以提取数据深层的特征信息。首先通过对比不同的光谱预处理对模型预测结果的影响,选择最优的预处理方法,然后再使用相关系数法提取特征波段。将处理好的近红外光谱数据作为堆叠监督自动编码器的输入信号,利用理化值对多个监督自动编码器进行有监督的预训练;将多个经过预训练的监督自动编码器进行堆叠,得到堆叠监督自动编码器;将预训练的参数作为堆叠监督自动编码器的初始化参数,然后再利用理化值对堆叠监督自动编码器进行有监督的微调,最后得到模型的最优参数。分别利用玉米含水量和黄酒总酸含量等近红外数据集进行验证,建立了偏最小二乘回归预测模型、人工神经网络预测模型、堆叠自动编码器预测模型和堆叠监督自动编码器预测模型,验证了堆叠监督自动编码器建模的可行性;以预测均方根误差和预测相对分析误差两个指标对比分析了偏最小二乘回归、反向传播人工神经网络、堆叠自动编码器及堆叠监督自动编码器四种建模方法的评价指标。分析结果表明,采用该方法建立的模型,模型预测效果更好,玉米含水量数据集的两个评价指标达到了0.0604和4.313;黄酒总酸含量数据的两个评价指标达到了0.120和4.227,均优于另外三种方法。 展开更多
关键词 近红外光谱 深度学习 堆叠监督自编码器 定量校正模型
在线阅读 下载PDF
基于堆叠监督自编码器的蓝莓果渣花青素预测模型
2
作者 刘思岐 冯国红 +1 位作者 刘中深 朱玉杰 《食品工业科技》 CAS 北大核心 2023年第10期304-310,共7页
基于可见近红外光谱技术,采用深度学习中的堆叠监督自编码器(stacked supervised autoencoders,SSAE)对蓝莓果渣的花青素含量进行了建模。首先对光谱数据进行预处理和特征筛选处理,以预设SSAE模型的预测集均方根误差(RMSEP)最低为标准,... 基于可见近红外光谱技术,采用深度学习中的堆叠监督自编码器(stacked supervised autoencoders,SSAE)对蓝莓果渣的花青素含量进行了建模。首先对光谱数据进行预处理和特征筛选处理,以预设SSAE模型的预测集均方根误差(RMSEP)最低为标准,选择出178个特征波长;以选择出的特征波长处的吸光值作为SSAE模型的输入,以蓝莓果渣中的花青素含量为输出,讨论SSAE模型激活参数、节点数、训练次数和学习率,得到SSAE最优参数,即激活函数rule、结构178-60-5-1、训练次数70、学习率0.01。选取训练集均方根误差(RMSEC)、预测集均方根误差(RMSEP)、预测集相关系数(Rp)为评价标准,获得所建立模型的RMSEC、RMSEP、Rp分别为1.0500、0.3835、0.9042。最后通过与经典回归预测模型极限学习机(extreme learning machine,ELM)、最小二乘支持向量机回归(least squares support vector regression,LSSVR)和偏最小二乘回归(partial least squares regression,PLSR)算法进行对比,发现本研究所建SSAE模型的预测精度更高,表明SSAE模型与可见近红外光谱结合能有效预测蓝莓果渣中的花青素含量。 展开更多
关键词 蓝莓果渣 花青素 可见近红外光谱技术 堆叠监督自编码器 无损检测
在线阅读 下载PDF
基于堆叠稀疏降噪自编码器的暂态稳定评估模型 被引量：6
3
作者 温涛 张敏 王怀远 《电力工程技术》 北大核心 2022年第1期207-212,共6页
深度学习模型凭借其良好的性能被引入到电力系统的暂态稳定性评估中,但进行在线应用时,须关注模型的抗噪能力和泛化能力。文中提出一种基于堆叠稀疏降噪自编码器(SSDAE)的暂态稳定性评估模型,首先对原始输入数据加入噪声得到受损数据样... 深度学习模型凭借其良好的性能被引入到电力系统的暂态稳定性评估中,但进行在线应用时,须关注模型的抗噪能力和泛化能力。文中提出一种基于堆叠稀疏降噪自编码器(SSDAE)的暂态稳定性评估模型,首先对原始输入数据加入噪声得到受损数据样本,然后对受损数据样本进行高阶特征提取,最后将提取的高阶特征重构成未受损的数据,这一训练过程大大提高了模型的抗噪能力。同时,在对输入特征进行重构的过程中,对隐藏层神经元权重和激活程度进行抑制,实现模型的稀疏化,以此提高模型的泛化能力。仿真结果表明,相对于其他机器学习算法,SSDAE模型具有良好的抗噪能力和泛化能力。 展开更多
关键词 深度学习 堆叠稀疏降噪自编码器(SSDAE) 暂态稳定 抗噪声能力 泛化能力 机器学习
在线阅读 下载PDF
基于Tri-training-SSAE半监督学习算法的电力系统暂态稳定评估 被引量：7
4
作者 卫志农 李超凡 +4 位作者 丁爱飞 孙国强 黄蔓云 臧海祥 方熙程 《电力自动化设备》 EI CSCD 北大核心 2023年第7期110-116,共7页
基于机器学习的暂态稳定评估方法主要采用监督学习方法,为了解决监督学习方法所需的有标签样本难以获取的问题,提出基于三体训练-稀疏堆叠自动编码器(Tri-training-SSAE)半监督学习算法的电力系统暂态稳定评估方法。构建基于堆叠稀疏自... 基于机器学习的暂态稳定评估方法主要采用监督学习方法,为了解决监督学习方法所需的有标签样本难以获取的问题,提出基于三体训练-稀疏堆叠自动编码器(Tri-training-SSAE)半监督学习算法的电力系统暂态稳定评估方法。构建基于堆叠稀疏自动编码器的暂态稳定评估模型;在传统的三体训练过程中加入伪标签样本置信度判断,以减小噪声数据对模型训练的影响;以堆叠稀疏自动编码器为基分类器构建三体训练-稀疏堆叠自动编码器模型,利用大量的无标签样本提高模型的泛化能力。通过IEEE 39节点系统与华东某省级电网进行分析验证,结果表明,所提方法在有标签样本数较少时具有更高的评估准确度。 展开更多
关键词 暂态稳定评估 机器学习 半监督学习 三体训练算法 堆叠稀疏自动编码器
在线阅读 下载PDF
基于半监督深度网络的冷连轧轧制力预报 被引量：13
5
作者 魏立新 翟博豪 +2 位作者 赵志伟 刘建朋 孙浩 《塑性工程学报》 CAS CSCD 北大核心 2020年第11期70-76,共7页
针对冷连轧生产中难以建立准确的轧制力数学模型的问题,提出了基于半监督深度网络的轧制力预报模型。首先,使用堆叠去噪自编码器逐层提取输入数据的高阶特征表示。为提高特征提取的有效性,根据输入值与目标值的相关性程度,对其各维度特... 针对冷连轧生产中难以建立准确的轧制力数学模型的问题,提出了基于半监督深度网络的轧制力预报模型。首先,使用堆叠去噪自编码器逐层提取输入数据的高阶特征表示。为提高特征提取的有效性,根据输入值与目标值的相关性程度,对其各维度特征损失函数施加不同比例,构成比例损失堆叠去噪自编码器。然后,使用比例损失堆叠去噪自编码器提取的高阶特征初始化深度网络,对目标值进行预测。仿真结果表明,该模型预测精度可控制在3%以内,实现了轧制力的高精度预测。 展开更多
关键词 冷连轧 轧制力预测 半监督学习 深度网络 比例损失堆叠去噪自编码器
在线阅读 下载PDF
基于半监督学习的脑电信号特征提取及识别 被引量：3
6
作者 张娜 唐贤伦 刘庆 《四川大学学报（工程科学版）》 CSCD 北大核心 2017年第S2期230-237,共8页
针对有监督学习容易造成未标记样本的浪费和手动特征提取容易导致信息丢失的问题,提出一种基于深层堆叠网络(DSN)的半监督特征学习方法。该方法将受限玻尔兹曼机(RBM)的无监督学习与基于批量模式的梯度下降算法相结合,包括预训练和微调... 针对有监督学习容易造成未标记样本的浪费和手动特征提取容易导致信息丢失的问题,提出一种基于深层堆叠网络(DSN)的半监督特征学习方法。该方法将受限玻尔兹曼机(RBM)的无监督学习与基于批量模式的梯度下降算法相结合,包括预训练和微调两个阶段。首先,采用对比散度(CD)训练算法对多个RBM进行并行的无监督训练,实现对各个通道脑电信号的独立特征提取,避免各通道脑电信号之间的相互干扰。然后,将训练得到的参数用于DSN的输入权值初始化,再采用基于批量模式的梯度下降法对网络进行监督微调,对多个通道的脑电信号进行有效的特征融合,减小特征信息丢失。最后,将所提方法用于运动想象脑电信号特征的提取及识别。实验结果表明本文方法能够充分利用未标记样本中的隐含信息,有效提取脑电信号特征,识别结果优于共同空间模式(CSP)和深度信念网络(DBN)等算法,该方法可用于提高脑-机接口(BCI)系统中脑电信号的识别正确率。 展开更多
关键词 深层堆叠网络 半监督学习 受限玻尔兹曼机 特征提取 脑电信号识别
在线阅读 下载PDF
基于NSSAE的批次发酵过程质量相关与质量无关故障检测与诊断
7
作者 刘忠 章政 +1 位作者 楼旭阳 朱金林 《食品工业科技》 北大核心 2025年第3期1-10,共10页
为了解决批次发酵过程中质量无关故障所可能引起的不必要停机,本文提出了噪声半监督堆叠自编码器(Noised semi-supervised stacked auto-encoder,NSSAE)算法以区分质量相关与质量无关故障。首先,基于互信息计算过程变量与质量变量间互信... 为了解决批次发酵过程中质量无关故障所可能引起的不必要停机,本文提出了噪声半监督堆叠自编码器(Noised semi-supervised stacked auto-encoder,NSSAE)算法以区分质量相关与质量无关故障。首先,基于互信息计算过程变量与质量变量间互信息,并对数据加入噪声以提高算法对质量相关信息挖掘能力。其次,构建NSSAE的过程监测模型,在模型的首层自编码器和最后一层自编码器中构建故障检测和质量相关检测指标,并利用核密度估计计算对应的控制极限。最后,利用深度重构贡献图(Deep reconstruction-based contribution,DRBC)定位故障根源。从数值仿真和乳酸菌批次发酵实验结果可知,本文提出的NSSAE算法能够准确区分质量相关与无关故障,首层的残差空间的检测指标的故障检测率接近100%,最后一层隐空间的检测指标能够准确识别质量相关故障和质量无关故障。基于DRBC诊断方法能在故障发生后准确识别发生故障的变量,该研究结果为批次发酵过程质量相关与质量无关故障监测问题提出了一种切实可行的过程监测方法。 展开更多
关键词 批次发酵过程 质量相关故障 噪声半监督堆叠自编码器 故障检测与诊断 深度重构贡献图
在线阅读 下载PDF
面向卫星电源系统的一种新颖异常检测方法 被引量：13
8
作者 张怀峰 江婧 +1 位作者 张香燕 皮德常 《宇航学报》 EI CAS CSCD 北大核心 2019年第12期1468-1477,共10页
面向卫星电源高维周期性时序遥测数据,提出了一种新颖的代表性特征自编码器(RFAE)模型,并用于无监督的异常检测。RFAE采用改进的堆叠自编码器损失函数和训练算法,从而使模型可以学习到相位相同样本的代表性特征;然后根据代表性特征重构... 面向卫星电源高维周期性时序遥测数据,提出了一种新颖的代表性特征自编码器(RFAE)模型,并用于无监督的异常检测。RFAE采用改进的堆叠自编码器损失函数和训练算法,从而使模型可以学习到相位相同样本的代表性特征;然后根据代表性特征重构样本,根据重构误差来判断样本是否异常。在试验部分首先通过模拟数据校验了RFAE算法能够有效地检测出高维周期性时序数据的异常,然后又采用某卫星电源系统2014年1~12月真实遥测数据进行试验,RFAE异常检测准确率达到99%,检测效果明显优于目前的其他异常检测算法,具有较高应用价值。 展开更多
关键词 卫星电源 堆叠自编码器 异常检测 无监督学习
在线阅读 下载PDF
基于SDAE和GRUNN的行星齿轮故障识别 被引量：10
9
作者 于军 高莲莲 +2 位作者 于广滨 刘可 郭振宇 《振动与冲击》 EI CSCD 北大核心 2021年第2期156-163,共8页
针对噪声环境和时变转速工况下行星齿轮故障识别率低的问题,提出一种基于堆叠消噪自动编码器(SDAE)和门控循环单元神经网络(GRUNN)的行星齿轮故障识别方法。构建基于SDAE和GRUNN的混合模型,处理前后关联的时序数据,自动地从含噪样本中... 针对噪声环境和时变转速工况下行星齿轮故障识别率低的问题,提出一种基于堆叠消噪自动编码器(SDAE)和门控循环单元神经网络(GRUNN)的行星齿轮故障识别方法。构建基于SDAE和GRUNN的混合模型,处理前后关联的时序数据,自动地从含噪样本中提取鲁棒故障特征;将行星齿轮故障诊断的训练样本看作该混合模型的输入数据,采用Adam优化算法和dropout技术训练该混合模型,实现多参数的优化,防止过拟合现象的发生;根据训练后的混合模型,利用softmax分类器识别待诊样本中行星齿轮的状态。通过行星齿轮的故障识别实验验证该方法的有效性,实验结果表明该方法具有较强的抗噪能力和时变转速适应能力。 展开更多
关键词 行星齿轮 故障识别 噪声环境 时变转速 堆叠消噪自动编码器(SDAE) 门控循环单元神经网络(GRUNN)
在线阅读 下载PDF
基于深度学习SDA的压缩感知图像重构方法 被引量：2
10
作者 谢雪晴 《计算机工程与设计》 北大核心 2018年第11期3516-3519,3525,共5页
为减少传统压缩感知对图像信号测量与重构的时间,提高重构精度,提出一种深度学习SDA的压缩感知框架,采用堆叠去噪自动编码器(SDA)作为无监督特征学习器,支持信号的线性和非线性测量,捕获特定信号的不同元素之间的统计依赖性;利用前馈深... 为减少传统压缩感知对图像信号测量与重构的时间,提高重构精度,提出一种深度学习SDA的压缩感知框架,采用堆叠去噪自动编码器(SDA)作为无监督特征学习器,支持信号的线性和非线性测量,捕获特定信号的不同元素之间的统计依赖性;利用前馈深度神经网络代替传统重构算法,从训练数据中学习信号的结构化表示,实现图像信号重构。实验结果表明,与压缩感知SPL算法、D-AMP算法和TV算法比较,该方法峰值信噪比(PSNR)更高,且重构时间仅仅为0.002s,远低于其它3种算法。 展开更多
关键词 压缩感知 深度学习 堆叠去噪自动编码器 无监督特征学习 结构化表示
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部