期刊文献+
共找到68篇文章
< 1 2 4 >
每页显示 20 50 100
基于强制稀疏自编码神经网络的作战态势评估方法研究 被引量:22
1
作者 郭圣明 贺筱媛 +1 位作者 吴琳 胡晓峰 《系统仿真学报》 CAS CSCD 北大核心 2018年第3期772-784,800,共14页
针对传统数据挖掘方法无法解决态势评估中防空体系特征自主挖掘和生成机理分析的问题,提出一种基于强制自编码神经网络的态势评估方法。结合大数据与复杂网络技术,构建强制自编码深度学习网络模型,形式化描述体系能力指标之间的级联涌... 针对传统数据挖掘方法无法解决态势评估中防空体系特征自主挖掘和生成机理分析的问题,提出一种基于强制自编码神经网络的态势评估方法。结合大数据与复杂网络技术,构建强制自编码深度学习网络模型,形式化描述体系能力指标之间的级联涌现关系,在战场态势预测分析的基础上,进一步深入分析体系能力生成机理及贡献度,并通过仿真数据对模型进行验证。该模型对体系能力指标涌现的形式化描述,不仅体现了涌现过程的非线性、不确定性等复杂性特征,还赋予指标体系相对明确的物理含义,为辅助指挥员深入认知复杂战场态势提供了可行的方法手段。 展开更多
关键词 态势评估 先验知识 强制稀疏自编码神经网络 涌现效应 贡献度
在线阅读 下载PDF
基于SCADA数据分析和稀疏自编码神经网络的风电机组在线运行状态监测 被引量:41
2
作者 金晓航 许壮伟 +1 位作者 孙毅 单继宏 《太阳能学报》 EI CAS CSCD 北大核心 2021年第6期321-328,共8页
通过融合稀疏自编码器和深度神经网络算法,提出一种基于SCADA数据的风电机组在线运行状态监测方法。首先,通过稀疏自编码器学习SCADA高维数据中复杂的内在特征,得到数据的降维表示;其次,基于降维后的数据利用深度神经网络预测风电机组... 通过融合稀疏自编码器和深度神经网络算法,提出一种基于SCADA数据的风电机组在线运行状态监测方法。首先,通过稀疏自编码器学习SCADA高维数据中复杂的内在特征,得到数据的降维表示;其次,基于降维后的数据利用深度神经网络预测风电机组的有功功率,通过对比分析预测功率与实际功率之间的残差判断风电机组的运行状态;最后,利用某风电机组近一年半的SCADA数据,对所提方法进行验证分析,结果表明,所提方法提早5天检测出风电机组发电机的异常情况,为有效避免故障恶化引发的突然停机、降低运维成本、提高风电能源的竞争力提供技术支持和保障。 展开更多
关键词 风电机组 状态监测 深度神经网络 稀疏自编码 数据采集与监控系统
在线阅读 下载PDF
稀疏自编码深度神经网络及其在滚动轴承故障诊断中的应用 被引量:28
3
作者 汤芳 刘义伦 龙慧 《机械科学与技术》 CSCD 北大核心 2018年第3期352-357,共6页
针对目前滚动轴承故障诊断主要采用监督式学习提取故障特征的现状,提出了一种基于稀疏自编码的深度神经网络,实现非监督学习自动提取滚动轴承振动信号的内在特征用于滚动轴承故障诊断。首先,将轴承故障振动信号的频谱训练稀疏自编码获... 针对目前滚动轴承故障诊断主要采用监督式学习提取故障特征的现状,提出了一种基于稀疏自编码的深度神经网络,实现非监督学习自动提取滚动轴承振动信号的内在特征用于滚动轴承故障诊断。首先,将轴承故障振动信号的频谱训练稀疏自编码获得参数;然后用稀疏自编码获得的参数和轴承振动信号频谱的频谱训练深度神经网络,并结合反向传播算法对深度神经网络进行整体微调提高分类准确度;最后用训练好的深度神经网络来识别滚动轴承故障。对正常轴承、外圈点蚀故障、内圈点蚀故障和滚动体裂纹故障振动信号的分析结果表明:相比反向传播神经网络,提出的深度神经网络更能准确的识别滚动轴承故障类型。 展开更多
关键词 稀疏自编码 深度神经网络 滚动轴承 故障诊断
在线阅读 下载PDF
基于堆叠稀疏去噪自动编码网络与多隐层反向传播神经网络的铣刀磨损预测模型 被引量:10
4
作者 刘辉 张超勇 戴稳 《计算机集成制造系统》 EI CSCD 北大核心 2021年第10期2801-2812,共12页
刀具磨损状态是机械加工过程中需考虑的重要因素之一。针对铣刀磨损的在线预测问题,建立了一种基于深度学习的铣刀磨损预测模型。首先,将采集到的铣刀切削时的振动信号进行小波去噪后,利用快速傅里叶变换和小波包分解等技术提取时域、... 刀具磨损状态是机械加工过程中需考虑的重要因素之一。针对铣刀磨损的在线预测问题,建立了一种基于深度学习的铣刀磨损预测模型。首先,将采集到的铣刀切削时的振动信号进行小波去噪后,利用快速傅里叶变换和小波包分解等技术提取时域、频域及时频域上的特征参数,并根据相关性分析从中筛选出合格的特征参数合并为特征向量,以此作为堆叠稀疏去噪自动编码网络(SSDAE)的含噪样本。其次,利用特征后处理的方式对已经筛选出的特征参数进行单调不递减及平滑处理,并将其作为SSDAE的无噪样本来训练该网络。然后,将经过SSDAE降维后的特征向量作为多隐层反向传播神经网络(BPNN)的输入,以这些特征对应的实际铣刀的磨损量作为标签对该网络进行拟合训练。最后,对训练好的模型进行实验验证,通过测试数据集和人为加入噪声的测试数据集的对比,结果显示所提模型不仅具有较高的预测精度,还具有较高的鲁棒性。 展开更多
关键词 铣刀磨损 堆叠稀疏去噪自动编码网络 特征后处理 鲁棒性 反向传播神经网络
在线阅读 下载PDF
堆叠稀疏自编码深度神经网络算法及其在滚动轴承故障诊断中的应用 被引量:5
5
作者 刘自然 李谦 +1 位作者 颜丙生 尚坤 《机床与液压》 北大核心 2020年第23期208-213,共6页
针对目前机械设备故障数据量大、多样性且主要采用监督式学习提取故障特征的现状,提出一种堆叠稀疏自编码深度神经网络,实现无监督学习提取振动信号内在特征,并用于滚动轴承故障诊断。将频谱包络线作为低层输入逐层训练网络,获取故障特... 针对目前机械设备故障数据量大、多样性且主要采用监督式学习提取故障特征的现状,提出一种堆叠稀疏自编码深度神经网络,实现无监督学习提取振动信号内在特征,并用于滚动轴承故障诊断。将频谱包络线作为低层输入逐层训练网络,获取故障特征表达,输入Softmax分类器实现故障分类;通过优化算法对整个深度神经网络进行微调,提高分类精度。滚动轴承故障诊断实验结果表明:所提出的深度神经网络能更准确地实现故障诊断,且在保证准确率的同时将频谱包络线作为低层输入,能够提高计算效率。 展开更多
关键词 堆叠稀疏自编码 深度神经网络 滚动轴承 故障诊断
在线阅读 下载PDF
基于稀疏堆叠降噪自编码器-深层神经网络的语音DOA估计算法 被引量:4
6
作者 郭业才 侯坤 《实验室研究与探索》 CAS 北大核心 2021年第3期1-4,13,共5页
针对传统波达方位(DOA)估计算法在低信噪比下定位误差大的问题,提出基于稀疏堆叠降噪自编码器-深层神经网络的语音DOA估计算法。该算法将阵列协方差矩阵上三角阵作为DOA估计特征输入到稀疏堆叠降噪自编码器进行预训练,采取迁移学习策略... 针对传统波达方位(DOA)估计算法在低信噪比下定位误差大的问题,提出基于稀疏堆叠降噪自编码器-深层神经网络的语音DOA估计算法。该算法将阵列协方差矩阵上三角阵作为DOA估计特征输入到稀疏堆叠降噪自编码器进行预训练,采取迁移学习策略将训练得到的最优权重作为深度神经网络的初始权重,提高网络的抗噪性、泛化性和收敛速度。仿真与实验结果表明,与传统DOA估计算法相比,该算法在低信噪比情况下定位误差小、准确度高。 展开更多
关键词 堆栈稀疏自编码 深层神经网络 波达方位 迁移学习
在线阅读 下载PDF
基于改进稀疏自编码神经网络的软件缺陷预测 被引量:4
7
作者 徐海涛 高莹 苏娜 《传感器与微系统》 CSCD 2019年第2期49-51,62,共4页
针对软件缺陷预测时普遍存在的样本缺陷数据不平衡、特征冗余等问题,引进稀疏自编码(SAE)神经网络并加以改进,提出了一种新的分类模型。模型结合了SAE神经网络和少数样本合成过采样技术(SMOTE)的优点,可弥补传统分类方法在软件缺陷预测... 针对软件缺陷预测时普遍存在的样本缺陷数据不平衡、特征冗余等问题,引进稀疏自编码(SAE)神经网络并加以改进,提出了一种新的分类模型。模型结合了SAE神经网络和少数样本合成过采样技术(SMOTE)的优点,可弥补传统分类方法在软件缺陷预测时忽视少数类分类效果、不能很好地保留数据内部特征等不足。基于NASA软件缺陷公共数据库中多个数据集的实验结果表明:提出的模型在软件缺陷预测方面的分类效果明显优于其他算法,尤其提高了不平衡数据集中少数类的分类精度。 展开更多
关键词 过采样 稀疏自编码 神经网络 软件缺陷预测 不平衡
在线阅读 下载PDF
加噪样本扩展深度稀疏自编码神经网络的滚动轴承寿命阶段识别 被引量:14
8
作者 陈仁祥 黄鑫 +3 位作者 杨黎霞 汤宝平 陈思杨 杨星 《振动工程学报》 EI CSCD 北大核心 2017年第5期874-882,共9页
针对滚动轴承寿命特征提取与寿命阶段智能识别问题,提出加噪样本扩展深度稀疏自编码神经网络的滚动轴承寿命阶段识别方法。稀疏自编码具有非监督自动学习数据内部结构特征的能力,但属浅层网络,特征提取能力有限且不具备分类能力。因此,... 针对滚动轴承寿命特征提取与寿命阶段智能识别问题,提出加噪样本扩展深度稀疏自编码神经网络的滚动轴承寿命阶段识别方法。稀疏自编码具有非监督自动学习数据内部结构特征的能力,但属浅层网络,特征提取能力有限且不具备分类能力。因此,将多个稀疏自编码堆栈并添加分类层构建出集寿命特征自动提取与识别功能于一体的深度稀疏自编码神经网络,通过无监督逐层自学习与有监督微调,完成寿命特征的自动提取与表达,并实现寿命阶段智能识别。同时,为解决寿命样本量不足导致的网络过拟合,对原训练样本进行加噪扩展来训练网络,以抑制网络过拟合并提高网络的鲁棒性。通过工程应用,证明了所提方法的可行性和有效性。 展开更多
关键词 故障诊断 滚动轴承 寿命阶段 稀疏自编码 神经网络
在线阅读 下载PDF
栈式稀疏加噪自编码深度神经网络的滚动轴承损伤程度诊断 被引量:18
9
作者 陈仁祥 杨星 +3 位作者 杨黎霞 王家序 徐向阳 陈思杨 《振动与冲击》 EI CSCD 北大核心 2017年第21期125-131,137,共8页
针对滚动轴承损伤程度的特征自学习提取与智能诊断问题,提出栈式稀疏加噪自编码深度神经网络的滚动轴承损伤程度诊断方法。滚动轴承损伤特征受到工况、环境噪声等干扰,浅层自编码网络对损伤特征的自学习、提取能力不足。为此,论文将稀... 针对滚动轴承损伤程度的特征自学习提取与智能诊断问题,提出栈式稀疏加噪自编码深度神经网络的滚动轴承损伤程度诊断方法。滚动轴承损伤特征受到工况、环境噪声等干扰,浅层自编码网络对损伤特征的自学习、提取能力不足。为此,论文将稀疏项限制和加噪编码融入自编码网络,同时将自编码网络堆栈并添加分类层,构建出栈式稀疏加噪自编码深度神经网络,进行轴承损伤特征非监督自动提取与损伤程度智能诊断。稀疏项限制和深度神经网络的构建提高了特征学习能力,加噪编码的融入改善了网络的鲁棒性。所构建深度神经网络通过多层无监督逐层自学习和有监督微调,完成损伤特征自动提取与表达,并实现了损伤程度智能诊断。不同工况下轴承损伤程度诊断的实验验证证明了所提方法的可行性和有效性。 展开更多
关键词 滚动轴承 损伤程度 稀疏加噪自编码 深度神经网络 诊断
在线阅读 下载PDF
基于稀疏自编码神经网络的产品再设计模块识别方法 被引量:3
10
作者 马斌彬 马红占 +1 位作者 褚学宁 李玉鹏 《上海交通大学学报》 EI CAS CSCD 北大核心 2019年第7期838-843,共6页
提出了基于性能时变数据分析的再设计模块识别方法.利用产品在健康状态下的性能时变数据构建无监督学习的稀疏自编码神经网络(SAENN)模型,以用于健康状态下产品性能数据的特征提取以及产品功能退化程度的评估;将产品在健康状态下的性能... 提出了基于性能时变数据分析的再设计模块识别方法.利用产品在健康状态下的性能时变数据构建无监督学习的稀疏自编码神经网络(SAENN)模型,以用于健康状态下产品性能数据的特征提取以及产品功能退化程度的评估;将产品在健康状态下的性能数据用于训练SAENN模型,使用运行期间的性能时变数据更新产品的状态特征,以反映功能的退化过程;通过对比功能间的退化差异来识别需要再设计模块;同时,以某制造企业水平定向钻产品再设计功能模块的识别为例验证了所提方法的可行性.结果表明,所提出的再设计模块识别方法具有较好的准确性,能够识别需改进的功能模块,识别结果可作为产品再设计的依据. 展开更多
关键词 产品再设计 模块识别 性能时变数据 稀疏自编码神经网络 功能退化
在线阅读 下载PDF
一种基于SOM与脉冲神经网络的音频识别方法 被引量:2
11
作者 隆二红 王刚 莫凌飞 《传感技术学报》 CAS CSCD 北大核心 2024年第11期1885-1892,共8页
近年来,在人工神经网络技术的推动下,音频分类技术不断提高。然而,传统人工神经网络存在计算功耗大、时域信号处理困难等问题。脉冲神经网络由于其事件驱动的特性,有着低功耗、可解释、时域处理能力强等特点,非常适用于音频信号处理任... 近年来,在人工神经网络技术的推动下,音频分类技术不断提高。然而,传统人工神经网络存在计算功耗大、时域信号处理困难等问题。脉冲神经网络由于其事件驱动的特性,有着低功耗、可解释、时域处理能力强等特点,非常适用于音频信号处理任务。提出一种基于SOM时空特征稀疏编码和SNN有监督分类的音频识别方法,利用MFCC进行时-频域转换后,再利用SOM实现对时间序列音频信号的稀疏编码,不同于其他基于误差反向传播的有监督学习,利用带积分的STDP学习规则训练权重,并且通过使用兴奋抑制双监督训练方法,可以使得SNN有效提取和分析音频信号中的空间特征与时间特征,最终所提方法在TIDIGITS数字音频数据集上取得了96.47%的分类准确度。 展开更多
关键词 脉冲神经网络 音频识别 SOM时空特征稀疏编码 兴奋抑制双监督训练 低功耗
在线阅读 下载PDF
基于SAE-BP神经网络的审计风险识别研究——以计算机、通信和其他电子设备制造业行业为例 被引量:1
12
作者 刘聪粉 张庚珠 《经济问题》 CSSCI 北大核心 2024年第6期123-128,F0003,共7页
审计风险的识别和评估是现代风险导向审计的重要内容,为准确地识别审计风险,建立了一套基于SAE-BP神经网络的审计风险识别模型。选取16个指标构成重大错报风险评估模型的输入指标体系,利用SAE算法提取特征,通过机器学习模型BP神经网络... 审计风险的识别和评估是现代风险导向审计的重要内容,为准确地识别审计风险,建立了一套基于SAE-BP神经网络的审计风险识别模型。选取16个指标构成重大错报风险评估模型的输入指标体系,利用SAE算法提取特征,通过机器学习模型BP神经网络分类器进行识别,构建SAE-BP神经网络,并选取135个A股上市公司作为样本进行了实证分析。结果表明:该模型运算速度快,模型平均识别准确率较高,可以达到88.5%,能够对审计风险进行高质量识别,有效提高了审计的效率。 展开更多
关键词 审计风险识别 大数据 稀疏自编码 神经网络
在线阅读 下载PDF
模拟视觉系统的稀疏编码神经网络模型
13
作者 邹琪 罗四维 《信号处理》 CSCD 2003年第z1期224-227,共4页
神经生物学研究表明,视感知系统V1层神经元的感受野对刺激图像采取稀疏表示的策略.本文模拟视感知系统对视觉信息的处理提出了稀疏编码的神经网络模型.该模型用快速ICA算法得到的特征基模拟感受野,反馈网络的输出模拟简单细胞的响应.对... 神经生物学研究表明,视感知系统V1层神经元的感受野对刺激图像采取稀疏表示的策略.本文模拟视感知系统对视觉信息的处理提出了稀疏编码的神经网络模型.该模型用快速ICA算法得到的特征基模拟感受野,反馈网络的输出模拟简单细胞的响应.对自然图像的编码实验说明该模型在生物学上的合理性和计算上的可行性. 展开更多
关键词 神经科学 独立分量分析 特征基 双向神经网络 稀疏编码
在线阅读 下载PDF
基于自编码器和卷积神经网络的电能质量扰动分类 被引量:10
14
作者 朱瑞金 郭威麟 龚雪娇 《电力系统及其自动化学报》 CSCD 北大核心 2019年第7期70-75,共6页
传统电能质量扰动分类方法往往需要依靠专家经验提取特征,分类的准确率有限。结合具有强大特征提取能力的稀疏自动编码器和卷积神经网络提出了一种基于深度学习的电能质量扰动分类方法。本文所提方法包括无监督的特征提取和有监督的扰... 传统电能质量扰动分类方法往往需要依靠专家经验提取特征,分类的准确率有限。结合具有强大特征提取能力的稀疏自动编码器和卷积神经网络提出了一种基于深度学习的电能质量扰动分类方法。本文所提方法包括无监督的特征提取和有监督的扰动分类两个环节。首先,通过编码器将高维度的输入数据映射到低维的隐变量特征,并利用解码器把新特征还原为原始的输入信号。然后,以编码器输出的隐变量作为特征,经卷积网络输出扰动类型。仿真结果表明,本文方法提取的特征以及分类器的性能均优于传统方法。 展开更多
关键词 电能质量 扰动分类 稀疏自编码 卷积神经网络
在线阅读 下载PDF
面向卷积神经网络的高能效比特稀疏加速器设计
15
作者 肖航 许浩博 +3 位作者 王颖 李佳骏 王郁杰 韩银和 《计算机辅助设计与图形学学报》 EI CSCD 北大核心 2023年第7期1122-1131,共10页
为解决当前比特稀疏架构的性能瓶颈,提出高能效比特稀疏加速器设计.首先提出一种激活值编码方法和相应的电路来提高卷积神经网络的比特稀疏度,结合比特串行电路实时跳过激活值的零值比特来加速神经网络的计算;然后提出一种列共享同步机... 为解决当前比特稀疏架构的性能瓶颈,提出高能效比特稀疏加速器设计.首先提出一种激活值编码方法和相应的电路来提高卷积神经网络的比特稀疏度,结合比特串行电路实时跳过激活值的零值比特来加速神经网络的计算;然后提出一种列共享同步机制,以解决比特稀疏架构的同步问题,并在较小的面积和功耗开销下大幅提高比特稀疏架构的计算性能.在SMIC 40 nm工艺和1 GHz频率下,评估不同的比特稀疏架构在卷积神经网络上的能效.实验结果表明,与非稀疏加速器VAA和比特稀疏加速器LS-PRA相比,所提出的加速器AS-PRA分别提高了544%和179%的能效. 展开更多
关键词 卷积神经网络 加速器 比特稀疏 编码与同步
在线阅读 下载PDF
基于深度神经网络的液压泵泄漏状态识别 被引量:21
16
作者 陈里里 何颖 董绍江 《仪器仪表学报》 EI CAS CSCD 北大核心 2020年第4期86-94,共9页
针对液压信号的高度复杂性以及难以识别的特点,构建了一种基于堆栈稀疏自编码器和Softmax的深度神经网络来对液压泵泄漏状态进行识别。利用小波变换和希尔伯特-黄变换提取液压信号的低维特征,并输入深度神经网络。通过堆栈稀疏自编码器... 针对液压信号的高度复杂性以及难以识别的特点,构建了一种基于堆栈稀疏自编码器和Softmax的深度神经网络来对液压泵泄漏状态进行识别。利用小波变换和希尔伯特-黄变换提取液压信号的低维特征,并输入深度神经网络。通过堆栈稀疏自编码器的逐层学习对特征进行优化并提取出高维特征,然后使用Softmax进行识别。实验结果表明,堆栈稀疏自编码器能够有效地提取液压泵泄漏状态的高维特征,构建的深度神经网络可有效地识别液压泵泄漏状态,识别精度达到了97.6%。此外与支持向量机、极限学习机、卷积神经网络以及长短期记忆网络相比,深度神经网络具有更好的识别效果。 展开更多
关键词 液压泵 泄漏 堆栈稀疏自编码 深度神经网络
在线阅读 下载PDF
综合特征分段组稀疏编码的交通标志识别方法
17
作者 朱逸峰 奚峥皓 +3 位作者 郑阳 刘翔 刘亚奇 张星 《计算机科学与探索》 北大核心 2025年第10期2712-2721,共10页
随着无人驾驶、辅助驾驶等技术的发展,交通标志识别(TSR)问题被更多的研究者所关注。目前,在普通交通环境下的TSR问题得到了较好的解决,但当环境中存在交通标志模糊、部分遮挡等噪声干扰时,其TSR的处理效果并不理想。针对该问题进行研究... 随着无人驾驶、辅助驾驶等技术的发展,交通标志识别(TSR)问题被更多的研究者所关注。目前,在普通交通环境下的TSR问题得到了较好的解决,但当环境中存在交通标志模糊、部分遮挡等噪声干扰时,其TSR的处理效果并不理想。针对该问题进行研究,提出了一种新颖的结合孪生网络的综合特征分段组稀疏编码的TSR问题解决方法。提取交通标志的多个不同尺度特征编码,并提出利用综合特征编码的方法来表征交通标志;通过提出的分段组稀疏编码方法对交通标志的综合特征编码进行优化,以改善模型对编码的学习能力,提高编码的鲁棒性;构建了用于分段组稀疏编码训练的孪生神经网络模型,该模型因其简单的结构和较少的层数使其不易出现过拟合问题,同时所提模型也具有较少的参数量,较大幅度提升了模型的运算速度。实验表明,所提方法在TT100K数据集原始环境、运动模糊环境中,与目前SOTA模型最好成绩相比其准确率、精确率、召回率与F1分数等评价指标相近,模型参数量减少70.8%,FPS提升51.4%;在部分遮挡噪声环境中,各指标均显著优于目前SOTA模型最好成绩,尤其在遮挡率为60%时,所提方法的准确率和FPS分别较目前SOTA模型最好成绩提升了0.118和27 FPS。 展开更多
关键词 计算机视觉 交通标志识别 分段组稀疏编码 孪生神经网络
在线阅读 下载PDF
基于非监督预训练的结构优化卷积神经网络 被引量:5
18
作者 刘庆 唐贤伦 张娜 《四川大学学报(工程科学版)》 CSCD 北大核心 2017年第S2期210-215,共6页
针对带标签训练样本不足,典型卷积神经网络卷积核由经验设置,网络结构固定不变难以后期再学习的问题,基于稀疏自编码器(sparse autoencoder,SAE)和卷积神经网络(convolutional neural network,CNN),提出新的CNN模型。该模型将部分原始... 针对带标签训练样本不足,典型卷积神经网络卷积核由经验设置,网络结构固定不变难以后期再学习的问题,基于稀疏自编码器(sparse autoencoder,SAE)和卷积神经网络(convolutional neural network,CNN),提出新的CNN模型。该模型将部分原始样本输入SAE模型进行训练以得到低维特征表示,并将该低维特征表示作为CNN的卷积核的初始值,不仅可以很好地克服带标签训练数据样本不足的问题,还可以提取有效特征以加速网络收敛;并且在典型CNN结构基础上增加一条网络支路,先使用所有训练样本训练典型CNN结构,再使用大部分训练样本训练支路结构,最后使用其余少部分样本进行后续再学习并只更新支路权值以增强因特征不明显而容易误判的样本的特征,从而使得整个网络记忆已有特征的同时增加新特征。文中模型在MNIST数据集上迭代更新10次网络权值可以使测试识别率达到97.65%;在手写汉字数据集HCL2000中的简单字、中等字、复杂字及相似字上的测试正确率能达93%以上;50个训练样本、250个测试样本时,相似字识别率可达80.36%,比典型CNN及传统手写汉字识别方法更具泛化性。实验表明所提方法可有效应用于手写字等图像识别应用中。 展开更多
关键词 卷积神经网络 稀疏自编码 非监督预训练 后继再学习 手写字识别
在线阅读 下载PDF
基于改进卷积神经网络的短文本分类模型 被引量:20
19
作者 高云龙 吴川 朱明 《吉林大学学报(理学版)》 CAS 北大核心 2020年第4期923-930,共8页
基于卷积神经网络,提出一种基于改进卷积神经网络的短文本分类模型.首先,采用不同编码方式将短文本映射到不同空间下的分布式表示,提取不同粒度的数字特征作为短文本分类模型的多通道输入,并根据标准知识库提取概念特征作为先验知识,提... 基于卷积神经网络,提出一种基于改进卷积神经网络的短文本分类模型.首先,采用不同编码方式将短文本映射到不同空间下的分布式表示,提取不同粒度的数字特征作为短文本分类模型的多通道输入,并根据标准知识库提取概念特征作为先验知识,提高短文本的语义表征能力;其次,在全连接层增加自编码学习策略,在近似恒等的基础上进一步组合数字特征,模拟数据内部的关联性;最后,利用相对熵原理为模型增加稀疏性限制,降低模型复杂度的同时提高模型的泛化能力.通过对开源数据集进行短文本分类实验,验证了模型的有效性. 展开更多
关键词 卷积神经网络 短文本 概念分布式表示 稀疏 自编码
在线阅读 下载PDF
基于混合神经网络的协同过滤推荐模型 被引量:6
20
作者 马鑫 吴云 鹿泽光 《应用科学学报》 CAS CSCD 北大核心 2020年第3期478-487,共10页
数据稀疏性是推荐系统中严重影响推荐结果准确性的重要因素之一.针对数据稀疏性提出了融合卷积神经网络(convolutional neural network, CNN)和降噪自编码(denoising auto-encoder, DAE)神经网络混合的神经网络评分预测模型(convolution... 数据稀疏性是推荐系统中严重影响推荐结果准确性的重要因素之一.针对数据稀疏性提出了融合卷积神经网络(convolutional neural network, CNN)和降噪自编码(denoising auto-encoder, DAE)神经网络混合的神经网络评分预测模型(convolutional-denosing autoencoder, CDAE)对用户未评分项目进行预测评分,从而解决数据稀疏性问题.首先将向量化后的用户评论数据通过卷积神经网络训练得到用户特征向量矩阵,其次将用户特征向量矩阵作为降噪自编码神经网络的初始权重,结合用户评分数据经过降噪自编码神经网络训练,得到用户-项目预测评分,然后在此基础上进行基于用户的协同过滤推荐.最后使用movielens-1M实验数据集对比验证了提出的混合神经网络协同过滤推荐(convolutional-denosing autoencoder collaborative filtering, CDAECF)模型.实验证明,所提出的CDAECF模型能够有效地结合隐性反馈和显性反馈数据,具有较高的推荐准确率. 展开更多
关键词 卷积神经网络 降噪自编码神经网络 协同过滤 稀疏
在线阅读 下载PDF
上一页 1 2 4 下一页 到第
使用帮助 返回顶部