基于核极限学习机自编码器的转盘轴承寿命状态识别 被引量：5

1

作者 潘裕斌 王华 +1 位作者 陈捷 洪荣晶 《浙江大学学报（工学版）》 EI CAS CSCD 北大核心 2022年第9期1856-1866,共11页

针对低速重载转盘轴承运行工况恶劣、故障特征微弱的特点,提出基于飞蛾扑火算法优化多层核极限学习机自编码器(MFO-MLKELM-AE)的转盘轴承寿命状态识别方法.该方法从振动信号的时域和时频域中提取出多个能够表征转盘轴承运行状态的特征向... 针对低速重载转盘轴承运行工况恶劣、故障特征微弱的特点,提出基于飞蛾扑火算法优化多层核极限学习机自编码器(MFO-MLKELM-AE)的转盘轴承寿命状态识别方法.该方法从振动信号的时域和时频域中提取出多个能够表征转盘轴承运行状态的特征向量,并将其组成高维特征集.采用堆叠多层核极限学习机自编码器(MLKELM-AE),从高维特征集中提取最能反映转盘轴承的寿命状态信息,输入核极限学习机(KELM)模型进行寿命状态识别.在MLKELM-AE学习训练中,采用新的飞蛾扑火算法(MFO)优化惩罚系数和核参数,提高MLKELM-AE的特征识别能力.转盘轴承加速寿命实验表明,MLKELM-AE比多层极限学习机自编码器(MLELMAE)、单层极限学习机(ELM)、KELM的识别精度高,多传感器、多领域特征能够全面反映转盘轴承的寿命状态. 展开更多

关键词 低速重载转盘轴承 多层核极限学习机自编码器(MLKelm-ae) 飞蛾扑火算法(MFO) 寿命状态识别 多领域特征

在线阅读 下载PDF 职称材料

含类信息的极限学习机自动编码器特征学习方法 被引量：2

2

作者 程蓉 白艳萍 +2 位作者 胡红萍 谭秀辉 续婷 《电子测量技术》 北大核心 2022年第16期71-79,共9页

极限学习机自动编码器(ELM-AE)将极限学习机(ELM)技术与自动编码器(AE)结合,可以无监督学习数据特征且克服了参数迭代调整的昂贵时间消耗。然而,以最小化重构误差为目标的ELM-AE并不能有效利用分类问题中的数据类别信息,导致特征的类别... 极限学习机自动编码器(ELM-AE)将极限学习机(ELM)技术与自动编码器(AE)结合,可以无监督学习数据特征且克服了参数迭代调整的昂贵时间消耗。然而,以最小化重构误差为目标的ELM-AE并不能有效利用分类问题中的数据类别信息,导致特征的类别可分性较差。针对此现象,本文提出一种面向数据分类的含类信息极限学习机自编码(CELM-AE)特征学习方法,该方法将投影特征向量的类间离散度与类内相似度限制到ELM-AE的目标函数中,且可通过解析算法求得更具类别分辨力的最优数据表示。对6种UCI数据集分别使用基于CELM-AE、ELM-AE和AE的特征表示进行分类实验,结果表明,CELM-AE得到的数据特征在两种分类器(ELM/KNN)下的分类精度与稳定性表现均优于ELM-AE与AE,且时间代价很小,说明了CELM-AE在提取可分性数据特征表示方面的优势。 展开更多

关键词 极限学习机 自动编码器 特征学习 数据分类

在线阅读 下载PDF 职称材料

子空间结构保持的多层极限学习机自编码器 被引量：5

3

作者 陈晓云 陈媛 《自动化学报》 EI CAS CSCD 北大核心 2022年第4期1091-1104,共14页

处理高维复杂数据的聚类问题,通常需先降维后聚类,但常用的降维方法未考虑数据的同类聚集性和样本间相关关系,难以保证降维方法与聚类算法相匹配,从而导致聚类信息损失.非线性无监督降维方法极限学习机自编码器(Extreme learning machin... 处理高维复杂数据的聚类问题,通常需先降维后聚类,但常用的降维方法未考虑数据的同类聚集性和样本间相关关系,难以保证降维方法与聚类算法相匹配,从而导致聚类信息损失.非线性无监督降维方法极限学习机自编码器(Extreme learning machine,ELM-AE)因其学习速度快、泛化性能好,近年来被广泛应用于降维及去噪.为使高维数据投影至低维空间后仍能保持原有子空间结构,提出基于子空间结构保持的多层极限学习机自编码器降维方法(Multilayer extreme learning machine autoencoder based on subspace structure preserving,ML-SELM-AE).该方法在保持聚类样本多子空间结构的同时,利用多层极限学习机自编码器捕获样本集的深层特征.实验结果表明,该方法在UCI数据、脑电数据和基因表达谱数据上可以有效提高聚类准确率且取得较高的学习效率. 展开更多

关键词 多层极限学习机 自编码器 子空间学习 降维

在线阅读 下载PDF 职称材料

基于栈式降噪稀疏自编码器的极限学习机 被引量：11

4

作者 张国令 王晓丹 +2 位作者 李睿 来杰 向前 《计算机工程》 CAS CSCD 北大核心 2020年第9期61-67,共7页

极限学习机(ELM)随机选择网络输入权重和隐层偏置,存在网络结构复杂和鲁棒性较弱的不足。为此,提出基于栈式降噪稀疏自编码器(sDSAE)的ELM算法。利用sDSAE稀疏网络的优势,挖掘目标数据的深层特征,为ELM产生输入权值与隐层偏置以求得隐... 极限学习机(ELM)随机选择网络输入权重和隐层偏置,存在网络结构复杂和鲁棒性较弱的不足。为此,提出基于栈式降噪稀疏自编码器(sDSAE)的ELM算法。利用sDSAE稀疏网络的优势,挖掘目标数据的深层特征,为ELM产生输入权值与隐层偏置以求得隐层输出权值,完成训练分类器,同时通过加入稀疏性约束优化网络结构,提高算法分类准确率。实验结果表明,与ELM、PCA-ELM、ELM-AE和DAE-ELM算法相比,该算法在处理高维含噪数据时分类准确率较高,并且具有较强的鲁棒性。 展开更多

关键词 极限学习机 降噪稀疏自编码器 稀疏性 深度学习 特征提取

在线阅读 下载PDF 职称材料

基于去噪自编码器的极限学习机 被引量：5

5

作者 来杰 王晓丹 +1 位作者 李睿 赵振冲 《计算机应用》 CSCD 北大核心 2019年第6期1619-1625,共7页

针对极限学习机算法(ELM)参数随机赋值降低算法鲁棒性及性能受噪声影响显著的问题,将去噪自编码器(DAE)与ELM算法相结合,提出了基于去噪自编码器的极限学习机算法(DAE-ELM)。首先,通过去噪自编码器产生ELM的输入数据、输入权值与隐含层... 针对极限学习机算法(ELM)参数随机赋值降低算法鲁棒性及性能受噪声影响显著的问题,将去噪自编码器(DAE)与ELM算法相结合,提出了基于去噪自编码器的极限学习机算法(DAE-ELM)。首先,通过去噪自编码器产生ELM的输入数据、输入权值与隐含层参数;然后,以ELM求得隐含层输出权值,完成对分类器的训练。该算法一方面继承了DAE的优点,自动提取的特征更具代表性与鲁棒性,对于噪声有较强的抑制作用;另一方面克服了ELM参数赋值的随机性,增强了算法鲁棒性。实验结果表明,在不含噪声影响下DAE-ELM相较于ELM、PCA-ELM、SAA-2算法,其分类错误率在MNIST数据集中至少下降了5.6%,在Fashion MNIST数据集中至少下降了3.0%,在Rectangles数据集中至少下降了2.0%,在Convex数据集中至少下降了12.7%。 展开更多

关键词 极限学习机 深度学习 去噪自编码器 特征提取 特征降维 鲁棒性

在线阅读 下载PDF 职称材料

基于深度小波自动编码器和极限学习机的轴承故障诊断 被引量：19

6

作者 陶沙沙 郭顺生 《科学技术与工程》 北大核心 2020年第29期12196-12203,共8页

针对原始振动数据无监督特征学习问题,提出了一种深度小波自动编码器(deep wavelet automatic encoder,DWAE)与鲁棒极限学习机(extreme learning machine,ELM)相结合的滚动轴承的智能故障诊断方法。首先,利用小波函数作为非线性激活函... 针对原始振动数据无监督特征学习问题,提出了一种深度小波自动编码器(deep wavelet automatic encoder,DWAE)与鲁棒极限学习机(extreme learning machine,ELM)相结合的滚动轴承的智能故障诊断方法。首先,利用小波函数作为非线性激活函数设计小波自动编码器从而有效地捕获信号特征。其次,利用多个小波自动编码器构造一个深度小波自动编码器来增强无监督特征学习能力。最后,采用鲁棒极限学习机作为分类器,对不同的轴承故障进行分类识别。对实验所得的轴承振动信号进行对比分析,结果验证了研究结果能够在原始振动数据无监督特征学习的条件下该方法优于传统方法和标准深度学习方法。 展开更多

关键词 智能故障诊断 滚动轴承 深度小波自动编码器 极限学习机 无监督特征学习

在线阅读 下载PDF 职称材料

基于自编码器和极限学习机的工业控制网络入侵检测算法 被引量：22

7

作者 李熠 李永忠 《南京理工大学学报》 EI CAS CSCD 北大核心 2019年第4期408-413,共6页

针对目前未知工业控制网络攻击检测方法处于初级阶段,浅层次的选取特征分类导致检测率较低的问题,提出一种稀疏自编码-极限学习机入侵检测模型。该文所提算法通过深度学习的稀疏自编码器在训练时结合编码层的系数惩罚和重构误差对高维... 针对目前未知工业控制网络攻击检测方法处于初级阶段,浅层次的选取特征分类导致检测率较低的问题,提出一种稀疏自编码-极限学习机入侵检测模型。该文所提算法通过深度学习的稀疏自编码器在训练时结合编码层的系数惩罚和重构误差对高维数据进行特征提取,再运用极限学习机对提取的特征进行快速有效地精准分类,使用工控入侵检测标准数据集对算法准确性进行了验证,通过和不同类型的入侵检测模型进行比较。结果表明:该文方法可以有效提升入侵检测系统性能,符合工业控制入侵检测“高精度、低误报”的要求。 展开更多

关键词 工控网络 入侵检测 自编码器 极限学习机

在线阅读 下载PDF 职称材料

基于改进堆叠降噪自编码器的配电网高阻接地故障检测方法

8

作者 罗国敏 杨雪凤 +3 位作者 尚博阳 罗思敏 和敬涵 王小君 《电力系统保护与控制》 EI CSCD 北大核心 2024年第24期149-160,共12页

针对配电网高阻故障判定阈值选取难、噪声影响大和识别精度低等问题,提出了一种基于改进堆叠降噪自编码器的高阻接地故障检测方法,从特征提取及网络模型两个层面增强检测方法的可靠性与抗噪性能。首先,结合时频数据处理手段刻画高阻接... 针对配电网高阻故障判定阈值选取难、噪声影响大和识别精度低等问题,提出了一种基于改进堆叠降噪自编码器的高阻接地故障检测方法,从特征提取及网络模型两个层面增强检测方法的可靠性与抗噪性能。首先,结合时频数据处理手段刻画高阻接地故障与正常工况的物理特性差异,为构建故障样本特征库提供理论依据;其次,通过皮尔逊相关系数对时域、频域和时频域的故障特征进行分析与筛选,从而构造多域特征融合样本库,避免特征冗余现象;然后,利用极限学习机的强高维特征分类特性对堆叠降噪自编码器模型进行改进,以提高高阻接地故障分类器的鲁棒性和准确性;最后,在Matlab/Simulink中搭建10kV配电网仿真模型进行算例分析。结果表明,该方法在-1dB强噪声条件下仍有95.57%的高阻故障检测准确率,具有较高的工程实用价值。 展开更多

关键词 配电网 高阻接地故障 多域特征融合 堆叠降噪自编码器 极限学习机

在线阅读 下载PDF 职称材料

基于自适应邻域局部保留ELM-AE的机械故障诊断 被引量：1

9

作者 张焕可 王帅旗 陈会涛 《计算机应用与软件》 北大核心 2024年第1期56-63,共8页

针对机器学习故障诊断中存在的先验知识依赖以及数据利用不充分问题,提出一种自适应邻域的局部保留极限学习机自动编码器方法。成对样本在原始数据空间和嵌入的表示空间中引入欧几里得距离惩罚因子,实现数据样本的相似性分类;提出一个... 针对机器学习故障诊断中存在的先验知识依赖以及数据利用不充分问题,提出一种自适应邻域的局部保留极限学习机自动编码器方法。成对样本在原始数据空间和嵌入的表示空间中引入欧几里得距离惩罚因子,实现数据样本的相似性分类;提出一个统一的目标函数,可以同时学习数据表示和关联矩阵,并提出一个软判别约束防止过度拟合。实验结果表明,融合学习关联矩阵和数据表示方法具有学习速度快、泛化能力强和诊断精度高等优点。 展开更多

关键词 极限学习机 自动编码器 关联矩阵学习 自适应邻域 机器故障诊断

在线阅读 下载PDF 职称材料

流形极限学习机自编码特征表示 被引量：1

10

作者 陈媛 陈晓云 《计算机工程与应用》 CSCD 北大核心 2020年第17期150-155,共6页

极限学习机(ELM)作为一种无监督分类方法,具有学习速度快、泛化性能高、逼近能力好的优点。随着无监督学习的发展,将ELM与自动编码器集成已成为无标签数据集提取特征的新视角,如极限学习机自动编码器(ELMAE)是一种无监督的神经网络,无... 极限学习机(ELM)作为一种无监督分类方法,具有学习速度快、泛化性能高、逼近能力好的优点。随着无监督学习的发展,将ELM与自动编码器集成已成为无标签数据集提取特征的新视角,如极限学习机自动编码器(ELMAE)是一种无监督的神经网络,无需迭代即可找到代表原始样本和其学习过程的主要成分。其重建输入信号获取原始样本的主要特征,且考虑了原始数据的全局信息以避免信息的丢失,然而这类方法未考虑数据的固有流形结构即样本间的近邻结构关系。借鉴极限学习机自动编码器的思想,提出了一种基于流形的极限学习机自动编码器算法(M-ELM)。该算法是一种非线性无监督特征提取方法,结合流形学习保持数据的局部信息,且在特征提取过程中同时对相似度矩阵进行学习。通过在IRIS数据集、脑电数据集和基因表达数据集上进行实验,将该算法与其他无监督学习方法PCA、LPP、NPE、LE和ELM-AE算法经过k-means聚类后的准确率进行了比较,以表明该算法的有效性。 展开更多

关键词 极限学习机 极限学习机自动编码器 流形学习 无监督学习 特征提取

在线阅读 下载PDF 职称材料

基于改进深度稀疏自编码器及FOA-ELM的电力负荷预测 被引量：28

11

作者 张淑清 要俊波 +2 位作者 张立国 姜安琦 穆勇 《仪器仪表学报》 EI CAS CSCD 北大核心 2020年第4期49-57,共9页

智能电网的发展使得电网获取的数据逐渐增多,为了从多维大数据中获取有用信息并对短期内电力负荷进行准确的预测,提出了一种基于改进的深度稀疏自编码器(IDSAE)降维及果蝇优化算法(FOA)优化极限学习机(ELM)的短期电力负荷预测方法。将L... 智能电网的发展使得电网获取的数据逐渐增多,为了从多维大数据中获取有用信息并对短期内电力负荷进行准确的预测,提出了一种基于改进的深度稀疏自编码器(IDSAE)降维及果蝇优化算法(FOA)优化极限学习机(ELM)的短期电力负荷预测方法。将L1正则化加入到深度稀疏自编码器(DSAE)中能够诱导出更好的稀疏性,用IDSAE对影响电力负荷预测精度的高维数据进行特征降维,消除了指标间的多重共线性,实现高维数据向低维空间的压缩编码。采用FOA优化算法优化ELM的权值和阈值,得到最优值,能够克服因极限学习机随机选择权值和阈值导致预测精度低的缺点。首先将气象因素通过IDSAE降维,得到稀疏后的综合气象因素特征指标,协同电力负荷数据作为FOA优化的ELM预测模型的输入向量进行电力负荷预测。通过与DSAE-FOAELM、DSAE-ELM和IDSAE-ELM等模型的对比实验,证明了提出的预测模型能有效提高预测精度,经计算得出预测精度提升大约8%。 展开更多

关键词 短期电力负荷预测 深度稀疏自编码器(DSAE) 降维 果蝇优化算法 极限学习机

在线阅读 下载PDF 职称材料

基于VMD与分层极限学习机的滚动轴承故障诊断方法研究 被引量：4

12

作者 秦波 孙国栋 王建国 《组合机床与自动化加工技术》 北大核心 2017年第4期107-110,共4页

针对滚动轴承信号的不规则特性,致使信号故障特征难提取及难以辨识的问题,为实现滚动轴承故障的智能诊断,提出基于VMD排列熵与分层极限学习机的滚动轴承故障诊断方法。首先将测得振动信号进行变分模态分解(Variational Mode Decompositi... 针对滚动轴承信号的不规则特性,致使信号故障特征难提取及难以辨识的问题,为实现滚动轴承故障的智能诊断,提出基于VMD排列熵与分层极限学习机的滚动轴承故障诊断方法。首先将测得振动信号进行变分模态分解(Variational Mode Decomposition,VMD),利用排列熵进一步提取各模态特征组成高维特征向量集;其次利用自动编码器(Automatic Encoder,AE)对极限学习机的隐含层进行分层,且使隐含层节点的输入权值和阈值满足正交条件;最后将构建的特征向量作为H-ELM算法的输入,通过训练建立H-ELM滚动轴承故障分类模型。实验结果表明:H-ELM滚动轴承故障分类模型比SVM、ELM故障分类模型具有更高的精度、更强的稳定性。 展开更多

关键词 滚动轴承 变分模态分解 自动编码器 极限学习机

在线阅读 下载PDF 职称材料

基于多隐层极限学习机的文本分类方法 被引量：4

13

作者 冀俊忠 庞皓明 +1 位作者 杨翠翠 刘金铎 《北京工业大学学报》 CAS CSCD 北大核心 2019年第6期534-545,共12页

针对正则化极限学习机处理高维文本数据时文本特征表示能力不足的问题,提出了一种基于多隐层极限学习机的文本分类方法.首先,使用极限学习机自编码器的压缩表示对高维文本数据进行降维处理.然后,通过多隐层极限学习机的多隐层结构提取... 针对正则化极限学习机处理高维文本数据时文本特征表示能力不足的问题,提出了一种基于多隐层极限学习机的文本分类方法.首先,使用极限学习机自编码器的压缩表示对高维文本数据进行降维处理.然后,通过多隐层极限学习机的多隐层结构提取出高层文本特征并通过最小二乘的方法对文本数据进行分类.与多个算法的实验对比表明,该算法在20newsgroup、Reuters和复旦大学中文语料库这3个数据集上都具有良好的分类性能. 展开更多

关键词 文本分类 高维文本 多隐层极限学习机 极限学习机自编码器 特征映射 神经网络

在线阅读 下载PDF 职称材料

基于深度小波去噪自动编码器的轴承智能故障诊断方法 被引量：7

14

作者 李晓花 江星星 《计算机应用与软件》 北大核心 2021年第2期145-151,190,共8页

针对原始振动数据无监督特征学习问题,提出一种深度小波去噪自动编码器与鲁棒极限学习机相结合的滚动轴承的智能故障诊断方法。利用小波函数作为非线性激活函数设计小波去噪自动编码器,从而有效地捕获信号特征;利用多个小波去噪自动编... 针对原始振动数据无监督特征学习问题,提出一种深度小波去噪自动编码器与鲁棒极限学习机相结合的滚动轴承的智能故障诊断方法。利用小波函数作为非线性激活函数设计小波去噪自动编码器,从而有效地捕获信号特征;利用多个小波去噪自动编码器构造一个深度小波去噪自动编码器来增强无监督特征学习能力;采用鲁棒极限学习机作为分类器,对不同的轴承故障进行分类识别。对实验所得的轴承振动信号进行对比分析,结果验证了该方法在原始振动数据无监督特征学习的条件下优于传统方法和标准深度学习方法。 展开更多

关键词 智能故障诊断 滚动轴承 深度小波去噪自动编码器 极限学习机 无监督特征学习

在线阅读 下载PDF 职称材料

基于深度极限学习机的模拟电路故障诊断 被引量：15

15

作者 颜学龙 马润平 《计算机工程与科学》 CSCD 北大核心 2019年第11期1911-1918,共8页

针对模拟电路故障诊断中特征提取以及模型训练时间较长的难题,采用了一种基于深度极限学习机的模拟电路故障诊断算法。该算法将深度学习中自编码器的思想引入到极限学习机中,构建深度网络,将底层的故障特征转换更加抽象的高级特征,能自... 针对模拟电路故障诊断中特征提取以及模型训练时间较长的难题,采用了一种基于深度极限学习机的模拟电路故障诊断算法。该算法将深度学习中自编码器的思想引入到极限学习机中,构建深度网络,将底层的故障特征转换更加抽象的高级特征,能自主地学习数据特征,避免了繁琐的特征提取和选择。最终通过Sallen-Key和四运放双二次高通滤波2个模拟电路进行仿真研究,实验结果验证了算法在模拟电路故障诊断上的可行性,也表明模型学习速度快、泛化能力好,具有较强的诊断能力,故障诊断分类准确率可以达到100%,诊断时间在0.3 s左右。 展开更多

关键词 故障诊断 深度学习 自编码器 极限学习机

在线阅读 下载PDF 职称材料

VMD能量熵与核极限学习机在滚动轴承故障诊断中的应用 被引量：4

16

作者 秦波 王祖达 +1 位作者 孙国栋 王建国 《中国测试》 北大核心 2017年第5期91-95,共5页

针对滚动轴承信号的不规则特性,致使信号故障特征难提取及难以辨识,为实现滚动轴承故障的智能诊断,提出基于VMD能量熵与核极限学习机(kernel extreme learning machine,K-ELM)的滚动轴承故障诊断方法。首先将测得振动信号进行变分模态分... 针对滚动轴承信号的不规则特性,致使信号故障特征难提取及难以辨识,为实现滚动轴承故障的智能诊断,提出基于VMD能量熵与核极限学习机(kernel extreme learning machine,K-ELM)的滚动轴承故障诊断方法。首先将测得振动信号进行变分模态分解(variational mode decomposition,VMD),利用能量熵进一步提取各模态特征组成高维特征向量集;然后将构建的特征向量作为K-ELM算法的输入,通过训练建立K-ELM滚动轴承故障分类模型。实验结果表明:VMD能够很好地分解轴承振动信号,且K-ELM滚动轴承故障分类模型比SVM、ELM故障分类模型具有更高的精度、更强的稳定性。 展开更多

关键词 滚动轴承 变分模态分解 自动编码器 极限学习机

在线阅读 下载PDF 职称材料

基于QPSO正则化极限学习机的轴承故障诊断 被引量：5

17

作者 刘鑫 任海莉 《组合机床与自动化加工技术》 北大核心 2021年第3期36-40,共5页

从复杂的振动信号中提取有效的故障特征并且得到准确的分类结果,建立可靠的故障诊断方法一直都是滚动轴承故障诊断研究中的关键课题。文章提出一种改进的正则化极限学习机(Regularized Extreme Learning Machine,RELM)应用于降噪自动编... 从复杂的振动信号中提取有效的故障特征并且得到准确的分类结果,建立可靠的故障诊断方法一直都是滚动轴承故障诊断研究中的关键课题。文章提出一种改进的正则化极限学习机(Regularized Extreme Learning Machine,RELM)应用于降噪自动编码器(Denoising AutoEncoder,DAE)的故障分类方法。首先,将振动信号经过快速傅里叶变换得到的频域系数作为高维数据,然后利用堆叠降噪自动编码器(Stacked Denoising Autoencoders,SDAE)对高维数据进行学习,提取更具鲁棒性的特征,再将该特征作为RELM的输入进行分类,得到故障诊断模型。针对RELM中正则化参数选取困难问题,采用量子粒子群优化算法(Quantum-behaved particle swarm optimization,QPSO)进行参数优化。实验结果表明,基于SDAE-RELM的诊断方法在泛化性和故障识别率都优于SDAE和其他分类算法结合的故障识别方法。 展开更多

关键词 滚动轴承 降噪自动编码器 正则化极限学习机 特征提取

在线阅读 下载PDF 职称材料

分层极限学习机在滚动轴承故障诊断中的应用

18

作者 袁媛 秦波 孙国栋 《制造技术与机床》 北大核心 2017年第4期73-76,81,共5页

针对滚动轴承信号的非线性、非平稳特性,致使轴承状态难识别的问题,提出分层极限学习机(HELM)故障诊断模型。首先采用集合经验模式分解(EEMD)将轴承信号分解为若干个本征模式分量(IMFs),并提取其能量熵值构建特征向量;其次利用自动编码... 针对滚动轴承信号的非线性、非平稳特性,致使轴承状态难识别的问题,提出分层极限学习机(HELM)故障诊断模型。首先采用集合经验模式分解(EEMD)将轴承信号分解为若干个本征模式分量(IMFs),并提取其能量熵值构建特征向量;其次利用自动编码器(AE)对极限学习机的隐含层进行分层,且使隐含层节点的输入权值和阈值满足正交条件;最后将构建的特征向量作为H-ELM算法的输入,通过训练建立H-ELM滚动轴承故障分类模型。实验结果表明:H-ELM滚动轴承故障分类模型比SVM、ELM故障分类模型具有更高的精度、更强的稳定性。 展开更多

关键词 滚动轴承 故障诊断 自动编码器 极限学习机

在线阅读 下载PDF 职称材料

基于IWOA-ELM-AE的电力资产信息管理系统异常数据检测方法 被引量：6

19

作者 李凯 靳书栋 +2 位作者 刘宏志 王艳梅 杨晓营 《沈阳工业大学学报》 CAS 北大核心 2024年第3期255-262,共8页

针对当前电力资产信息管理系统难以准确自主发现异常数据的问题,提出了一种基于IWOA-ELM-AE的电力资产信息管理系统异常数据检测方法。在管理系统框架下分析了可能存在的异常类型,将改进鲸鱼优化算法(IWOA)用于优化极限学习机自编码器(E... 针对当前电力资产信息管理系统难以准确自主发现异常数据的问题,提出了一种基于IWOA-ELM-AE的电力资产信息管理系统异常数据检测方法。在管理系统框架下分析了可能存在的异常类型,将改进鲸鱼优化算法(IWOA)用于优化极限学习机自编码器(ELM-AE),建立了电力信息系统异常数据优化检测模型。将模型应用于电力资产信息异常数据检测,并建立性能评估指标体系以衡量其效果。结果表明:所提方法的检测性能评估结果与传统模型相比具有显著优势,能够更为准确地检测电力资产信息中存在的异常数据。 展开更多

关键词 信息管理系统 电力资产 异常数据检测 极限学习机 自编码器 鲸鱼优化算法 检测性能 评估指标

在线阅读 下载PDF 职称材料

稀疏和标签约束半监督自动编码器的分类算法 被引量：9

20

作者 王慧玲 宋威 王晨妮 《计算机应用研究》 CSCD 北大核心 2019年第9期2613-2617,共5页

自动编码器通过深度无监督学习能够表达数据的语义特征,但由于其隐含层节点个数难以有效确定,所处理的数据进一步用于分类时常会导致分类准确度低、稳定性弱等问题。针对这些问题,提出了一种稀疏和标签约束的半监督自动编码器(SLRAE),... 自动编码器通过深度无监督学习能够表达数据的语义特征,但由于其隐含层节点个数难以有效确定,所处理的数据进一步用于分类时常会导致分类准确度低、稳定性弱等问题。针对这些问题,提出了一种稀疏和标签约束的半监督自动编码器(SLRAE),以实现无监督学习与监督学习的有机结合,更准确地抽取样本的本质特征。稀疏约束项针对每个隐含节点的响应添加约束条件,从而在隐含神经元数量较多的情况下仍可发现数据中潜在的结构;同时引入标签约束项,以监督学习的方式比对实际标签与期望标签,针对性地调整网络参数,进一步提高分类准确率。为验证所提方法的有效性,实验中对多个数据集进行广泛测试,其结果表明,相对传统自动编码器(AE)、稀疏自动机(SAE)以及极限学习机(ELM),SLRAE所处理的数据应用于同一分类器,能明显提高分类准确率和稳定性。 展开更多

关键词 分类 稀疏约束 标签约束 自动编码器 极限学习机

在线阅读 下载PDF 职称材料