基于自编码器的深度聚类是无监督学习的代表算法,近年来在计算机视觉领域获得了诸多关注。相较于传统算法,自动编码器隐藏层紧凑的表示空间为聚类任务提供了更为灵活的条件。现有的自编码器聚类大多使用单分支编码器网络,而采用多个网...基于自编码器的深度聚类是无监督学习的代表算法,近年来在计算机视觉领域获得了诸多关注。相较于传统算法,自动编码器隐藏层紧凑的表示空间为聚类任务提供了更为灵活的条件。现有的自编码器聚类大多使用单分支编码器网络,而采用多个网络结合的双编码器结构还有较大的探索空间。为此,提出了一种基于双分支小波卷积自编码器和数据增强的深度聚类方法DB-WCAE-DA(Deep Clustering Method Based on Dual-Branch Wavelet Convolutional Autoencoder and Data Augmentation)。首先,融合小波变换设计了一种双分支的卷积自编码器结构,将数据映射到低维特征空间进行聚类。其次,在一个分支上采用VMF混合模型构建聚类软分配,保留数据的几何结构和方向信息;在另一个分支上引入数据增强技术,并在嵌入空间中添加噪声,提高编码器对特征的学习能力。通过这种双分支嵌套式优化过程不断提炼数据特征,使得聚类结果更加可靠。最后,在多个基准数据集上验证了该模型的有效性。展开更多
为了研究钢轨的化学成分、入口温度、环境温度,以及风冷时风压、风速等参数对热处理钢轨性能的综合影响,进一步解决钢轨热处理后设定精度低的难题,开发了一种基于灰狼算法优化深度极限学习机(grey wolf optimization deep extreme learn...为了研究钢轨的化学成分、入口温度、环境温度,以及风冷时风压、风速等参数对热处理钢轨性能的综合影响,进一步解决钢轨热处理后设定精度低的难题,开发了一种基于灰狼算法优化深度极限学习机(grey wolf optimization deep extreme learning machine,GWO-DELM)的钢轨热处理性能预测模型.先采用深度极限学习机(DELM)构建出工艺模型,而后,针对深度极限学习机中初始权值随机确定而引起的预测结果准确度较低的问题,利用灰狼优化算法(GWO)对初始权值进一步确定.结果表明:该模型在预测不同规格钢轨的抗拉强度时,95.80%以上样本点的预测误差集中在-20~20 MPa,在预测踏面布氏硬度时,95.73%以上样本点的预测误差集中在-8~8;与传统模型相比,GWO-DELM具有更优异的预测精度及泛化能力,可应用在热轧钢轨风冷处理的性能预测上,为热处理参数的选择提供参考.展开更多
文摘基于自编码器的深度聚类是无监督学习的代表算法,近年来在计算机视觉领域获得了诸多关注。相较于传统算法,自动编码器隐藏层紧凑的表示空间为聚类任务提供了更为灵活的条件。现有的自编码器聚类大多使用单分支编码器网络,而采用多个网络结合的双编码器结构还有较大的探索空间。为此,提出了一种基于双分支小波卷积自编码器和数据增强的深度聚类方法DB-WCAE-DA(Deep Clustering Method Based on Dual-Branch Wavelet Convolutional Autoencoder and Data Augmentation)。首先,融合小波变换设计了一种双分支的卷积自编码器结构,将数据映射到低维特征空间进行聚类。其次,在一个分支上采用VMF混合模型构建聚类软分配,保留数据的几何结构和方向信息;在另一个分支上引入数据增强技术,并在嵌入空间中添加噪声,提高编码器对特征的学习能力。通过这种双分支嵌套式优化过程不断提炼数据特征,使得聚类结果更加可靠。最后,在多个基准数据集上验证了该模型的有效性。
文摘为了研究钢轨的化学成分、入口温度、环境温度,以及风冷时风压、风速等参数对热处理钢轨性能的综合影响,进一步解决钢轨热处理后设定精度低的难题,开发了一种基于灰狼算法优化深度极限学习机(grey wolf optimization deep extreme learning machine,GWO-DELM)的钢轨热处理性能预测模型.先采用深度极限学习机(DELM)构建出工艺模型,而后,针对深度极限学习机中初始权值随机确定而引起的预测结果准确度较低的问题,利用灰狼优化算法(GWO)对初始权值进一步确定.结果表明:该模型在预测不同规格钢轨的抗拉强度时,95.80%以上样本点的预测误差集中在-20~20 MPa,在预测踏面布氏硬度时,95.73%以上样本点的预测误差集中在-8~8;与传统模型相比,GWO-DELM具有更优异的预测精度及泛化能力,可应用在热轧钢轨风冷处理的性能预测上,为热处理参数的选择提供参考.
