传统的多模态过程故障等级评估方法对模态之间的共性特征考虑较少,导致当被评估模态故障信息不充分时,评估的准确性较低.针对此问题,首先,提出一种共性–个性深度置信网络(Common and specific deep belief network,CS-DBN),该网络充分...传统的多模态过程故障等级评估方法对模态之间的共性特征考虑较少,导致当被评估模态故障信息不充分时,评估的准确性较低.针对此问题,首先,提出一种共性–个性深度置信网络(Common and specific deep belief network,CS-DBN),该网络充分利用深度置信网络(Deep belief network,DBN)的深度分层特征提取能力,通过度量多模态数据间分布的相似性和差异性,进一步得到能够反映多模态过程共有信息的共性特征以及反映每个模态独有信息的个性特征;其次,基于CS-DBN,利用多模态过程的已知故障等级数据生成多模态共性–个性特征集,通过加权逻辑回归构建故障等级评估模型;最后,将所提方法应用于带钢热连轧生产过程的故障等级评估中.应用结果表明,随着多模态故障等级数据的增加,所提方法的评估准确率逐渐增加,当故障信息充足时,评估准确率可达98.75%;故障信息不足时,与传统方法相比,评估准确率提升近10%.展开更多
基于深度置信网络(DBN)对信号双谱对角切片(BDS)结构特征进行学习,实现低截获概率(LPI)雷达信号识别。该方法首先建立基于受限玻尔兹曼机(RBM)的DBN模型,对LPI雷达信号的BDS数据进行逐层无监督贪心学习,然后运用后向传播(BP)机制在有监...基于深度置信网络(DBN)对信号双谱对角切片(BDS)结构特征进行学习,实现低截获概率(LPI)雷达信号识别。该方法首先建立基于受限玻尔兹曼机(RBM)的DBN模型,对LPI雷达信号的BDS数据进行逐层无监督贪心学习,然后运用后向传播(BP)机制在有监督学习方式下根据学习误差对DBN模型参数进行微调,最后基于该BDS-DBN模型实现未知信号的分类和识别。理论分析和仿真结果表明,信噪比高于8 d B时,基于BDS和DBN的识别方法对调频连续波(FMCW),Frank,Costas,FSK/PSK 4类LPI信号的综合识别率保持在93.4%以上,高于传统的主成分分析加支持向量机法(PCA-SVM)和主成分分析加线性判别分析法(PCA-LDA)。展开更多
文摘传统的多模态过程故障等级评估方法对模态之间的共性特征考虑较少,导致当被评估模态故障信息不充分时,评估的准确性较低.针对此问题,首先,提出一种共性–个性深度置信网络(Common and specific deep belief network,CS-DBN),该网络充分利用深度置信网络(Deep belief network,DBN)的深度分层特征提取能力,通过度量多模态数据间分布的相似性和差异性,进一步得到能够反映多模态过程共有信息的共性特征以及反映每个模态独有信息的个性特征;其次,基于CS-DBN,利用多模态过程的已知故障等级数据生成多模态共性–个性特征集,通过加权逻辑回归构建故障等级评估模型;最后,将所提方法应用于带钢热连轧生产过程的故障等级评估中.应用结果表明,随着多模态故障等级数据的增加,所提方法的评估准确率逐渐增加,当故障信息充足时,评估准确率可达98.75%;故障信息不足时,与传统方法相比,评估准确率提升近10%.
文摘基于深度置信网络(DBN)对信号双谱对角切片(BDS)结构特征进行学习,实现低截获概率(LPI)雷达信号识别。该方法首先建立基于受限玻尔兹曼机(RBM)的DBN模型,对LPI雷达信号的BDS数据进行逐层无监督贪心学习,然后运用后向传播(BP)机制在有监督学习方式下根据学习误差对DBN模型参数进行微调,最后基于该BDS-DBN模型实现未知信号的分类和识别。理论分析和仿真结果表明,信噪比高于8 d B时,基于BDS和DBN的识别方法对调频连续波(FMCW),Frank,Costas,FSK/PSK 4类LPI信号的综合识别率保持在93.4%以上,高于传统的主成分分析加支持向量机法(PCA-SVM)和主成分分析加线性判别分析法(PCA-LDA)。
