期刊导航
期刊开放获取
上海教育软件发展有限公..
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
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
检索
高级检索
期刊导航
共找到
3
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于竞争学习的稀疏受限玻尔兹曼机机制
被引量：
1
1
作者
周立军
刘凯
吕海燕
《计算机应用》
CSCD
北大核心
2018年第7期1872-1876,共5页
针对受限玻尔兹曼机(RBM)无监督训练存在特征同质化问题以及现有稀疏受限玻尔兹曼机(SRBM)难以自适应稀疏的缺陷,提出了一种基于竞争学习的RBM稀疏机制方法。首先设计基于神经元权值向量与输入向量间夹角余弦值的距离度量,评估两者相似...
针对受限玻尔兹曼机(RBM)无监督训练存在特征同质化问题以及现有稀疏受限玻尔兹曼机(SRBM)难以自适应稀疏的缺陷,提出了一种基于竞争学习的RBM稀疏机制方法。首先设计基于神经元权值向量与输入向量间夹角余弦值的距离度量,评估两者相似度;然后在训练过程中对不同样本选择出基于距离度量的最优匹配隐单元;其次根据最优匹配隐单元激活状态计算对其他隐单元的稀疏惩罚度;最后执行参数更新并依据深度模型训练过程,将竞争稀疏应用于深度玻尔兹曼机(DBM)的构建中。通过手写数字识别实验证明,与误差平方和正则化因子相比,基于该稀疏机制的DBM分类准确率提高了0.74%,平均稀疏度提高了5.6%,且无需设置稀疏参数,因此,该稀疏机制可提高RBM等无监督训练模型的训练效率,并应用于深度模型的构建中。
展开更多
关键词
受限
玻尔兹曼
机
稀疏受限玻尔兹曼机
竞争学习
稀疏
表示
神经元
在线阅读
下载PDF
职称材料
基于改进的稀疏深度信念网络的人脸识别方法
被引量：
13
2
作者
柴瑞敏
曹振基
《计算机应用研究》
CSCD
北大核心
2015年第7期2179-2183,共5页
由于稀疏表示在人脸识别上的优异表现,大量的研究关注于在深度网络上结合稀疏编码。常用的稀疏深度信念网络限制所有的隐藏单元具有相同的稀疏水平,这不是诱导稀疏表示最自然的方式。针对这个问题,根据压缩感知理论改进原来的稀疏项,添...
由于稀疏表示在人脸识别上的优异表现,大量的研究关注于在深度网络上结合稀疏编码。常用的稀疏深度信念网络限制所有的隐藏单元具有相同的稀疏水平,这不是诱导稀疏表示最自然的方式。针对这个问题,根据压缩感知理论改进原来的稀疏项,添加了一个tan-sigmoid正则项逼近稀疏表示的最优解L0范数。这种方法不限制隐藏单元拥有相同的激活率,每个隐藏单元可以根据不同的任务自动学习到不同的稀疏水平。在ORL、UMIST和FERET人脸库上的识别结果表明,提出的方法与经典的稀疏深度模型相比,获得了很好的特征表示和识别效果。
展开更多
关键词
稀疏
编码
特征提取
深度学习
深度信念网络
稀疏受限玻尔兹曼机
在线阅读
下载PDF
职称材料
基于深度置信网络和多维信息融合的变压器故障诊断方法
被引量：
28
3
作者
刘文泽
张俊
邓焱
《电力工程技术》
2019年第6期16-23,共8页
为了综合多维度信息,快速准确判断变压器缺陷,同时解决多维度信息融合权重难以确定的问题,文中基于深度学习理论,采用稀疏受限玻尔兹曼机搭建了用于故障诊断的深度学习故障分类模型,结合大型变压器的多维度监测量,提出了一种基于深度置...
为了综合多维度信息,快速准确判断变压器缺陷,同时解决多维度信息融合权重难以确定的问题,文中基于深度学习理论,采用稀疏受限玻尔兹曼机搭建了用于故障诊断的深度学习故障分类模型,结合大型变压器的多维度监测量,提出了一种基于深度置信网络和多维度信息融合的变压器故障诊断方法。该方法能够利用变压器海量的无标签多维监测数据作为学习样本,只需对少量带标签数据进行辅助优化,根据变压器实时在线多维监测数据,被训练后的模型能够对变压器本体状态做出准确的故障诊断。对某市220 kV主变进行诊断测试,结果表明,文中提出方法的故障诊断准确率较现有方法高约4%,验证了该方法的可行性和有效性。
展开更多
关键词
电力变压器
多维度信息融合
故障诊断
深度置信网络
稀疏受限玻尔兹曼机
在线阅读
下载PDF
职称材料
题名
基于竞争学习的稀疏受限玻尔兹曼机机制
被引量：
1
1
作者
周立军
刘凯
吕海燕
机构
海军航空大学航空基础学院
出处
《计算机应用》
CSCD
北大核心
2018年第7期1872-1876,共5页
基金
国家自然科学基金资助项目(61531020
61032001)~~
文摘
针对受限玻尔兹曼机(RBM)无监督训练存在特征同质化问题以及现有稀疏受限玻尔兹曼机(SRBM)难以自适应稀疏的缺陷,提出了一种基于竞争学习的RBM稀疏机制方法。首先设计基于神经元权值向量与输入向量间夹角余弦值的距离度量,评估两者相似度;然后在训练过程中对不同样本选择出基于距离度量的最优匹配隐单元;其次根据最优匹配隐单元激活状态计算对其他隐单元的稀疏惩罚度;最后执行参数更新并依据深度模型训练过程,将竞争稀疏应用于深度玻尔兹曼机(DBM)的构建中。通过手写数字识别实验证明,与误差平方和正则化因子相比,基于该稀疏机制的DBM分类准确率提高了0.74%,平均稀疏度提高了5.6%,且无需设置稀疏参数,因此,该稀疏机制可提高RBM等无监督训练模型的训练效率,并应用于深度模型的构建中。
关键词
受限
玻尔兹曼
机
稀疏受限玻尔兹曼机
竞争学习
稀疏
表示
神经元
Keywords
Restricted Boltzmann Machine （RBM）
Sparse RBM （SRBM）
competitive learning sparse representation neuron
分类号
TP391.4 [自动化与计算机技术—计算机应用技术]
TP18 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
基于改进的稀疏深度信念网络的人脸识别方法
被引量：
13
2
作者
柴瑞敏
曹振基
机构
辽宁工程技术大学电子与信息工程学院
辽宁工程技术大学研究生学院
出处
《计算机应用研究》
CSCD
北大核心
2015年第7期2179-2183,共5页
文摘
由于稀疏表示在人脸识别上的优异表现,大量的研究关注于在深度网络上结合稀疏编码。常用的稀疏深度信念网络限制所有的隐藏单元具有相同的稀疏水平,这不是诱导稀疏表示最自然的方式。针对这个问题,根据压缩感知理论改进原来的稀疏项,添加了一个tan-sigmoid正则项逼近稀疏表示的最优解L0范数。这种方法不限制隐藏单元拥有相同的激活率,每个隐藏单元可以根据不同的任务自动学习到不同的稀疏水平。在ORL、UMIST和FERET人脸库上的识别结果表明,提出的方法与经典的稀疏深度模型相比,获得了很好的特征表示和识别效果。
关键词
稀疏
编码
特征提取
深度学习
深度信念网络
稀疏受限玻尔兹曼机
Keywords
sparse coding
feature extraction
deep learning
deep belief networks
sparse RBM
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于深度置信网络和多维信息融合的变压器故障诊断方法
被引量：
28
3
作者
刘文泽
张俊
邓焱
机构
华南理工大学电力学院
出处
《电力工程技术》
2019年第6期16-23,共8页
基金
国家自然科学基金资助项目(51577073)
文摘
为了综合多维度信息,快速准确判断变压器缺陷,同时解决多维度信息融合权重难以确定的问题,文中基于深度学习理论,采用稀疏受限玻尔兹曼机搭建了用于故障诊断的深度学习故障分类模型,结合大型变压器的多维度监测量,提出了一种基于深度置信网络和多维度信息融合的变压器故障诊断方法。该方法能够利用变压器海量的无标签多维监测数据作为学习样本,只需对少量带标签数据进行辅助优化,根据变压器实时在线多维监测数据,被训练后的模型能够对变压器本体状态做出准确的故障诊断。对某市220 kV主变进行诊断测试,结果表明,文中提出方法的故障诊断准确率较现有方法高约4%,验证了该方法的可行性和有效性。
关键词
电力变压器
多维度信息融合
故障诊断
深度置信网络
稀疏受限玻尔兹曼机
Keywords
power transformer
multi-dimensional information fusion
fault diagnosis
deep learning
Sparse-RBM
分类号
TM741 [电气工程—电力系统及自动化]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于竞争学习的稀疏受限玻尔兹曼机机制
周立军
刘凯
吕海燕
《计算机应用》
CSCD
北大核心
2018
1
在线阅读
下载PDF
职称材料
2
基于改进的稀疏深度信念网络的人脸识别方法
柴瑞敏
曹振基
《计算机应用研究》
CSCD
北大核心
2015
13
在线阅读
下载PDF
职称材料
3
基于深度置信网络和多维信息融合的变压器故障诊断方法
刘文泽
张俊
邓焱
《电力工程技术》
2019
28
在线阅读
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部
