摘要： 提出了一種新的基于深度置信網(wǎng)絡(luò)的交通流預(yù)測(cè)方法,利用深度置信網(wǎng)絡(luò)良好的訓(xùn)練和預(yù)測(cè)性能,能夠很好地學(xué)習(xí)時(shí)序數(shù)據(jù)集的內(nèi)部特征,從而準(zhǔn)確地預(yù)測(cè)交通數(shù)據(jù)流。為了驗(yàn)證算法的有效性,在PeMS數(shù)據(jù)集上對(duì)算法進(jìn)行了實(shí)驗(yàn)測(cè)試,并同其他相關(guān)預(yù)測(cè)和分析方法進(jìn)行了比較,實(shí)驗(yàn)結(jié)果表明新算法具有較好的預(yù)測(cè)性能。

摘要： 針對(duì)實(shí)際電能質(zhì)量擾動(dòng)數(shù)據(jù)大、識(shí)別多重?cái)_動(dòng)精度不高的問(wèn)題,提出了一種基于自適應(yīng)最大似然卡爾曼濾波和深度置信網(wǎng)絡(luò)相結(jié)合的電能質(zhì)量擾動(dòng)識(shí)別方法。首先,該方法使用自適應(yīng)最大似然卡爾曼濾波對(duì)含有噪聲的原始擾動(dòng)信號(hào)進(jìn)行去噪。然后,通過(guò)深度置信網(wǎng)絡(luò)對(duì)去除噪聲的擾動(dòng)信號(hào)進(jìn)行訓(xùn)練、分類(lèi),以此實(shí)現(xiàn)電能質(zhì)量擾動(dòng)類(lèi)型的識(shí)別。最后,在20類(lèi)不同噪聲水平下的電能質(zhì)量擾動(dòng)信號(hào)上進(jìn)行測(cè)試。由仿真結(jié)果可知,在不同的噪聲水平下,該方法都具有較高的分類(lèi)正確率,表明了該方法的有效性及對(duì)噪聲的強(qiáng)魯棒性。

摘要： 針對(duì)傳統(tǒng)方法采用單通道信息進(jìn)行設(shè)備故障診斷容易造成誤判以及傳統(tǒng)故障診斷需要大量專(zhuān)家經(jīng)驗(yàn)知識(shí)的不足,結(jié)合全矢譜技術(shù)在多通道信息融合中可以全面反映振動(dòng)信號(hào)特征的優(yōu)勢(shì),以及深度學(xué)習(xí)具有強(qiáng)大的自特征提取能力和較好的模式識(shí)別能力,提出了一種基于全矢譜-深度置信網(wǎng)絡(luò)的轉(zhuǎn)子故障智能診斷方法。對(duì)采集到的多通道的機(jī)械振動(dòng)信號(hào)利用全矢譜技術(shù)進(jìn)行融合,得到融合信號(hào)的主振矢、副振矢和振矢角。將融合后的信號(hào)輸入到深度置信網(wǎng)絡(luò)(DBN)中進(jìn)行訓(xùn)練,利用多個(gè)受限玻爾茲曼機(jī)無(wú)監(jiān)督預(yù)訓(xùn)練的方式層層堆疊進(jìn)行前向傳播,減少模型直接單向訓(xùn)練時(shí)的復(fù)雜度。然后利用反向傳播對(duì)模型進(jìn)行監(jiān)督優(yōu)化參數(shù)。最后,輸出層采用Softmax分類(lèi)器進(jìn)行故障模式識(shí)別。提出的方法通過(guò)轉(zhuǎn)子故障診斷驗(yàn)證,并與全矢譜-DNN和單通道-DBN做比較,提出的方法優(yōu)于全矢譜-DNN和單通道-DBN方法,能夠很好地融合多通道信息,并具有較高的識(shí)別率。

摘要： 在對(duì)實(shí)際工業(yè)場(chǎng)景中的旋轉(zhuǎn)機(jī)械進(jìn)行故障診斷時(shí),旋轉(zhuǎn)機(jī)械的變工況會(huì)導(dǎo)致測(cè)試樣本與模型訓(xùn)練樣本間存在分布差異,進(jìn)而影響故障診斷模型的準(zhǔn)確率,對(duì)此,提出了一種基于深度置信網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械遷移故障診斷方法。首先,利用最大重疊離散小波包變換處理了原始振動(dòng)信號(hào),提取了統(tǒng)計(jì)特征構(gòu)建原始特征集;其次,基于源域有標(biāo)簽特征數(shù)據(jù)和目標(biāo)域正常狀態(tài)下的特征數(shù)據(jù),運(yùn)用了基于Fisher Score與域間最大均值差異的特征選取方法(FSFM),選取了判別性能和域不變性好的特征,用于后續(xù)的模型訓(xùn)練;然后,采用預(yù)訓(xùn)練微調(diào)的遷移學(xué)習(xí)方法,構(gòu)建適用于目標(biāo)域數(shù)據(jù)故障識(shí)別與分類(lèi)的遷移深度置信網(wǎng)絡(luò);最后,采用SQI-MFS機(jī)械故障模擬試驗(yàn)臺(tái)的軸承和電機(jī)故障數(shù)據(jù)開(kāi)展不同工況下的故障診斷實(shí)驗(yàn)。研究結(jié)果表明:選取判別性能和域不變性好的特征用于診斷模型訓(xùn)練,能夠明顯提高故障診斷準(zhǔn)確率,軸承和電機(jī)在不同工況下的故障診斷精度最高分別可達(dá)90.83%和86.83%,可驗(yàn)證提出的遷移故障診斷框架的有效性;此外,一系列對(duì)比實(shí)驗(yàn)表明所提出框架的診斷性能明顯優(yōu)于文中的對(duì)比模型,進(jìn)一步驗(yàn)證所提出的方法具有應(yīng)用于實(shí)際工業(yè)場(chǎng)景下故障診斷的潛力。

摘要： 為避免液壓油缸泄露給液壓系統(tǒng)帶來(lái)的速度放緩和壓力不足等問(wèn)題,研究基于深度學(xué)習(xí)的液壓油缸泄露故障自動(dòng)診斷方法。深入分析液壓油缸泄露故障機(jī)理,依據(jù)液壓油缸泄露量,將泄露故障劃分為正常、輕微、中度以及嚴(yán)重泄露四種狀態(tài),使用壓力傳感器采集各狀態(tài)下的壓力信號(hào),利用小波包變換提取壓力信號(hào)的小波包能譜熵特征,將其作為輸入量,運(yùn)用深度置信網(wǎng)絡(luò)實(shí)現(xiàn)液壓油缸泄露故障高精度自動(dòng)診斷。實(shí)驗(yàn)結(jié)果表明:該方法能清晰呈現(xiàn)不同液壓油缸泄露狀態(tài)下的壓力信號(hào)特點(diǎn),且所得信號(hào)質(zhì)量較高;利用壓力信號(hào)的小波包能量譜自動(dòng)診斷液壓油缸泄露故障具有較高的可行性;該方法在準(zhǔn)確診斷液壓油缸泄露故障狀態(tài)的同時(shí),還能判斷液壓油缸泄露故障的形式。

摘要： 針對(duì)具有多并聯(lián)支路繞組結(jié)構(gòu)的航空發(fā)電機(jī)在偏心故障下的輸出三相電壓、電流故障特征差異小,造成故障不易識(shí)別的問(wèn)題,提出一種基于煙花算法(fireworks algorithm,FWA)優(yōu)化深度置信網(wǎng)絡(luò)(deep belief network,DBN)的故障診斷方法。首先根據(jù)有限元法搭建航空發(fā)電機(jī)模型,通過(guò)仿真獲取不同靜態(tài)、動(dòng)態(tài)偏心故障輸出數(shù)據(jù);然后運(yùn)用FWA訓(xùn)練優(yōu)化與極限學(xué)習(xí)機(jī)(extreme learning machine,ELM)相結(jié)合的DBN網(wǎng)絡(luò),得到最佳DBN-ELM模型結(jié)構(gòu);最后由ELM分類(lèi)器進(jìn)行故障診斷分類(lèi)。診斷結(jié)果表明,相較于傳統(tǒng)的故障診斷方法,應(yīng)用所提方法進(jìn)行航空發(fā)電機(jī)偏心故障診斷,可以獲得更高的準(zhǔn)確率,平均準(zhǔn)確率達(dá)到99.203%。

摘要： 傳統(tǒng)的心電信號(hào)分類(lèi)方法通常需要人為提取特征,導(dǎo)致系統(tǒng)的分類(lèi)性能不穩(wěn)定?；诖?運(yùn)用了基于深度置信網(wǎng)絡(luò)的心電信號(hào)分類(lèi)算法,利用網(wǎng)絡(luò)的深層次學(xué)習(xí)能力自動(dòng)學(xué)習(xí)信號(hào)的特征。提取特征后,選用Softmax分類(lèi)器對(duì)信號(hào)進(jìn)行分類(lèi),并用誤差反向傳播算法微調(diào)網(wǎng)絡(luò),提高分類(lèi)性能。選取MIT-BIH數(shù)據(jù)庫(kù)中的正常心拍、室性早搏、房性早搏和起搏心拍進(jìn)行實(shí)驗(yàn),通過(guò)實(shí)驗(yàn)結(jié)果和方法對(duì)比,深度置信網(wǎng)絡(luò)整體的分類(lèi)精度達(dá)到98.8%,表明其在心電信號(hào)分類(lèi)問(wèn)題中具有良好的分類(lèi)識(shí)別效果。

摘要： 針對(duì)人工經(jīng)驗(yàn)設(shè)定深度置信網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)致使其很難達(dá)到最優(yōu),進(jìn)而導(dǎo)致深度置信網(wǎng)絡(luò)的性能無(wú)法完全發(fā)揮的問(wèn)題,提出利用麻雀搜索算法優(yōu)化深度置信網(wǎng)絡(luò)的入侵檢測(cè)模型。實(shí)驗(yàn)結(jié)果表明:相比未優(yōu)化的深度置信網(wǎng)絡(luò),性能有顯著提升,該模型優(yōu)異的性能有效提高了入侵檢測(cè)識(shí)別的效率。

摘要： 智能剩余電流保護(hù)器具有靈敏度高、功能多樣等優(yōu)勢(shì),但其結(jié)構(gòu)復(fù)雜、抗干擾性和可靠動(dòng)作性較差、故障率較高,且造成保護(hù)器同一故障現(xiàn)象的原因較多,不易檢查。針對(duì)上述保護(hù)器的不足,文中設(shè)計(jì)一種基于深度置信網(wǎng)絡(luò)的故障診斷系統(tǒng)對(duì)保護(hù)器進(jìn)行故障診斷。系統(tǒng)設(shè)計(jì)包括硬件和軟件兩部分,硬件設(shè)計(jì)用于對(duì)剩余電流保護(hù)器進(jìn)行出廠參數(shù)設(shè)定、功能測(cè)試及故障數(shù)據(jù)收集,建立故障數(shù)據(jù)集;軟件設(shè)計(jì)包括搭建網(wǎng)絡(luò)模型、提取故障數(shù)據(jù)特征、定位故障位置。測(cè)試結(jié)果表明,文中系統(tǒng)可完成對(duì)剩余電流保護(hù)器的批量自檢,可對(duì)故障保護(hù)器進(jìn)行故障診斷的正確率達(dá)到92.9%。

摘要： 為保證工業(yè)現(xiàn)場(chǎng)工作期間人員安全以及非工作期間機(jī)械設(shè)備安全,全天候監(jiān)控視頻檢測(cè)異常狀況十分必要?；谏鲜霰尘?提出一種基于智能定位的工業(yè)現(xiàn)場(chǎng)全天候監(jiān)控視頻異常檢測(cè)方法。該方法利用帶有夜視功能的高清攝像頭采集工業(yè)現(xiàn)場(chǎng)監(jiān)控視頻圖像,并實(shí)施灰度化、濾波、直方圖均衡化預(yù)處理。利用SIFT算子提取視頻圖像目標(biāo)特征,構(gòu)建視覺(jué)字典,通過(guò)視覺(jué)字典智能跟蹤定位視頻圖像中的目標(biāo)。提取目標(biāo)5個(gè)細(xì)節(jié)特征,利用深度學(xué)習(xí)中的深度置信網(wǎng)絡(luò)構(gòu)建分類(lèi)器,檢測(cè)監(jiān)控視頻圖像中的異常情況。結(jié)果表明:與基于遺傳算法的異常檢測(cè)方法,基于神經(jīng)網(wǎng)絡(luò)的異常檢測(cè)方法以及基于支持向量機(jī)的異常檢測(cè)方法相比,所研究檢測(cè)方法的靈敏度、特異度和正確率均要更高。

摘要： 傳統(tǒng)的深度置信網(wǎng)絡(luò)(DBN)采用隨機(jī)初始化受限玻爾茲曼機(jī)(RBM)的權(quán)值和偏置的方法初始化網(wǎng)絡(luò).雖然這在一定程度上克服了由BP算法帶來(lái)的易陷入局部最優(yōu)和訓(xùn)練時(shí)間長(zhǎng)的問(wèn)題,但隨機(jī)初始化仍然會(huì)導(dǎo)致網(wǎng)絡(luò)重構(gòu)和原始輸入的較大差別,這使得網(wǎng)絡(luò)無(wú)論在準(zhǔn)確率還是學(xué)習(xí)效率上都無(wú)法得到進(jìn)一步提升.針對(duì)以上問(wèn)題,提出一種基于稀疏降噪自編碼器(SDAE)的深度網(wǎng)絡(luò)模型,其核心是稀疏降噪自編碼器對(duì)數(shù)據(jù)的特征提取.首先,訓(xùn)練稀疏降噪自編碼;然后,用訓(xùn)練后得到的權(quán)值和偏置來(lái)初始化深度置信網(wǎng)絡(luò);最后,訓(xùn)練深度置信網(wǎng)絡(luò).在Poker Hand紙牌游戲數(shù)據(jù)集和MNIST、USPS手寫(xiě)數(shù)據(jù)集上測(cè)試模型性能,在Poker Hand數(shù)據(jù)集下,方法的誤差率比傳統(tǒng)的深度置信網(wǎng)絡(luò)降低46.4％,準(zhǔn)確率和召回率依次提升15.56％和14.12％.實(shí)驗(yàn)結(jié)果表明,所提方法能有效地改善模型性能.

摘要： 深度置信網(wǎng)絡(luò)(DBN)模型常伴隨高維度、大數(shù)據(jù)量等計(jì)算,使得其訓(xùn)練過(guò)程相對(duì)緩慢.為提高深度置信網(wǎng)絡(luò)的模型訓(xùn)練效率,提出了一種基于異構(gòu)平臺(tái)的混合并行優(yōu)化方法.主要包括:(1)模型訓(xùn)練分解為細(xì)粒度子任務(wù),設(shè)計(jì)單個(gè)子任務(wù)的并行優(yōu)化方法.(2)針對(duì)多核CPU和眾核GPU設(shè)備,設(shè)計(jì)細(xì)粒度子任務(wù)的調(diào)度方案,使兩種計(jì)算資源負(fù)載均衡.(3)數(shù)據(jù)并行與任務(wù)并行策略相結(jié)合,實(shí)現(xiàn)一種異構(gòu)混合并行算法.在Intel(R)Xeom(R)CPU(6核)和NVIDIA Tesla K20Xm GPU(2688核)實(shí)驗(yàn)平臺(tái)上,針對(duì)MNIST手寫(xiě)體識(shí)別數(shù)據(jù)集,在保證識(shí)別準(zhǔn)確率98.07％的前提下,混合并行算法與CPU串行程序相比,取得6.3x加速比,與CPU多核并行程序相比,取得2x加速比.

摘要： 當(dāng)前新出現(xiàn)的深度學(xué)習(xí)理論在機(jī)器學(xué)習(xí)、信號(hào)處理、人工智能和模式識(shí)別等領(lǐng)域引起了廣泛的關(guān)注.深度置信網(wǎng)絡(luò)是當(dāng)前深度學(xué)習(xí)理論的一種代表性方法,具有較強(qiáng)的無(wú)監(jiān)督特征學(xué)習(xí)能力.本文提出一種利用深度置信網(wǎng)絡(luò)實(shí)現(xiàn)語(yǔ)音情感識(shí)別的新方法,即先采用深度置信網(wǎng)絡(luò)對(duì)提取的情感聲學(xué)特征進(jìn)行無(wú)監(jiān)督學(xué)習(xí),獲取更高層次的抽象特征,然后將其用于初始化多層感知器模型中的隱層網(wǎng)絡(luò)權(quán)重值,最后利用該初始化后的多層感知器實(shí)現(xiàn)語(yǔ)音情感的識(shí)別.在德語(yǔ)Berlin情感語(yǔ)音數(shù)據(jù)庫(kù)中的實(shí)驗(yàn)結(jié)果表明,該方法優(yōu)于其它使用的情感識(shí)別方法.

摘要： 為了更好地運(yùn)用深度置信網(wǎng)絡(luò)(DBN)進(jìn)行語(yǔ)音活性檢測(cè)(VAD),針對(duì)現(xiàn)有方法過(guò)于繁雜的問(wèn)題,提出采用語(yǔ)音頻譜作為深度置信網(wǎng)絡(luò)的輸入的改進(jìn)算法.在Matlab環(huán)境下使用TIMIT語(yǔ)料庫(kù)進(jìn)行仿真實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法的有效性,并且在Babble噪聲環(huán)境下驗(yàn)證該方法比現(xiàn)有方法具有更高的檢測(cè)正確率.

摘要： 針對(duì)齒輪傳動(dòng)系統(tǒng)中齒輪等零部件易出現(xiàn)故障或失效等問(wèn)題,提出了一種基于深度學(xué)習(xí)理論的齒輪傳動(dòng)系統(tǒng)故障診斷方法.首先利用深度置信網(wǎng)絡(luò)(Deep Belief Networks,DBNs)網(wǎng)絡(luò)強(qiáng)大的特征自提取能力,對(duì)齒輪傳動(dòng)系統(tǒng)的振動(dòng)信號(hào)進(jìn)行特征提取,然后再通過(guò)DBNs的復(fù)雜映射表征能力對(duì)故障信號(hào)進(jìn)行故障判別.通過(guò)診斷實(shí)例表明,如果不對(duì)齒輪振動(dòng)的原始時(shí)域信號(hào)進(jìn)行特征提取,直接利用DBNs對(duì)其進(jìn)行診斷時(shí),正確識(shí)別率只能達(dá)到60％左右;如果對(duì)時(shí)域信號(hào)進(jìn)行簡(jiǎn)單的傅里葉變換后,再利用DBNs對(duì)處理后的振動(dòng)信號(hào)頻譜進(jìn)行診斷分析,正確率能達(dá)到99.7％,證實(shí)了所述故障診斷方法的簡(jiǎn)易性和有效性.

摘要： 深度學(xué)習(xí)是基于數(shù)據(jù)表示的一類(lèi)更廣的機(jī)器學(xué)習(xí)方法,它的出現(xiàn)不僅推動(dòng)了機(jī)器學(xué)習(xí)的發(fā)展,而且促進(jìn)了人工智能的革新.深度學(xué)習(xí)的研究成果已經(jīng)被成功應(yīng)用在語(yǔ)音識(shí)別、圖像分類(lèi)識(shí)別、地球物理等領(lǐng)域,具有巨大的發(fā)展?jié)摿蜕鐣?huì)價(jià)值.文中在對(duì)深度學(xué)習(xí)研究歷史簡(jiǎn)述的基礎(chǔ)上,重點(diǎn)介紹了卷積神經(jīng)網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)、自編碼器和循環(huán)和遞歸神經(jīng)網(wǎng)絡(luò)的經(jīng)典算法及其應(yīng)用,最后對(duì)深度學(xué)習(xí)的發(fā)展趨勢(shì)提出展望.

摘要： 為減少水下通信中信號(hào)信息損失的問(wèn)題,降低波形畸變率,提高調(diào)制識(shí)別率,解決經(jīng)典支持向量機(jī)理論出現(xiàn)二次規(guī)劃局部最優(yōu)的問(wèn)題,本文提出一種將深度置信網(wǎng)絡(luò)(DBN,Deep Belief Network)和支持向量機(jī)(SVM,Support Vector Machine)相結(jié)合的算法,設(shè)計(jì)出抗時(shí)頻衰落信道的調(diào)制信號(hào)分類(lèi)器.利用深度置信網(wǎng)絡(luò)構(gòu)造多特征融合權(quán)重矩陣,解決信息損失和畸變?cè)斐傻哪：?yīng),提高信息衰變時(shí)的分辨率;然后支持向量以此權(quán)重矩陣作為模型,識(shí)別不同類(lèi)型調(diào)制信號(hào).仿真實(shí)驗(yàn)表明,在瑞利多途衰落信道環(huán)境下,該分類(lèi)器的識(shí)別率優(yōu)于單一特征分類(lèi)方法,而且有較高的魯棒性.

摘要： 針對(duì)靜態(tài)軟測(cè)量模型無(wú)法反映聚丙烯生產(chǎn)過(guò)程熔融指數(shù)變化的動(dòng)態(tài)信息,造成模型預(yù)測(cè)精度低等問(wèn)題.本文提出了一種基于改進(jìn)的深度置信網(wǎng)絡(luò)(IDBN)和灰色模型(GM)的聚丙烯熔融指數(shù)動(dòng)態(tài)軟測(cè)量方法.首先基于IDBN建立熔融指數(shù)軟測(cè)量靜態(tài)模型,然后將靜態(tài)模型的測(cè)量結(jié)果與實(shí)際值進(jìn)行比較,獲得測(cè)量誤差時(shí)間序列,并用灰色模型對(duì)其進(jìn)行建模和預(yù)測(cè),最后將靜態(tài)模型預(yù)測(cè)值與誤差的預(yù)測(cè)值進(jìn)行疊加,從而實(shí)現(xiàn)對(duì)靜態(tài)模型預(yù)測(cè)值的動(dòng)態(tài)校正.實(shí)驗(yàn)結(jié)果表明,該方法能夠有效地反映熔融指數(shù)的動(dòng)態(tài)特性,具有更高的預(yù)測(cè)精度.

摘要： 深度學(xué)習(xí)是近年來(lái)機(jī)器學(xué)習(xí)領(lǐng)域的新熱點(diǎn),卷積神經(jīng)網(wǎng)絡(luò)(CNN)與深度置信網(wǎng)絡(luò)(DBN)是深度學(xué)習(xí)領(lǐng)域的核心方法.本文將兩種方法引入水下目標(biāo)分類(lèi)識(shí)別,并對(duì)網(wǎng)絡(luò)模型和參數(shù)設(shè)置進(jìn)行了改進(jìn)和優(yōu)化.利用三類(lèi)水下目標(biāo)噪聲數(shù)據(jù)進(jìn)行分類(lèi)識(shí)別,并與支持向量機(jī)方法進(jìn)行對(duì)比.結(jié)果表明,三種方法所得結(jié)果比較接近,其中,DBN方法的正確識(shí)別率最高.

摘要： 本發(fā)明公開(kāi)了一種基于深度置信網(wǎng)絡(luò)和SVM的網(wǎng)絡(luò)攻擊檢測(cè)方法，其中，包括：步驟1：構(gòu)造網(wǎng)絡(luò)攻擊行為特征向量；步驟2：確定模型訓(xùn)練集和測(cè)試集，給數(shù)據(jù)制定標(biāo)簽，區(qū)分正常行為與攻擊行為，并將攻擊行為分類(lèi)；步驟3：構(gòu)建深度置信網(wǎng)絡(luò)模型，逐層訓(xùn)練，提取網(wǎng)絡(luò)攻擊行為特征，并計(jì)算誤差，直至收斂，再對(duì)模型的權(quán)值進(jìn)行微調(diào),得到特征向量；步驟4：將提取的特征向量作為輸入?yún)?shù)，選擇合適的SVM分類(lèi)器進(jìn)行訓(xùn)練，對(duì)網(wǎng)絡(luò)攻擊行為進(jìn)行分類(lèi)，構(gòu)建網(wǎng)絡(luò)攻擊檢測(cè)模型；步驟5：構(gòu)建網(wǎng)絡(luò)攻擊行為分析模型，使用測(cè)試集測(cè)試模型準(zhǔn)確率，計(jì)算準(zhǔn)確率、誤報(bào)率與漏報(bào)率，并將識(shí)別出的網(wǎng)絡(luò)攻擊行為作為訓(xùn)練數(shù)據(jù)，進(jìn)行優(yōu)化。

摘要： 本發(fā)明提供了一種基于深度置信網(wǎng)絡(luò)的光纖網(wǎng)絡(luò)鏈路缺陷數(shù)據(jù)檢測(cè)方法，包括以下步驟：步驟1，光纖網(wǎng)絡(luò)鏈路數(shù)據(jù)采集；步驟2，對(duì)光纖網(wǎng)絡(luò)鏈路缺陷數(shù)據(jù)進(jìn)行去噪處理；步驟3，進(jìn)行數(shù)據(jù)插值處理；步驟4，對(duì)進(jìn)行數(shù)據(jù)均衡處理；步驟5，對(duì)數(shù)據(jù)進(jìn)行尺度處理；步驟6，將長(zhǎng)序列離散化，切分為固定大小的段；步驟7，提取統(tǒng)計(jì)特征、信號(hào)特征及物理特征；步驟8，進(jìn)行缺陷數(shù)據(jù)識(shí)別，完成數(shù)據(jù)檢測(cè)。應(yīng)用本技術(shù)方案能夠有效檢測(cè)由于各種原因出現(xiàn)數(shù)據(jù)缺陷的情況。

摘要： 本發(fā)明涉及一種基于深度置信網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的入侵檢測(cè)方法，屬于網(wǎng)絡(luò)中的入侵檢測(cè)技術(shù)領(lǐng)域。本發(fā)明首先對(duì)數(shù)據(jù)集進(jìn)行字符型數(shù)據(jù)轉(zhuǎn)換成數(shù)值型數(shù)據(jù)、數(shù)據(jù)標(biāo)準(zhǔn)化、數(shù)據(jù)歸一化操作；然后將數(shù)據(jù)集放入深度置信網(wǎng)絡(luò)中進(jìn)行降維處理，并將降維后的數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集；最后將訓(xùn)練集放入長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，再將測(cè)試集放入訓(xùn)練好的網(wǎng)絡(luò)模型中得到分類(lèi)結(jié)果。當(dāng)出現(xiàn)入侵行為時(shí)，利用訓(xùn)練好的模型就可以區(qū)分出正常數(shù)據(jù)和攻擊數(shù)據(jù)。該發(fā)明利用深度置信網(wǎng)絡(luò)對(duì)數(shù)據(jù)做降維處理解決了長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)梯度爆炸的問(wèn)題，提高了入侵檢測(cè)的效率。

摘要： 本發(fā)明公開(kāi)了一種基于深度置信網(wǎng)絡(luò)和SVM的網(wǎng)絡(luò)攻擊檢測(cè)方法，其中，包括：步驟1：構(gòu)造網(wǎng)絡(luò)攻擊行為特征向量；步驟2：確定模型訓(xùn)練集和測(cè)試集，給數(shù)據(jù)制定標(biāo)簽，區(qū)分正常行為與攻擊行為，并將攻擊行為分類(lèi)；步驟3：構(gòu)建深度置信網(wǎng)絡(luò)模型，逐層訓(xùn)練，提取網(wǎng)絡(luò)攻擊行為特征，并計(jì)算誤差，直至收斂，再對(duì)模型的權(quán)值進(jìn)行微調(diào),得到特征向量；步驟4：將提取的特征向量作為輸入?yún)?shù)，選擇合適的SVM分類(lèi)器進(jìn)行訓(xùn)練，對(duì)網(wǎng)絡(luò)攻擊行為進(jìn)行分類(lèi)，構(gòu)建網(wǎng)絡(luò)攻擊檢測(cè)模型；步驟5：構(gòu)建網(wǎng)絡(luò)攻擊行為分析模型，使用測(cè)試集測(cè)試模型準(zhǔn)確率，計(jì)算準(zhǔn)確率、誤報(bào)率與漏報(bào)率，并將識(shí)別出的網(wǎng)絡(luò)攻擊行為作為訓(xùn)練數(shù)據(jù)，進(jìn)行優(yōu)化。

摘要： 本發(fā)明公開(kāi)圖卷積和深度置信網(wǎng)絡(luò)的電動(dòng)汽車(chē)負(fù)荷優(yōu)化方法，利用圖卷積網(wǎng)絡(luò)提取路網(wǎng)大量不確定性特征數(shù)據(jù)，然后通過(guò)數(shù)據(jù)驅(qū)動(dòng)的方法訓(xùn)練深度置信網(wǎng)絡(luò)，輸出電動(dòng)汽車(chē)的最優(yōu)充電負(fù)荷分布，在應(yīng)對(duì)路網(wǎng)不確定性的同時(shí)優(yōu)化電動(dòng)汽車(chē)充電負(fù)荷分布，并量化分析優(yōu)化結(jié)果對(duì)路網(wǎng)及電網(wǎng)的影響。所述負(fù)荷優(yōu)化方法。本發(fā)明電動(dòng)汽車(chē)負(fù)荷優(yōu)化方法基于圖卷積和DBN的數(shù)據(jù)驅(qū)動(dòng)優(yōu)化方法，能夠泛化影響電動(dòng)汽車(chē)充電負(fù)荷的不確定性因素，準(zhǔn)確高效地優(yōu)化電動(dòng)汽車(chē)充電負(fù)荷；與求解非線性優(yōu)化模型相比，本發(fā)明計(jì)算難度低、求解速度快，對(duì)不確定性因素的泛化性能更強(qiáng)；與現(xiàn)有的深度神經(jīng)網(wǎng)絡(luò)等技術(shù)相比，本發(fā)明的優(yōu)化結(jié)果更為準(zhǔn)確，降低用戶充電成本的效果更為顯著。

摘要： 本發(fā)明公開(kāi)了一種基于深度置信網(wǎng)絡(luò)的柔版印刷壓力預(yù)測(cè)方法，對(duì)分色原稿圖像進(jìn)行二值化操作，得到二值化圖像，對(duì)二值化圖像進(jìn)行取反操作，對(duì)反色二值化圖像劃分網(wǎng)格，計(jì)算網(wǎng)格區(qū)域內(nèi)的圖文面積，得到面積矩陣；對(duì)分色原稿圖像進(jìn)行梯度計(jì)算，得到梯度圖像，對(duì)梯度圖像劃分網(wǎng)格，計(jì)算每個(gè)網(wǎng)格內(nèi)的最大梯度值，得到最大梯度值矩陣，對(duì)分色原稿圖像進(jìn)行灰度共生矩陣計(jì)算，得到灰度共生矩陣；然后將面積矩陣、最大梯度值矩陣、灰度共生矩陣橫向并列，得到分色原稿圖像的特征矩陣，最后建立了以特征矩陣作為網(wǎng)絡(luò)預(yù)測(cè)模型的輸入數(shù)據(jù)、實(shí)際印刷壓力值作為網(wǎng)絡(luò)預(yù)測(cè)模型的輸出數(shù)據(jù)，搭建深度置信網(wǎng)絡(luò)壓力預(yù)測(cè)模型，實(shí)現(xiàn)了對(duì)柔版印刷壓力的有效預(yù)測(cè)。

摘要： 本發(fā)明屬于無(wú)線通信技術(shù)領(lǐng)域，具體是一種基于深度置信網(wǎng)絡(luò)的信號(hào)指紋定位方法。主要原理是：在離線構(gòu)建階段，將原始信號(hào)輸入到深度置信網(wǎng)絡(luò)中，通過(guò)深度置信網(wǎng)絡(luò)對(duì)原始信號(hào)進(jìn)行特征提取，其結(jié)構(gòu)是由多層受限玻爾茲曼機(jī)和一層反向傳播神經(jīng)網(wǎng)絡(luò)組成，網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)過(guò)程包括無(wú)監(jiān)督貪婪算法逐層訓(xùn)練和微調(diào)兩個(gè)階段；在在線定位階段，首先根據(jù)預(yù)處理后的信號(hào)指紋數(shù)據(jù)向量計(jì)算與各個(gè)聚類(lèi)中心的歐氏距離，判斷其所屬類(lèi)簇，然后利用訓(xùn)練好的對(duì)應(yīng)類(lèi)的深度置信網(wǎng)絡(luò)模型估測(cè)當(dāng)前目標(biāo)所在的位置。本發(fā)明可以適應(yīng)多變的電磁環(huán)境，提出的算法可以達(dá)到更好的指紋庫(kù)構(gòu)建效果，有效縮短定位時(shí)間，提高效率，并取得更好的定位精度。

摘要： 本發(fā)明公開(kāi)了一種基于小波分解和優(yōu)化深度置信網(wǎng)絡(luò)的光伏功率超短期概率預(yù)測(cè)方法，該方法利用小波分解對(duì)原始數(shù)據(jù)進(jìn)行三級(jí)分解，得到子序列，利用深度置信網(wǎng)絡(luò)分別對(duì)得到的子序列建立功率預(yù)測(cè)模型，并使用遺傳算法為模型尋找最優(yōu)初始參數(shù)，將各子模型得到的預(yù)測(cè)結(jié)果進(jìn)行等值加權(quán)得到最終預(yù)測(cè)結(jié)果；其次，在構(gòu)建的光伏功率點(diǎn)預(yù)測(cè)模型基礎(chǔ)上，對(duì)點(diǎn)預(yù)測(cè)誤差序列進(jìn)行分析，構(gòu)建基于t分布模型的光伏功率超短期概率預(yù)測(cè)模型，計(jì)算預(yù)測(cè)區(qū)間。本發(fā)明將小波分解技術(shù)、深度置信網(wǎng)絡(luò)和遺傳算法組合進(jìn)行光伏功率超短期概率預(yù)測(cè)，實(shí)現(xiàn)光伏功率超短期概率預(yù)測(cè)，給光伏電場(chǎng)調(diào)度人員提供了有效的決策信息。

摘要： 本發(fā)明公開(kāi)一種基于深度置信網(wǎng)絡(luò)和擴(kuò)展卡爾曼濾波的飛行器傳感器信號(hào)融合方法，首先，根據(jù)紅外和雷達(dá)傳感器不同的量測(cè)信號(hào)特征進(jìn)行時(shí)空對(duì)準(zhǔn)的信號(hào)預(yù)處理；然后，使用最優(yōu)數(shù)據(jù)壓縮算法將兩者的信息進(jìn)行壓縮融合，形成新的觀測(cè)量，并使用EKF實(shí)現(xiàn)飛行器的狀態(tài)估計(jì)；最后，使用DBN算法根據(jù)收到的估計(jì)值與觀測(cè)值實(shí)時(shí)估計(jì)并調(diào)整系統(tǒng)受到的實(shí)際觀測(cè)噪聲，提高EKF的跟蹤精度。通過(guò)本發(fā)明方法有效解決了飛行器飛行過(guò)程中紅外和雷達(dá)的傳感器信號(hào)融合以及環(huán)境噪聲的不確定性所導(dǎo)致的狀態(tài)估計(jì)困難的問(wèn)題。

摘要： 本發(fā)明公開(kāi)了一種基于深度置信網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷方法、系統(tǒng)及介質(zhì)，包括步驟：獲取旋轉(zhuǎn)機(jī)械關(guān)鍵部件的振動(dòng)信號(hào)，并將振動(dòng)信號(hào)轉(zhuǎn)換為玻爾茲曼機(jī)能夠讀取的數(shù)據(jù)格式；將振動(dòng)信號(hào)輸入到深度置信網(wǎng)絡(luò)進(jìn)行前向?qū)W習(xí)處理和反向微調(diào)處理得到樣本輸出數(shù)據(jù)，深度置信網(wǎng)絡(luò)由3個(gè)玻爾茲曼機(jī)疊加構(gòu)成；將樣本輸出數(shù)據(jù)分為訓(xùn)練集和驗(yàn)證集，將訓(xùn)練集輸入到一維卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征提取得到特征圖；使用soft?max分類(lèi)器根據(jù)特征圖對(duì)旋轉(zhuǎn)機(jī)械的不同健康狀況進(jìn)行分類(lèi)，以實(shí)現(xiàn)對(duì)旋轉(zhuǎn)機(jī)械的故障診斷。避免了傳統(tǒng)特征提取方法對(duì)于專(zhuān)業(yè)知識(shí)及先進(jìn)經(jīng)驗(yàn)的過(guò)度依賴，擁有較傳統(tǒng)方法更為高的識(shí)別分類(lèi)精度。