深度信念网络

摘要： 针对当前工业互联网的攻击行为复杂,其网络数据具有海量、高维、时序性和非线性等特征,导致传统入侵检测方法的特征提取困难、检测率低、泛化能力差等问题,提出一种融合深度信念网络(deep belief network,DBN)和双向长短时记忆网络(Bi-directional long short-term memory,BiLSTM)的深度混合入侵检测模型。对数据集进行预处理;利用深度信念网络和双向长短时记忆网络分别对非线性特征和长距离依赖信息进行特征提取;利用softmax分类器识别入侵行为。测试结果表明,相较于目前领先的算法,该方法在天然气管道数据集上的准确率提高了0.82%,误报率降低了0.35%;在UNSW-NB15数据集上的准确率提高了2.40%,误报率降低了4.17%。

摘要： 针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于深度学习融合网络的轴承故障识别新方法。该方法首先对轴承振动信号进行一定程度的随机损坏,并将加噪后的数据输入卷积降噪自编码器(convolutional denoising autoencoder, CDAE)中对网络进行训练,目的是降低信号中的噪声干扰并提取浅层特征;然后,利用深度信念网络(deep belief network, DBN)学习深层特征并建立轴承状态识别模型,输出故障识别结果。在融合模型中,将卷积降噪自编码器作为网络的第一层以增强网络的抗干扰能力,提高故障的识别精度。使用凯斯西储大学(CWRU)滚动轴承数据对所提模型进行验证,结果表明提出的融合模型在噪声环境下能够较好地实现轴承的故障状态识别。

摘要： 为解决风电机组单一健康状态模型可能发生误报的问题,提出一种基于信息融合的风电机组整机性能评估方法。首先改进了局部离群因子算法(LOF),用于筛选正常运行数据,使用Kendall相关系数进行参数选择,并基于深度信念网络(DBN)建立多个健康状态模型,提取实际运行数据与模型预测值的残差作为性能特征。再使用自组织映射神经网络(SOM)将残差空间映射到风电机组运行状态空间以实现信息融合,通过计算状态劣化指数来构建性能指标的方法,对风电机组进行性能评估。最后,通过实际的风电机组运行数据验证了所提方法的有效性。

摘要： 针对航空发动机结构复杂、干扰因素多、叶片裂纹特征提取困难及难以精确诊断等问题,提出一种基于改进深度信念网络(deep belief networks,简称DBNs)的三维叶尖间隙叶片裂纹特征提取与诊断方法。首先,根据DBNs重构误差的传递规律,通过全局反向重构(global back-reconstruction,简称GBR)机制构建一种能自适应调节深度的DBNs,以避免深层特征退化导致的特征表征能力不足的问题;其次,利用改进DBNs从叶片三维叶尖间隙中自适应学习深层裂纹特征;最后,采用Softmax回归模型建立深层特征与叶片裂纹间的复杂映射,实现叶片裂纹精确诊断。叶片裂纹诊断试验结果表明:所提方法能有效提取叶片裂纹特征,平均诊断精度达到98.43%,标准差仅为0.092%,具有较好的稳定性和泛化能力,能有效实现叶片裂纹诊断。

摘要： 针对航空液压管路故障识别困难的问题,提出了一种基于非线性自适应卡尔曼滤波器(NAKF)和深度信念网络(DBN)的液压管路智能故障诊断方法。首先,在传统卡尔曼滤波器(KF)的基础上,利用最小二乘法修正构造的Sigma点,消除高斯分布对Sigma点影响,提出了非线性自适应卡尔曼滤波器,并用其对仿真信号进行了降噪处理;然后,对液压管路实测振动信号中的随机噪声进行了去除,对深度信念网络模型参数进行了设计,并将液压管路数据集输入到深度信念网络模型中进行了训练;最后,基于同一样本数据,分别采用支持向量机(SVM)和反向传播神经网络(BPNN)等模型进行了训练处理,利用分类准确率等两个指标,对3种故障诊断模型进行了综合评估,对3种模型分类性能进行了对比分析。研究结果表明:采用NAKF-DBN智能故障模型得到的液压管路故障诊断准确率能达到99.72%,SVM模型和BPNN模型等浅层网络的平均故障诊断准确率不高于95%,而未经非线性自适应卡尔曼滤波器滤波的深度信念网络的诊断准确率仅有86.58%;该结果验证了NAKF-DBN模型对于液压管路故障识别的有效性,可以为航空液压管路的智能化诊断提供新思路。

摘要： 滚动轴承的故障智能诊断研究多是针对同源数据进行,而不同型号、不同工况下的滚动轴承,由于时、频特征差异,加之背景噪声的影响,导致识别准确率偏低。为了解决这一问题,笔者以6307和6205两类深沟球轴承为研究对象,建立了以深度信念网络(deep belief network,简称DBN)为核心的迁移诊断模型,构造了以波形指标、峭度指标、近似熵及分散熵为代表的特征识别参数。为了抑制信号传递路径(共振频带差异)和背景噪声的影响,引入最大相关峭度反卷积(maximum correlated kurtosis deconvolution,简称MCKD)方法,并对其关键参数实施了自适应选取。结果表明,由MCKD与DBN联合组成的迁移诊断模型,在3类不同数据源之间的诊断准确率均超过了95%,为滚动轴承的迁移特征诊断提供了一条可行的途径。

摘要： 在电子商务迅速发展,企业快速抢占市场的背景下,客户成为企业竞争的核心因素。现有相关研究多致力于采用全数据输入模式解析客户流失现象,不同类型客户造成的差异性还有待进一步探讨。鉴于传统RFM模型不能精确解释电子商务客户流失原因,该研究将客户分为活跃与非活跃两个集群,提出一种优化的RFM理论模型与深度信念网络实证模型对电子商务客户流失进行预测。结果表明,不同类型客户流失因素的影响强度不同。对活跃用户而言,客户购买总金额是影响客户流失的主要因素;对非活跃用户而言,客户进入店铺的时间越长越可能留住客户。通过剖析非活跃用户不流失和活跃用户流失的原因,可帮助企业制定有效的客户管理策略,以最大程度地吸引潜在客户及保留现有客户,获取最多的市场利益。

摘要： 针对传统Gabor小波变换提取的特征向量维数较高以及DBN在完成人脸识别时会忽略局部信息的问题,提出了一种基于GCSLBP的DBN人脸识别算法(Gabor fusion central symmetric local binary pattern deep belief network,GCSLBP-DBN)。该算法首先改进了原始的Gabor变换,通过引入中心对称局部二值模式方法(local binary pattern,LBP)进行优化,然后利用直方图的方法表示最终的特征向量,既提取到图像丰富的局部特征,又能降低特征向量维数。最后使用深度信念网络方法提高分类鲁棒性,完成人脸的分类和识别。该算法已在ORL和CMU_PIE数据集上进行仿真实验,实验结果表明,本文GCSLBP-DBN算法有效的提高了人脸识别率,在光照等变换下也具有鲁棒性。

摘要： 随着我国电力体制改革的不断深入,电力市场建设取得重大进展。电价是电力市场的关键影响因素,每个参与者都基于电价进行电力交易。因此,提高电价预测的精度对于电力市场中每个参与者而言都十分重要。采用单层神经网络预测的预测精度有限。为此,根据机器学习在预测方面展示出的精准度,采用深度信念网络的方法对日前电价进行预测。在算例部分,采用美国PJM电力市场的真实数据进行仿真预测,并与其他神经网络的预测模型进行比较。算例结果表明,采用的深度信念网络模型的预测精度更高,使用深度信念网络可以为我国售电公司进行电价预测提供一种有效的方法。

摘要： 为解决信息不完备情况下的检测准确率低、时间长的问题,提出面向不完备信息的网络入侵检测方法。针对信息不完备,采用基于SMOTE的采样方法增加少数类样本,实现信息特征稳定下的数据完备化。针对特征冗余,构建基于DBN的特征低维映射,实现数据降维,以便轻量级检测。基于SVM算法,精准捕捉入侵特征,实现快速的轻量级入侵检测。实验结果表明,信息完备化处理提高了罕见攻击的检测准确率,特征降维大幅降低了检测时长。

摘要： 针对语音情感识别中的特征提取的问题,提出了一种新的特征提取方式,利用深度神经网络(DNN)中的深度信念网络(DBNs)自动提取语音信号中情感特征.通过训练一个5层的深度信念网络提取语音情感特征,把连续多帧的语音并在一起,构成一个高维的特征,把深度信念网络训练完的特征作为非线性支持向量机(SVM)分类器的输入端,最终建立一个语音情感识别多分类器系统.其识别率为86.5％比传统的基于提取句子的时间构造、振幅构造、基频构造等特征的方法提高7％.

摘要： 随着互联网技术的不断发展,越来越多的企业与个人将自己的产品以服务的形式发布在网络供用户使用.而由于用户需求的不断复杂,单一的服务已经难以满足用户的要求.基于SOA架构的服务系统将多个服务系统进行组合,构建出一个能够满足用户复杂需求的新系统.但是由于网络环境复杂多变,使得服务系统的运行面临巨大的威胁,每个组件服务的性能都可能随时发生波动甚至产生级联效应,从而对整个服务系统产生影响.为了保障服务系统的稳定运行,可靠性预测逐渐受到了越来越多研究者的关注.本文引入时间序列作为解决问题的基础,利用深度信念网络进行建模,分析运行参数与未来可靠性之间的内在关系,从而对服务的未来时间的可靠性进行准确预测.

摘要： 民航客运量是航空运输的重要组成部分,对民航客运量的精确预测是航空港口规划和管理的重要依据之一.为了降低民航客运量各影响因素间的复杂相关性对模型性能的影响,建立了一种基于深度信念网络(DBN)和最小二乘支持向量机(LSSVM)相结合的民航客运量预测模型.首先通过深度信念网络对数据进行特征提取,消除变量之间的相关性,以减少最小二乘支持向量机模型的输入;并结合一种新型混沌粒子群—模拟退火混合优化(CPSO-SA)算法对模型参数进行优化,以提高模型的预测性能及泛化能力.通过将DBN-LSSVM模型方法应用于全国民航客运量的预测中,并与RBF、 LSSVM及PCA-LSSVM模型相比,结果表明DBNLSSVM模型方法能有效提高民航客运量的预测精度和预测稳定性.

摘要： 针对DBN检测模型的顶层BP网络对模型检测准确率的限制,文章构造了一种与深度信念极限学习机(ELM)相融合的入侵检测模型——DBN-ELM检测模型.该模型将深度信念网络在特征学习方面的优势与极限学习机在单隐层前馈神经网络学习方面的优势结合在一起,有效解决了DBN检测模型的不足.DBN-ELM检测模型与DBN检测模型对比实验表明,DBN-ELM检测模型在误报率和准确率方面都得到了提升.

摘要： 虽然经典的DBN具有良好的逐层特征提取功能,并且在软件可靠性预测当中也发挥了很大的作用,但还存在数据训练时花费时间较多,测试误差率相对较大的缺点,所以DBN的网络算法和结构上仍然有改进的空间.该文对经典的DBN模型算法和结构进行了改进,通过修改网络权值的确定方法,与自组织算法结合进行输入维数确定,自动调整隐层单元的数量,最后模型输出与支持向量机(SVM)分类器相结合.这样不但很大程度上减少每一层信息量的损失和减少数据训练的时间,还可以提高软件可靠性预测模型的预测精度.该文最后通过实验将改进的DBN软件可靠性预测模和经典的DBN软件可靠性预测模型作对比,验证经过改进的软件可靠性预测模型的优越性.

摘要： 虽然经典的DBN具有良好的逐层特征提取功能,并且在软件可靠性预测当中也发挥了很大的作用,但还存在数据训练时花费时间较多,测试误差率相对较大的缺点,所以DBN的网络算法和结构上仍然有改进的空间.该文对经典的DBN模型算法和结构进行了改进,通过修改网络权值的确定方法,与自组织算法结合进行输入维数确定,自动调整隐层单元的数量,最后模型输出与支持向量机(SVM)分类器相结合.这样不但很大程度上减少每一层信息量的损失和减少数据训练的时间,还可以提高软件可靠性预测模型的预测精度.该文最后通过实验将改进的DBN软件可靠性预测模和经典的DBN软件可靠性预测模型作对比,验证经过改进的软件可靠性预测模型的优越性.

摘要： 虽然经典的DBN具有良好的逐层特征提取功能,并且在软件可靠性预测当中也发挥了很大的作用,但还存在数据训练时花费时间较多,测试误差率相对较大的缺点,所以DBN的网络算法和结构上仍然有改进的空间.该文对经典的DBN模型算法和结构进行了改进,通过修改网络权值的确定方法,与自组织算法结合进行输入维数确定,自动调整隐层单元的数量,最后模型输出与支持向量机(SVM)分类器相结合.这样不但很大程度上减少每一层信息量的损失和减少数据训练的时间,还可以提高软件可靠性预测模型的预测精度.该文最后通过实验将改进的DBN软件可靠性预测模和经典的DBN软件可靠性预测模型作对比,验证经过改进的软件可靠性预测模型的优越性.

摘要： 虽然经典的DBN具有良好的逐层特征提取功能,并且在软件可靠性预测当中也发挥了很大的作用,但还存在数据训练时花费时间较多,测试误差率相对较大的缺点,所以DBN的网络算法和结构上仍然有改进的空间.该文对经典的DBN模型算法和结构进行了改进,通过修改网络权值的确定方法,与自组织算法结合进行输入维数确定,自动调整隐层单元的数量,最后模型输出与支持向量机(SVM)分类器相结合.这样不但很大程度上减少每一层信息量的损失和减少数据训练的时间,还可以提高软件可靠性预测模型的预测精度.该文最后通过实验将改进的DBN软件可靠性预测模和经典的DBN软件可靠性预测模型作对比,验证经过改进的软件可靠性预测模型的优越性.

摘要： 针对DBN处理小样本脑电信号训练时间长且存在过拟合的问题,提出基于随机隐退的DBN算法对左右手运动想象脑电信号进行分类识别.先对原始脑电数据进行降维预处理,然后输入到随机隐退DBN模型中进行训练,得到最优参数值后进行分类识别.实验结果表明,与CSP、PCA、单一DBN网络等方法相比,基于随机隐退的DBN算法在保持较高识别率的同时,降低了对数据集的训练处理时间,证明了该方法的有效性.最后在智能轮椅平台上验证了该算法的可行性.

摘要： 针对DBN处理小样本脑电信号训练时间长且存在过拟合的问题,提出基于随机隐退的DBN算法对左右手运动想象脑电信号进行分类识别.先对原始脑电数据进行降维预处理,然后输入到随机隐退DBN模型中进行训练,得到最优参数值后进行分类识别.实验结果表明,与CSP、PCA、单一DBN网络等方法相比,基于随机隐退的DBN算法在保持较高识别率的同时,降低了对数据集的训练处理时间,证明了该方法的有效性.最后在智能轮椅平台上验证了该算法的可行性.

摘要： 本发明涉及一种基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法，属于移动通信领域，包括步骤S1：针对切片网络中SFC业务资源需求的动态性特征，建立综合迁移开销和带宽开销的系统开销模型；S2：为了实现自发的VNF迁移，实时监控虚拟网络功能或链路的资源使用情况，采用基于在线学习的自适应DBN预测的方法及时发现其所部署的底层节点或链路中的资源热点；S3：根据预测结果设计基于拓扑感知的动态迁移方法以减少系统开销；S4：提出基于禁忌搜索的优化方法进一步优化迁移策略。本发明的预测方法不仅加快了训练网络的收敛速度，而且有很好地预测效果，与迁移方法结合在一起有效地降低了系统开销和服务等级协议违例次数，提高了网络服务的性能。

摘要： 一种基于深度信念网络检测网络入侵类型的方法，由提取数据集、数据集预处理、初始化深度信念网络、优化深度信念网络、训练优化后的深度信念网络、测试训练好的深度信念网络步骤组成。本发明将深度信念网络模型作为网络入侵检测分类模型，提出了深度信念网络模型中基本网络结构的适应度标准，用该标准提出了一种用于寻找优化网络结构的改进粒子群优化方法，用该方法寻优直到找到全局优化网络结构。本发明方法经过仿真实验，实验结果表明，本发明方法显著地提高了入侵检测分类准确率，降低了入侵检测误报率和检测时间，检测网络入侵类型的准确率在98％以上，误报率低，在1.13％以下，可用于检测网络入侵类型。

摘要： 本发明涉及一种基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法，属于移动通信领域，包括步骤S1：针对切片网络中SFC业务资源需求的动态性特征，建立综合迁移开销和带宽开销的系统开销模型；S2：为了实现自发的VNF迁移，实时监控虚拟网络功能或链路的资源使用情况，采用基于在线学习的自适应DBN预测的方法及时发现其所部署的底层节点或链路中的资源热点；S3：根据预测结果设计基于拓扑感知的动态迁移方法以减少系统开销；S4：提出基于禁忌搜索的优化方法进一步优化迁移策略。本发明的预测方法不仅加快了训练网络的收敛速度，而且有很好地预测效果，与迁移方法结合在一起有效地降低了系统开销和服务等级协议违例次数，提高了网络服务的性能。

摘要： 本发明公开了一种基于改进黑猩猩算法优化深度信念网络的股票预测方法，其特征在于：包括以下步骤：S1:将股票数据输入到DBN网络中，初始化网络的结构，包含网络的隐含层数、每层的神经元数、学习率、批处理样本数，并对样本数据进行训练；S2:选用DBN模型输出预测值的平均百分比误差MAPE作为优化目标函数；使用黑猩猩优化算法，对DBN的学习率和批处理样本数参数进行优化，避免人为经验设置参数造成的网络性能不稳定性，从而获得最佳的参数组合，提高了DBN模型对于不同股票数据的预测性能。

摘要： 本发明涉及一种基于深度信念网络的数据融合在环境空气预报中应用的方法，该方法首先将监测点位的大气数据和气象数据进行预处理，去除缺测值，并对数据进行归一化处理，然后将处理后的数据输入深度信念网络(DBN)进行训练，得到训练模型，通过深度信念网络(DBN)模型对数据进行数据融合，将融合后的数据应用在环境空气预报中，并将结果返回给用户。本发明通过深度信念网络(DBN)进行数据融合的方法，相比于使用D‑S证据理论方法，降低了环境空气预报的误差，提高了相应的准确性，同时可以实现智能化监测。

摘要： 本发明涉及混合动力汽车领域，特别是涉及一种基于深度信念网络的动力电池SOC预测方法。一种基于深度信念网络的动力电池SOC预测方法，所述动力电池用于混合动力汽车中，所述预测方法包括：提供所述动力电池特征参数的实验室恒流放电数据集；采集所述动力电池特征参数的实际工况数据；使用所述实验室恒流放电数据集训练DBN模型，得到训练完毕的DBN模型；以及将所述实际工况数据输入至所述训练完毕的DBN模型，得到动力电池预测SOC。上述动力汽车SOC预测方法将所述动力电池特征参数的实验室恒流放电数据集训练DBN模型，再将所述动力电池特征参数的实际工况数据输入训练好的DBN模型，不需要深入研究动力电池的内部结构就可以获取运行中的SOC值。

摘要： 本发明公开了一种深度信念网络DBN结构的动态设计及提高股票预测性能，包括隐含层和隐藏神经元的增减；本发明解决了DBN网络结构的问题，以连接权重的范数方根为判断依据，筛选舍弃或分裂的隐层神经元，再根据网络的平均绝对百分比误差来确定神经网络的深度，这样的设计方法不仅调节了隐藏神经元的个数，还考虑了隐藏层的变化，最后得到的网络不仅保留了原始网络的主要结构，提升了网络性能，并且在运行过程中计算简单。该设计不仅能够自动捕捉数据的特征信息来确定网络结构，还能够提升DBN在股票数据预测中的准确度。

摘要： 本发明公开一种基于深度信念网络的自动扶梯制动力智能诊断系统，包括，A．制动距离、制动器振幅以及自动扶梯技术参数的采集并将数据上传至制动性能数据库；B．深度学习建立自动扶梯制动力预估模型和建立自动扶梯制动力故障诊断模型；C．制动性能数据库对数据存储并约减；D．约减后的数据与制动力预估模型和制动力故障诊断模型对比；E．比对结果通过制动力智能诊断平台查看实时数据并预警。有益效果是，利用深度信念网络预估自动扶梯的制动力范围及从自动扶梯故障原始数据中直接提取有用故障特征并识别故障状态，能够第一时间得到制动力异常的预警和制动力故障的诊断结果，及时排查自动扶梯存在的隐患，实现智能管理，提高自动扶梯运行效率。

摘要： 本发明涉及一种基于深度信念网络的航天器惯性姿态敏感器故障诊断方法，包括：对航天器惯性姿态敏感器的数据样本进行预处理；对航天器惯性姿态敏感器的故障模式进行故障编码，并根据编码结果对预处理后的数据样本进行标注；选择深度信念网络的层数和节点，搭建深度信念网络；利用标注后的数据样本对深度信念网络进行训练，并对网络层数和节点数进行优化，最终得到用于航天器惯性姿态敏感器故障诊断的DBN网络进而完成航天器惯性姿态敏感器故障诊断。本发明充分挖掘多个惯性姿态敏感器数据之间的关联关系以及异常数据与故障之间的映射关系，实现航天器惯性姿态敏感器故障的高效、准确诊断。

摘要： 本发明公开了一种基于多核协同学习和深度信念网络的特征提取方法及系统，包括：获取人脸表情图像信息，将所述人脸表情图像信息输入到训练好的深度信念网络，得到人脸表情分类结果；其中，对于深度信念网络的训练过程包括：将三张同一个人脸不同角度的图像分别放入三个DBN网络，三个DBN网络根据视野的不同来提取同一个人脸图像的三个不同特征，将提取到的特征分别放入与DBN网络连接的分类器中，利用小于设定数量的已标记的样本和大于设定数量的未标记样本对多个分类器进行协同训练。本发明实现了利用大量未标记样本进行分类器训练的目的，降低了DBN对人工标记样本的依赖，提高了深度信念网络的实用性。