深度學(xué)習(xí)是指通過一些特定的訓(xùn)練方法對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練,從而得到一個(gè)含有多層級(jí)的深度網(wǎng)絡(luò)結(jié)構(gòu)的機(jī)器學(xué)習(xí)過程。隨著大數(shù)據(jù)時(shí)代的到來,深度學(xué)習(xí)已經(jīng)成為了當(dāng)前人工智能領(lǐng)域的一個(gè)研究熱點(diǎn),在語音、圖像、行為識(shí)別和NLP等多個(gè)領(lǐng)域都取得了成功的應(yīng)用。與不同對(duì)象相適應(yīng)用的深度學(xué)習(xí)模型不同,本文以深度學(xué)習(xí)為主體,基于VGG16和DBN模型,研究其在模擬電路故障診斷、混沌電路控制和PID參數(shù)整定中的應(yīng)用。針對(duì)模擬電路易發(fā)生故障,卻不易診斷的問題,提出一種基于VGG16的故障診斷方法來進(jìn)行故障診斷;針對(duì)電路容易出現(xiàn)混沌現(xiàn)象且難以進(jìn)行控制的問題,提出了一種基于DBN的混沌電路追蹤控制方法;針對(duì)PID參數(shù)難以整定的問題,提出一種基于LOGFA-DBN的PID參數(shù)整定方法。本文所做的主要研究工作如下:（1）提出一種基于深度學(xué)習(xí)的模擬電路故障診斷方法。為了改善傳統(tǒng)的模擬電路故障診斷方法其故障識(shí)別分類精度不高或者可識(shí)別種類較少的問題,提出了一種基于VGG16的模擬電路故障診斷方法,該方法首先將采樣的原始數(shù)據(jù)制作成語音形式,然后通過時(shí)頻域變化轉(zhuǎn)化為語譜圖,最后再將其送入VGG16模型中進(jìn)行訓(xùn)練與測(cè)試。并將Sallen... 

【文章來源】：湘潭大學(xué)湖南省

【文章頁數(shù)】：76 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

算法流程圖

圖 3-2 語譜圖3.2.3 訓(xùn)練分類模型及預(yù)測(cè)利用訓(xùn)練數(shù)據(jù)對(duì) VGG16 模型進(jìn)行訓(xùn)練，得到最優(yōu)的故障分類模型，然后再將測(cè)試數(shù)據(jù)送入模型進(jìn)行測(cè)試。模型訓(xùn)練和測(cè)試的具體步驟如下：(1)搭建 VGG16 網(wǎng)絡(luò)模型，隨機(jī)初始化模型每一層的權(quán)重系數(shù) W 和偏移系數(shù) b，設(shè)置分類數(shù)目、訓(xùn)練步數(shù)、學(xué)習(xí)率等相關(guān)參數(shù)；(2)將訓(xùn)練數(shù)據(jù)輸入到模型中;(3)根據(jù)式（3-1）逐級(jí)計(jì)算得到模型最后一層輸出；(4)根據(jù)式（3-2）對(duì)輸出進(jìn)行 softmax 處理，然后根據(jù)式（3-3）計(jì)算計(jì)算其交叉熵，最后再取均值得到損失函數(shù)；(5)用梯度下降法對(duì)損失函數(shù)進(jìn)行優(yōu)化，然后再根據(jù)式（3-4）和（3-5）反向傳播回每一層進(jìn)行參數(shù)更新；(6)判斷是否達(dá)到迭代次數(shù)。是，執(zhí)行步驟 7；否，返回執(zhí)行步驟 3；(7)保存訓(xùn)練好的權(quán)重系數(shù)和偏移系數(shù)；

圖 3-3 Sallen-Key 結(jié)構(gòu)圖圖 3-4 Sallen-Key 仿真電路結(jié)構(gòu)如圖 3-3 所示�；� Multisim10.0 的仿，選取電路中的2R 、3R 、1C 和2C 作為故障器R32kΩ5%R23kΩ5%C15nF5%VCC1C25nF5%R44kΩ1Ω40V-12V6572VCCVEE13

【參考文獻(xiàn)】：
期刊論文
[1]基于遺傳神經(jīng)網(wǎng)絡(luò)PID整定的電液位置伺服系統(tǒng)[J]. 馬淑可,麥云飛.  農(nóng)業(yè)裝備與車輛工程. 2018(09)
[2]基于雙向LSTM語義強(qiáng)化的主題建模[J]. 彭敏,楊紹雄,朱佳暉.  中文信息學(xué)報(bào). 2018(04)
[3]基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)PID自整定的研究[J]. 葉海平.  云南民族大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(02)
[4]基于信息熵的DBN網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化[J]. 廖強(qiáng),張杰.  信息通信. 2018(01)
[5]深度學(xué)習(xí)相關(guān)研究綜述[J]. 張軍陽,王慧麗,郭陽,扈嘯.  計(jì)算機(jī)應(yīng)用研究. 2018(07)
[6]基于多層卷積特征融合的目標(biāo)尺度自適應(yīng)穩(wěn)健跟蹤[J]. 王鑫,侯志強(qiáng),余旺盛,金澤芬芬,秦先祥.  光學(xué)學(xué)報(bào). 2017(11)
[7]深度神經(jīng)網(wǎng)絡(luò)的發(fā)展現(xiàn)狀[J]. 胡聰叢,胡桓.  電子技術(shù)與軟件工程. 2017(04)
[8]基于自適應(yīng)卷積特征的目標(biāo)跟蹤算法[J]. 蔡玉柱,楊德東,毛寧,楊福才.  光學(xué)學(xué)報(bào). 2017(03)
[9]基于憶阻器反饋的Lorenz超混沌系統(tǒng)及其電路實(shí)現(xiàn)[J]. 阮靜雅,孫克輝,牟俊.  物理學(xué)報(bào). 2016(19)
[10]一種基于膠質(zhì)細(xì)胞鏈的改進(jìn)深度信念網(wǎng)絡(luò)模型[J]. 耿志強(qiáng),張怡康.  自動(dòng)化學(xué)報(bào). 2016(06)

碩士論文
[1]異步電機(jī)矢量控制系統(tǒng)設(shè)計(jì)及其PI控制器參數(shù)優(yōu)化研究[D]. 羅豪.湖南大學(xué) 2009



本文編號(hào)：3026397