本文關(guān)鍵詞：深度神經(jīng)網(wǎng)絡(luò)算法研究及應(yīng)用

  更多相關(guān)文章： 深度神經(jīng)網(wǎng)絡(luò) 自動(dòng)編碼器 壓縮感知 邊際化自動(dòng)編碼器 車輪磨耗

【摘要】：深度神經(jīng)網(wǎng)絡(luò)通過組合低層特征形成更加抽象的高層表示屬性類別或特征,以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。同時(shí)深度神經(jīng)網(wǎng)絡(luò)也是近年來人工智能和大數(shù)據(jù)分析領(lǐng)域研究的熱點(diǎn)。但基于自動(dòng)編碼器的深度神經(jīng)網(wǎng)絡(luò)算法還存在訓(xùn)練過程中隨機(jī)置零注入噪聲導(dǎo)致某些關(guān)鍵信息丟失和訓(xùn)練耗時(shí)嚴(yán)重等方面的局限。因此,本文通過深入分析深度神經(jīng)網(wǎng)絡(luò)的三種常見模型,提出基于壓縮感知的自動(dòng)編碼器和自適應(yīng)噪聲的邊際化自動(dòng)編碼器模型,彌補(bǔ)了人為隨機(jī)注入噪聲的不足以及降低了模型訓(xùn)練耗時(shí)。論文首先在標(biāo)準(zhǔn)MNIST數(shù)據(jù)集上對改進(jìn)方法進(jìn)行驗(yàn)證,然后將改進(jìn)的深度神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于高速列車的車輪磨耗狀態(tài)識別,結(jié)果表明該方法能夠高效地提取出反映高速列車車輪磨耗狀態(tài)的有效特征并進(jìn)行狀態(tài)識別,為高速列車安全、平穩(wěn)運(yùn)行提供保障。具體研究工作如下：1、針對現(xiàn)有降噪自動(dòng)編碼器在注入噪聲時(shí)的局限性,提出基于壓縮感知的深度自動(dòng)編碼器方法,解決了噪聲注入的隨機(jī)性,提高了算法的精確度和抗噪性。在MNIST數(shù)據(jù)集上進(jìn)行對比分析實(shí)驗(yàn),驗(yàn)證算法有效性和實(shí)用性。2、針對自動(dòng)編碼器對高維數(shù)據(jù)訓(xùn)練時(shí)間較長以及邊際化自動(dòng)編碼器每層注入噪聲固定的缺點(diǎn),提出自適應(yīng)噪聲的邊際化深度自動(dòng)編碼器方法,提高了算法識別精度,同時(shí)縮短了模型訓(xùn)練時(shí)間。在標(biāo)準(zhǔn)的MNIST數(shù)據(jù)集及MNIST變體數(shù)據(jù)集上進(jìn)行方法驗(yàn)證。實(shí)驗(yàn)表明該方法不僅克服了每層固定添加噪聲的局限性,而且大大縮短了模型的訓(xùn)練時(shí)間,并在MNIST數(shù)據(jù)集的數(shù)字識別中取得較好結(jié)果。3、針對高速列車車輪踏面磨耗監(jiān)測數(shù)據(jù),應(yīng)用深度神經(jīng)網(wǎng)絡(luò)及改進(jìn)的算法對高速列車車輪磨耗狀態(tài)進(jìn)行識別,取得了較好的分類識別效果。對高速列車車輪磨耗實(shí)測監(jiān)測數(shù)據(jù)進(jìn)行實(shí)驗(yàn)分析,實(shí)驗(yàn)結(jié)果表明：在此種條件下,該方法能夠有效地識別高速列車車輪磨耗狀態(tài),為高速列車車輪磨耗識別提供了新思路。本文的研究內(nèi)容是國家自然科學(xué)基金重點(diǎn)項(xiàng)目《監(jiān)測數(shù)據(jù)的高速列車服役安全性態(tài)評估的關(guān)鍵問題研究》的重要組成部分。
【關(guān)鍵詞】：深度神經(jīng)網(wǎng)絡(luò) 自動(dòng)編碼器 壓縮感知 邊際化自動(dòng)編碼器 車輪磨耗
【學(xué)位授予單位】：西南交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP183
【目錄】：

• 摘要6-7
• Abstract7-11
• 第1章 緒論11-17
• 1.1 背景及意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-15
• 1.3 主要研究內(nèi)容和研究思路15
• 1.4 結(jié)構(gòu)安排15-17
• 第2章 深度神經(jīng)網(wǎng)絡(luò)理論17-26
• 2.1 深度信念網(wǎng)模型17-18
• 2.2 卷積神經(jīng)網(wǎng)絡(luò)模型18
• 2.3 編碼器模型18-25
• 2.3.1 人工神經(jīng)網(wǎng)絡(luò)18-20
• 2.3.2 自動(dòng)編碼器20-23
• 2.3.3 單層降噪自動(dòng)編碼器23-25
• 2.3.4 深度降噪自動(dòng)編碼器25
• 2.4 本章小結(jié)25-26
• 第3章 基于壓縮感知的深度自動(dòng)編碼器26-36
• 3.1 壓縮感知理論26
• 3.2 基于壓縮感知的自動(dòng)編碼器26-31
• 3.2.1 單層壓縮感知自動(dòng)編碼器26-28
• 3.2.2 壓縮感知的深度自動(dòng)編碼器28-31
• 3.3 實(shí)驗(yàn)及其結(jié)果分析31-35
• 3.4 本章小結(jié)35-36
• 第4章 基于自適應(yīng)噪聲的邊際化深度自動(dòng)編碼器36-44
• 4.1 邊際化深度自動(dòng)編碼器36-39
• 4.1.1 單層降噪自動(dòng)編碼36-37
• 4.1.2 單層邊際化自動(dòng)編碼器37-38
• 4.1.3 邊際化深度自動(dòng)編碼器38-39
• 4.2 自適應(yīng)噪聲的邊際化深度自動(dòng)編碼器39-41
• 4.3 實(shí)驗(yàn)及其結(jié)果分析41-43
• 4.4 本章小結(jié)43-44
• 第5章 基于改進(jìn)深度神經(jīng)網(wǎng)絡(luò)的高速列車車輪磨耗識別44-58
• 5.1 高速列車車輪輪軌關(guān)系44-46
• 5.1.1 車輪輪對結(jié)構(gòu)44-45
• 5.1.2 列車輪軌接觸狀態(tài)及影響45-46
• 5.2 高速列車車輪踏面磨耗實(shí)測磨耗數(shù)據(jù)分析46-57
• 5.2.1 實(shí)測數(shù)據(jù)46-47
• 5.2.2 車輪磨耗振動(dòng)數(shù)據(jù)分析及結(jié)果47-57
• 5.3 本章小結(jié)57-58
• 總結(jié)與展望58-60
• 論文主要工作總結(jié)58-59
• 有待研究的問題59-60
• 致謝60-61
• 參考文獻(xiàn)61-66
• 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文、專利和參與的項(xiàng)目66

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前4條

1 曲建嶺;杜辰飛;邸亞洲;高峰;郭超然;;深度自動(dòng)編碼器的研究與展望[J];計(jì)算機(jī)與現(xiàn)代化;2014年08期

2 秦勝君;盧志平;;基于降噪自動(dòng)編碼器的不平衡情感分類研究[J];科學(xué)技術(shù)與工程;2014年12期

3 段寶彬;韓立新;;改進(jìn)的深度卷積網(wǎng)絡(luò)及在碎紙片拼接中的應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2014年09期

4 ;[J];;年期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前5條

1 梁湘群;基于Gabor特征與深度自動(dòng)編碼器的笑臉識別方法[D];五邑大學(xué);2015年

2 吳海燕;基于自動(dòng)編碼器的半監(jiān)督表示學(xué)習(xí)與分類學(xué)習(xí)研究[D];重慶大學(xué);2015年

3 林雨;極限學(xué)習(xí)機(jī)與自動(dòng)編碼器的融合算法研究[D];吉林大學(xué);2016年

4 龐榮;深度神經(jīng)網(wǎng)絡(luò)算法研究及應(yīng)用[D];西南交通大學(xué);2016年

5 雒玉璽;稀疏自動(dòng)編碼器及其加速算法的研究[D];蘭州大學(xué);2014年

，

本文編號：977704