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
共找到8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：
基于自动编码器和支持向量机的飞机机动智能识别方法
1
作者 岳龙飞 杨任农 +3 位作者 杨文达 左家亮 刘会亮 许凌凯 《兵器装备工程学报》 CAS CSCD 北大核心 2024年第2期210-217,共8页
飞机机动动作识别是空战意图识别和智能决策的基础。针对传统机动动作识别方法存在的高维数据分析和特征提取能力不足、识别准确率不高的问题,考虑到机动数据的高维性、时序性的特点,提出基于正则化自动编码器-支持向量机(RAE-SVM)的飞... 飞机机动动作识别是空战意图识别和智能决策的基础。针对传统机动动作识别方法存在的高维数据分析和特征提取能力不足、识别准确率不高的问题,考虑到机动数据的高维性、时序性的特点,提出基于正则化自动编码器-支持向量机(RAE-SVM)的飞机机动动作识别方法。依据机动动作数据变化规律和专家经验知识,构建了基于时间段数据特征的机动动作样本库;将无监督的自动编码器神经网络强大的特征提取能力和有监督的支持向量机优异的分类性能相结合,构建基于RAE-SVM的机动识别模型,采用机动动作样本库训练模型;通过引入正则化提高了RAE网络的泛化性能和预测准确率;最后与多种现有方法进行准确性与实时性对比,并选取空战机动动作数据进行实例验证。结果表明:所提方法识别准确率为92.75%,对一组机动数据识别仅需2 ms,满足实时性要求。因此,该方法可以快速准确地进行飞机机动动作识别,具有一定实用价值。 展开更多
关键词 机动动作识别 正则化自动编码器 支持向量机 特征提取 无监督学习
在线阅读 下载PDF
基于改进叠加自动编码器轴承智能故障诊断方法 被引量：4
2
作者 陈国成 张建 菅光雷 《噪声与振动控制》 CSCD 北大核心 2022年第1期156-161,共6页
有效的智能故障诊断模型已经成为机械设备故障预测与健康管理的研究热点,故障诊断模型建立的重点工作是学习高分辨率的故障特征,传统方法往往过多依赖于人工或者先验知识,故急需以一种智能方式从输入信号中自动地提取特征。首先利用SAE... 有效的智能故障诊断模型已经成为机械设备故障预测与健康管理的研究热点,故障诊断模型建立的重点工作是学习高分辨率的故障特征,传统方法往往过多依赖于人工或者先验知识,故急需以一种智能方式从输入信号中自动地提取特征。首先利用SAE从振动信号的频谱中学习特征,并选用L1正则化约束SAE的学习能力防止模型产生过拟合现象;随后选用Softmax回归函数建立故障分类器,将提取的信号特征输入其中实现故障类型的分类。最后通过一组滚动轴承实验数据对所提方法的准确性进行验证,实验结果显示这种深度神经网络方法在进行轴承智能故障诊断时能够直接从频域信号中学习出高分辨率特征,并且能够达到98.93%的测试准确率,优于对比方法。 展开更多
关键词 故障诊断 频域信号 叠加自动编码器 L1正则化 Softmax回归
在线阅读 下载PDF
基于QPSO正则化极限学习机的轴承故障诊断 被引量：5
3
作者 刘鑫 任海莉 《组合机床与自动化加工技术》 北大核心 2021年第3期36-40,共5页
从复杂的振动信号中提取有效的故障特征并且得到准确的分类结果,建立可靠的故障诊断方法一直都是滚动轴承故障诊断研究中的关键课题。文章提出一种改进的正则化极限学习机(Regularized Extreme Learning Machine,RELM)应用于降噪自动编... 从复杂的振动信号中提取有效的故障特征并且得到准确的分类结果,建立可靠的故障诊断方法一直都是滚动轴承故障诊断研究中的关键课题。文章提出一种改进的正则化极限学习机(Regularized Extreme Learning Machine,RELM)应用于降噪自动编码器(Denoising AutoEncoder,DAE)的故障分类方法。首先,将振动信号经过快速傅里叶变换得到的频域系数作为高维数据,然后利用堆叠降噪自动编码器(Stacked Denoising Autoencoders,SDAE)对高维数据进行学习,提取更具鲁棒性的特征,再将该特征作为RELM的输入进行分类,得到故障诊断模型。针对RELM中正则化参数选取困难问题,采用量子粒子群优化算法(Quantum-behaved particle swarm optimization,QPSO)进行参数优化。实验结果表明,基于SDAE-RELM的诊断方法在泛化性和故障识别率都优于SDAE和其他分类算法结合的故障识别方法。 展开更多
关键词 滚动轴承 降噪自动编码器 正则化极限学习机 特征提取
在线阅读 下载PDF
基于泛化空间正则自动编码器的遥感图像识别 被引量：3
4
作者 杨倩文 孙富春 《清华大学学报（自然科学版）》 EI CAS CSCD 北大核心 2018年第2期113-121,共9页
为了解决遥感图像中的合成孔径雷达（synthetic aperture radar,SAR）图像的样本稀缺问题,该文提出了针对这一小样本问题的泛化空间和泛化样本理论,将机器学习的分类问题转化为泛化空间中的样本密度估计问题。首先,通过研究泛化空间方法... 为了解决遥感图像中的合成孔径雷达（synthetic aperture radar,SAR）图像的样本稀缺问题,该文提出了针对这一小样本问题的泛化空间和泛化样本理论,将机器学习的分类问题转化为泛化空间中的样本密度估计问题。首先,通过研究泛化空间方法,针对有限样本的识别分类问题建立了样本密度估计模型,并从理论上验证了泛化空间方法的可行性;其次,在正则化自动编码器模型中,加入了泛化规则作为新的正则化因子对图像重构误差进行约束,针对有限样本问题建立泛化正则自动编码器（generalized autoencoders,GAE）,并提出利用该算法进行图像识别的模型;最后,将该模型应用于遥感图像小样本目标识别问题中。实验结果表明：GAE在SAR图像中具有最优的小样本学习能力,在样本数量有限的情况下,该方法表现出最小的重构误差和测试错误率。在小样本输入情况下,GAE模型实现了对MSTAR图像以及船舶SAR图像的识别分类,进一步证明了该算法相比于同类算法在SAR图像小样本识别问题中更具有优势。 展开更多
关键词 泛化空间 正则化自动编码器(gae) 合成孔径雷达(SAR) 有限样本 无监督学习
原文传递
基于快速自编码的RELM的文本分类 被引量：3
5
作者 周杭霞 叶佳骏 任欢 《计算机工程与科学》 CSCD 北大核心 2016年第5期871-876,共6页
正则化极限学习机RELM是一种单隐层前馈神经网络,不同于传统神经网络算法,RELM通过随机设置输入层权重和偏置值,可以快速求得输出层权重,并且引入正则化因子,能够提高模型的泛化能力。针对文本信息高维度、多类别的问题,提出一种基于快... 正则化极限学习机RELM是一种单隐层前馈神经网络,不同于传统神经网络算法,RELM通过随机设置输入层权重和偏置值,可以快速求得输出层权重,并且引入正则化因子,能够提高模型的泛化能力。针对文本信息高维度、多类别的问题,提出一种基于快速自编码的正则化极限学习机FARELM。将由RELM改进后的快速自编码神经网络对样本进行无监督特征学习,并对特征提取后的数据使用RELM进行分类。实验表明,FA-RELM的学习速度和分类精度较优。 展开更多
关键词 文本分类 特征提取 自动编码器 正则化极限学习机
在线阅读 下载PDF
基于深层内嵌混合稀疏堆栈自动编码器和流形集成的精神病语音识别方法 被引量：1
6
作者 张毅 秦小林 +4 位作者 林远 李勇明 王品 张祖伟 李小飞 《生物医学工程学杂志》 EI CAS CSCD 北大核心 2021年第4期655-662,共8页
语音特征学习是精神病语音识别方法的核心和关键。深层特征学习可以自动提取语音特征,但受限于小样本问题;传统的特征提取(原始特征)避免小样本问题影响,但严重依赖经验且自适应不佳。为了解决这一问题,本文提出了一种深层内嵌混合稀疏... 语音特征学习是精神病语音识别方法的核心和关键。深层特征学习可以自动提取语音特征,但受限于小样本问题;传统的特征提取(原始特征)避免小样本问题影响,但严重依赖经验且自适应不佳。为了解决这一问题,本文提出了一种深层内嵌混合稀疏堆栈自动编码器流形集成算法。首先,基于先验知识提取精神病语音特征,构造原始特征。其次,将原始特征内嵌入到稀疏堆栈自动编码器(深度网络)中,对隐藏层的输出进行滤波,增强深层特征与原始特征的互补性。再次,设计L1正则化特征选择机制,压缩由深层特征和原始特征组成的混合特征集的维度。最后,设计了加权局部保持投影算法和集成学习机制,构造了流形投影分类器集成模型,进一步提高了小样本下特征融合的分类稳定性。此外,本文首次设计了一个中大规模的精神病语音采集方案,收集并构建了一个大规模的中文精神病语音数据库,用于精神病语音识别算法的验证。实验结果表明,该算法主要创新部分有效;与其他有代表性的算法相比具有更好的分类准确率,最大改善了3.3%。综上所述,本文提出了一种基于深层内嵌混合稀疏堆栈自动编码器和流形集成的精神病语音识别方法,有效提高了精神病语音识别准确率。 展开更多
关键词 精神病语音识别 深层内嵌混合特征稀疏堆栈自动编码器 L1正则化 特征融合 流形集成
原文传递
基于SDAE与RELM的EEG情感识别方法 被引量：2
7
作者 连卫芳 晁浩 刘永利 《计算机工程》 CAS CSCD 北大核心 2021年第9期75-83,共9页
针对情感识别中堆叠式自动编码器存在反向传播方法收敛速度慢和容易陷入局部最优的问题,提出一种基于堆叠式降噪自动编码器(SDAE)和正则化极限学习机(RELM)的情感状态识别方法。从脑电信号的时域、频域和时频域中提取表征情感状态的初... 针对情感识别中堆叠式自动编码器存在反向传播方法收敛速度慢和容易陷入局部最优的问题,提出一种基于堆叠式降噪自动编码器(SDAE)和正则化极限学习机(RELM)的情感状态识别方法。从脑电信号的时域、频域和时频域中提取表征情感状态的初始特征,使用SDAE进行无监督特征学习,提取初始特征的高层抽象表示。在网络的回归层,使用RELM进行情感分类。在DEAP数据集上的实验结果表明,与SDAE以及DT、KNN等传统基于机器学习的方法相比,该方法在实时性、准确性和泛化性能等方面均有明显提升。 展开更多
关键词 情感识别 脑电信号 情感特征 堆叠式降噪自动编码器 正则化极限学习机
在线阅读 下载PDF
基于随机特征映射的四层多核学习方法 被引量：4
8
作者 杨悦 王士同 《计算机应用》 CSCD 北大核心 2022年第1期16-25,共10页
针对单核网络模型的核函数选择无理论依据以及基于随机特征映射的四层神经网络(FRMFNN)节点规模过大的问题,提出了一种基于随机特征映射的四层多核学习神经网络(MK-FRMFNN)算法。首先,把原始输入特征通过特定的随机映射算法转化为随机... 针对单核网络模型的核函数选择无理论依据以及基于随机特征映射的四层神经网络(FRMFNN)节点规模过大的问题,提出了一种基于随机特征映射的四层多核学习神经网络(MK-FRMFNN)算法。首先,把原始输入特征通过特定的随机映射算法转化为随机映射特征;然后,经过不同的随机核映射生成多个基本核矩阵;最后,将基本核矩阵组成合成核矩阵,并通过输出权重连接到输出层。对原始特征进行随机映射的权重是根据任意连续采样概率分布随机生成的,不需要训练更新,且对输出层的权重使用岭回归伪逆算法进行快速求解,从而避免了反复迭代耗时的训练过程。MK-FRMFNN在基本核映射时引入了不同的随机权重矩阵,生成的合成核矩阵不仅可以综合各种核函数的优势,而且可以集合各种随机分布函数的特性,使数据在新的特征空间中获得更好的特征选择和表达效果。理论和实验分析表明,与宽度学习系统(BLS)及FRMFNN等单核模型相比,MK-FRMFNN模型的节点规模减小了2/3左右,且分类性能稳定;与主流的多种多核模型相比,MK-FRMFNN模型能够对大样本数据集进行学习,并且分类性能明显更优。 展开更多
关键词 随机特征映射 稀疏自动编码器 多核学习 岭回归 正则化
在线阅读 下载PDF
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
使用帮助 返回顶部