并行化深度学习算法及其应用研究

发布时间：2017-09-10 17:46

  本文关键词：并行化深度学习算法及其应用研究

  更多相关文章： 高速列车 故障诊断 雷达对抗 辐射源信号分选识别 深度学习 深度信念网络 Hadoop

【摘要】：随着高速列车的快速发展,高速列车安全性问题逐渐引起人们的重视。高速列车振动监测数据为分析列车服役性能提供了条件。然而,如何及时准确地从这些海量数据中挖掘故障特性进行故障诊断,是目前存在的难题。同样,现代雷达对抗面临着战场电磁环境日益复杂的问题。如何从各种复杂的、长期累积的侦察数据中提取出新的有效特征进行雷达辐射源信号分选识别也是难点。深度学习是近年来机器学习领域中的研究热点,深度信念网络(DBN)作为构造这种深层结构的先驱,具备强大的数据特征表达能力。因此,本文将DBN算法分别应用于高速列车故障诊断与雷达辐射源信号分选识别当中。首先本文深入分析深度信念网络算法(DBN),将DBN算法与Hadoop平台结合,构建了并行化DBN算法。并选取标准MNIST数据集进行实验,实验结果显示数字总体识别率达到98%,加速比提高到3,从而说明并行化DBN算法在识别结果准确率、并行化效率方面具有良好表现。然后分析高速列车正常和故障振动数据的时域、频域特性。利用信号的频谱系数初始化DBN的可见单元后,运用并行化DBN算法对高速列车振动数据进行深层特征提取并进行故障分类。实验结果表明,通过对较好通道的统计结果来看,列车故障辨识的识别率为96%,故障定位识别率为89%,且算法效率有一些提升。最后分析5种体制下的雷达辐射源信号五参数特征。利用信号的五参数特征初始化DBN的可见单元,将并行化DBN算法应用于雷达辐射源信号分选识别中,实现对雷达辐射源信号进行抽象特征提取及分类。实验结果表明,雷达辐射源信号平均分类正确率为94%,且分类速度有所提升。
【关键词】：高速列车 故障诊断 雷达对抗 辐射源信号分选识别 深度学习 深度信念网络 Hadoop
【学位授予单位】：西南交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U279.3;TP181
【目录】：

• 摘要6-7
• Abstract7-11
• 第一章 绪论11-17
• 1.1 研究背景11-13
• 1.2 国内外研究现状13-16
• 1.2.1 列车故障诊断技术研究现状13-14
• 1.2.2 雷达辐射源分选识别技术研究现状14-15
• 1.2.3 深度学习研究现状15-16
• 1.3 本文研究内容和章节安排16-17
• 第二章 深度学习概述17-28
• 2.1 深度学习思想17-20
• 2.1.1 深层学习与浅层学习17-18
• 2.1.2 深度学习的基本思想18-19
• 2.1.3 深度学习的训练过程19-20
• 2.2 深度学习模型20-27
• 2.2.1 深度自动编码器20-22
• 2.2.2 卷积神经网络22-23
• 2.2.3 受限玻尔兹曼机23-26
• 2.2.4 深度信念网络26-27
• 2.3 本章小结27-28
• 第三章 基于Hadoop的并行化深度学习算法28-40
• 3.1 并行化设计思路28-29
• 3.1.1 数据并行与模型并行28-29
• 3.1.2 GPU加速29
• 3.1.3 计算集群29
• 3.2 Hadoop概述29-32
• 3.3 并行化深度信念网络在Hadoop上的实现32-36
• 3.4 并行化深度学习在手写字体库中的验证36-39
• 3.4.1 实验环境36-37
• 3.4.2 数据介绍37
• 3.4.3 模型参数设置思路37
• 3.4.4 实验结果分析37-39
• 3.5 本章小结39-40
• 第四章 并行化深度学习在高速列车故障诊断中的应用40-48
• 4.1 高速列车动力学仿真模型40-42
• 4.1.1 高速列车转向架结构40-41
• 4.1.2 高速列车监测数据仿真41-42
• 4.2 高速列车振动信号分析42-43
• 4.3 基于DBN的高速列车故障诊断43-47
• 4.3.1 基于DBN的高速列车故障诊断模型43-44
• 4.3.2 基于DBN的高速列车监测数据特征提取44-45
• 4.3.3 基于DBN的高速列车故障诊断结果45-47
• 4.4 本章小结47-48
• 第五章 并行化深度学习在雷达辐射源信号识别中的应用48-57
• 5.1 雷达辐射源信号分选识别概述48-49
• 5.2 基于DBN的雷达辐射源分选识别模型49-50
• 5.3 实验数据介绍50-53
• 5.4 实验结果53-55
• 5.4.1 特征分析53-54
• 5.4.2 分选识别结果54-55
• 5.5 本章小结55-57
• 总结与展望57-58
• 总结57
• 展望57-58
• 致谢58-59
• 参考文献59-64
• 攻读硕士学位期间发表的学术论文和参与的项目64

【相似文献】

中国期刊全文数据库 前10条

1 陈水福,孙炳楠,唐锦春;建筑绕流风场的并行化数值模拟[J];浙江大学学报(自然科学版);1998年05期

2 郭克榕,唐新春;基于多层循环并行化的负载平衡优化[J];国防科技大学学报;1997年05期

3 郭庆平,陈先桥,肖金生,徐凯声;交错多重网格方法及其并行化技术[J];武汉交通科技大学学报;1997年02期

4 康继昌,于跃,洪远麟;流场计算程序并行化方法的研究[J];航空学报;1993年08期

5 赵世光,陈文培,严隽琪;港口机械产品制造生产过程的并行化改造[J];机械工程师;1999年07期

6 龚雪晶;慈林林;姚康泽;;分裂合并算法的优化及并行化方案[J];北京理工大学学报;2007年09期

7 彭继忠,黄利平,冯升华,李建明,童秉枢;虚拟企业并行化产品开发模式研究[J];中国机械工程;2001年S1期

8 丁晓宁,傅游,康继昌;面向CFD的交互式并行化技术研究[J];西北工业大学学报;2003年01期

9 倪安宁;高林杰;肖光年;;交通网络微观仿真并行化实现方法[J];系统管理学报;2014年04期

10 花嵘,傅游;计算机模拟薄气体流动的并行化方法研究[J];山东科技大学学报(自然科学版);2003年03期

中国重要会议论文全文数据库 前7条

1 兰彤;冯玉才;肖伟器;;空间连接处理的并行化研究[A];数据库研究进展97——第十四届全国数据库学术会议论文集（上）[C];1997年

2 张雯;骆志刚;赵翔;王金华;靳新;;剪接比对软件sim4的并行化研究与实现[A];2006年全国开放式分布与并行计算学术会议论文集（一）[C];2006年

3 王本龙;龚凯;刘桦;;自由表面流动问题的并行化SPH方法求解[A];中国力学学会学术大会'2009论文摘要集[C];2009年

4 王峰;杨建俊;张天爵;许淑艳;;不同操作平台上的MCNP并行化计算[A];中国原子能科学研究院年报 2009[C];2010年

5 徐金秀;张天刚;;NCC区域气候模式算法分析及并行化实现[A];2006年全国开放式分布与并行计算学术会议论文集（一）[C];2006年

6 陈皓;罗月童;刘晓平;;基于MPI的光子映射算法并行化[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

7 曹琰;王清贤;魏强;尹中旭;;基于相容和搜索结合的并行约束求解方法[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

中国重要报纸全文数据库 前3条

1 ;服务器软件的并行化革命[N];网络世界;2006年

2 谢涛;英特尔：忽视并行化软件后果很危险[N];电脑商报;2008年

3 记者 鲁媛媛;英特尔软件进入并行时代[N];网络世界;2009年

中国博士学位论文全文数据库 前6条

1 郭琦;异构多核可重构平台指令并行化关键问题研究[D];中国科学技术大学;2015年

2 程兴国;仿生算法的动态反馈机制及其并行化实现方法研究[D];华南理工大学;2013年

3 丁晓宁;面向CFD的交互式并行化技术研究[D];西北工业大学;2002年

4 张平;并行化编译器中并行程序自动生成和性能优化技术研究[D];解放军信息工程大学;2006年

5 傅游;稀薄气体Monte Carlo数值仿真并行化技术研究与实现[D];西北工业大学;2002年

6 董春丽;并行化编译中数据和计算的自动划分及优化技术研究[D];解放军信息工程大学;2007年

中国硕士学位论文全文数据库 前10条

1 赖梓昌;基于MPCore多核并行化的宽景视觉研究与实现[D];西南交通大学;2015年

2 于静雯;复杂网络社团发现算法的并行化设计与研究[D];辽宁师范大学;2015年

3 梁雪琦;极限学习机并行化算法及在NO_x排放预测中的应用[D];太原理工大学;2016年

4 王鑫;近海生态环境预评估系统并行化与可视化研究[D];河北工程大学;2016年

5 杨友星;CHAID算法并行化及其在信用风险分析中的应用[D];长春工业大学;2016年

6 付小利;并行化深度学习算法及其应用研究[D];西南交通大学;2016年

7 杨茜;基于密度的聚类算法并行化研究及在视网膜血管提取中的应用[D];北京交通大学;2016年

8 吕晨阳;基于AP算法的社区检测算法及其并行化研究[D];电子科技大学;2016年

9 金煈;协同过滤算法及其并行化研究[D];南京大学;2012年

10 李莹;基于共享存储结构的并行化技术及其优化问题的研究[D];中国石油大学（华东）;2013年

，

本文编号：825749