深度神经网络算法研究及应用

发布时间：2017-10-05 16:05

  本文关键词：深度神经网络算法研究及应用

  更多相关文章： 深度神经网络 自动编码器 压缩感知 边际化自动编码器 车轮磨耗

【摘要】：深度神经网络通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。同时深度神经网络也是近年来人工智能和大数据分析领域研究的热点。但基于自动编码器的深度神经网络算法还存在训练过程中随机置零注入噪声导致某些关键信息丢失和训练耗时严重等方面的局限。因此,本文通过深入分析深度神经网络的三种常见模型,提出基于压缩感知的自动编码器和自适应噪声的边际化自动编码器模型,弥补了人为随机注入噪声的不足以及降低了模型训练耗时。论文首先在标准MNIST数据集上对改进方法进行验证,然后将改进的深度神经网络算法应用于高速列车的车轮磨耗状态识别,结果表明该方法能够高效地提取出反映高速列车车轮磨耗状态的有效特征并进行状态识别,为高速列车安全、平稳运行提供保障。具体研究工作如下：1、针对现有降噪自动编码器在注入噪声时的局限性,提出基于压缩感知的深度自动编码器方法,解决了噪声注入的随机性,提高了算法的精确度和抗噪性。在MNIST数据集上进行对比分析实验,验证算法有效性和实用性。2、针对自动编码器对高维数据训练时间较长以及边际化自动编码器每层注入噪声固定的缺点,提出自适应噪声的边际化深度自动编码器方法,提高了算法识别精度,同时缩短了模型训练时间。在标准的MNIST数据集及MNIST变体数据集上进行方法验证。实验表明该方法不仅克服了每层固定添加噪声的局限性,而且大大缩短了模型的训练时间,并在MNIST数据集的数字识别中取得较好结果。3、针对高速列车车轮踏面磨耗监测数据,应用深度神经网络及改进的算法对高速列车车轮磨耗状态进行识别,取得了较好的分类识别效果。对高速列车车轮磨耗实测监测数据进行实验分析,实验结果表明：在此种条件下,该方法能够有效地识别高速列车车轮磨耗状态,为高速列车车轮磨耗识别提供了新思路。本文的研究内容是国家自然科学基金重点项目《监测数据的高速列车服役安全性态评估的关键问题研究》的重要组成部分。
【关键词】：深度神经网络 自动编码器 压缩感知 边际化自动编码器 车轮磨耗
【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】：TP183
【目录】：

• 摘要6-7
• Abstract7-11
• 第1章 绪论11-17
• 1.1 背景及意义11-12
• 1.2 国内外研究现状12-15
• 1.3 主要研究内容和研究思路15
• 1.4 结构安排15-17
• 第2章 深度神经网络理论17-26
• 2.1 深度信念网模型17-18
• 2.2 卷积神经网络模型18
• 2.3 编码器模型18-25
• 2.3.1 人工神经网络18-20
• 2.3.2 自动编码器20-23
• 2.3.3 单层降噪自动编码器23-25
• 2.3.4 深度降噪自动编码器25
• 2.4 本章小结25-26
• 第3章 基于压缩感知的深度自动编码器26-36
• 3.1 压缩感知理论26
• 3.2 基于压缩感知的自动编码器26-31
• 3.2.1 单层压缩感知自动编码器26-28
• 3.2.2 压缩感知的深度自动编码器28-31
• 3.3 实验及其结果分析31-35
• 3.4 本章小结35-36
• 第4章 基于自适应噪声的边际化深度自动编码器36-44
• 4.1 边际化深度自动编码器36-39
• 4.1.1 单层降噪自动编码36-37
• 4.1.2 单层边际化自动编码器37-38
• 4.1.3 边际化深度自动编码器38-39
• 4.2 自适应噪声的边际化深度自动编码器39-41
• 4.3 实验及其结果分析41-43
• 4.4 本章小结43-44
• 第5章 基于改进深度神经网络的高速列车车轮磨耗识别44-58
• 5.1 高速列车车轮轮轨关系44-46
• 5.1.1 车轮轮对结构44-45
• 5.1.2 列车轮轨接触状态及影响45-46
• 5.2 高速列车车轮踏面磨耗实测磨耗数据分析46-57
• 5.2.1 实测数据46-47
• 5.2.2 车轮磨耗振动数据分析及结果47-57
• 5.3 本章小结57-58
• 总结与展望58-60
• 论文主要工作总结58-59
• 有待研究的问题59-60
• 致谢60-61
• 参考文献61-66
• 攻读硕士学位期间发表的学术论文、专利和参与的项目66

【相似文献】

中国期刊全文数据库 前4条

1 曲建岭;杜辰飞;邸亚洲;高峰;郭超然;;深度自动编码器的研究与展望[J];计算机与现代化;2014年08期

2 秦胜君;卢志平;;基于降噪自动编码器的不平衡情感分类研究[J];科学技术与工程;2014年12期

3 段宝彬;韩立新;;改进的深度卷积网络及在碎纸片拼接中的应用[J];计算机工程与应用;2014年09期

4 ;[J];;年期

中国硕士学位论文全文数据库 前5条

1 梁湘群;基于Gabor特征与深度自动编码器的笑脸识别方法[D];五邑大学;2015年

2 吴海燕;基于自动编码器的半监督表示学习与分类学习研究[D];重庆大学;2015年

3 林雨;极限学习机与自动编码器的融合算法研究[D];吉林大学;2016年

4 庞荣;深度神经网络算法研究及应用[D];西南交通大学;2016年

5 雒玉玺;稀疏自动编码器及其加速算法的研究[D];兰州大学;2014年

，

本文编号：977704