变分自编码器在环境噪声消除中的应用研究

1

作者 李红玲 《电声技术》 2024年第8期105-107,共3页

针对语音信号中的环境噪声影响问题,研究一种基于变分自编码器(Variational Auto-Encoder,VAE)的噪声消除方法,并进行了相关实验验证。首先,深入研究VAE的基本原理;其次,引入L_2正则化方法优化VAE,以提高模型的泛化能力和健壮性;最后,利... 针对语音信号中的环境噪声影响问题,研究一种基于变分自编码器(Variational Auto-Encoder,VAE)的噪声消除方法,并进行了相关实验验证。首先,深入研究VAE的基本原理;其次,引入L_2正则化方法优化VAE,以提高模型的泛化能力和健壮性;最后,利用ESC-50和VCTK数据集构建包含环境噪声的语音信号数据集,并在此基础上进行了一系列实验。实验结果表明,所提方法能够有效降低环境噪声对语音信号的影响。 展开更多

关键词 变分自编码器(VAE) 正则化 环境噪声 去噪

下载PDF 职称材料

基于导向重构与降噪稀疏自编码器的合成孔径雷达目标识别 被引量：2

2

作者 王健 秦春霞 +1 位作者 杨珂 任萍 《兵工学报》 EI CAS CSCD 北大核心 2020年第9期1861-1870,共10页

为解决现有合成孔径雷达(SAR)目标识别算法泛化能力差和算法复杂度高等问题,提出一种基于导向重构与降噪稀疏自编码器的SAR目标识别分类算法。利用导向重构算法对SAR图像进行两尺度融合预处理,生成一维图像矢量并作归一化处理,以降低图... 为解决现有合成孔径雷达(SAR)目标识别算法泛化能力差和算法复杂度高等问题,提出一种基于导向重构与降噪稀疏自编码器的SAR目标识别分类算法。利用导向重构算法对SAR图像进行两尺度融合预处理,生成一维图像矢量并作归一化处理,以降低图像输出特征的维度,提高预处理的速度;采用减少降噪自编码器隐层神经元方式对图像进行低维特征抽取和识别;使用Softmax分类器进行分类处理。实验结果表明,通过导向重构与降噪稀疏自编码器的SAR目标识别算法,不仅提高了目标识别性能以及泛化能力,而且降低了自编码器的隐层神经元数量和计算复杂度,网络结构也得到改进和优化。 展开更多

关键词 合成孔径雷达 导向重构 降噪稀疏自编码器 正则化Softmax 目标识别

下载PDF 职称材料

基于低维流形模型的图拉普拉斯正则化的点云去噪算法 被引量：1

3

作者 梁宏 《科技和产业》 2021年第9期37-42,共6页

针对目前点云去噪算法易忽略边缘特征的问题,为了保留点云的显著结构特征,提高点云去噪的精度,提出一种基于低维流形的去噪算法。假设点云分布在高维空间的低维流形上,利用点云间表面的自相似性建立图拉普拉斯模型以近似流形结构,结合... 针对目前点云去噪算法易忽略边缘特征的问题,为了保留点云的显著结构特征,提高点云去噪的精度,提出一种基于低维流形的去噪算法。假设点云分布在高维空间的低维流形上,利用点云间表面的自相似性建立图拉普拉斯模型以近似流形结构,结合图的正则化约束,实现点云的精确去噪,最后通过计算均方误差对算法进行定量评价。实验结果表明,提出的点云去噪算法具有较小的误差,并且能够较好地保留视觉显著结构特征。 展开更多

关键词 点云去噪 低维流形 图拉普拉斯正则化

下载PDF 职称材料

基于QPSO正则化极限学习机的轴承故障诊断 被引量：5

4

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

下载PDF 职称材料

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

5

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MRSDAE-KPCA结合Bi-LST的滚动轴承剩余使用寿命预测 被引量：1

6

作者 古莹奎 陈家芳 石昌武 《噪声与振动控制》 CSCD 北大核心 2024年第3期95-100,145,共7页

针对现有滚动轴承剩余使用寿命预测方法在提取数据特征时没有充分考虑数据的内部分布,且在构建健康因子时还需要专家经验进行人工提取等问题,提出一种基于流形正则化堆栈去噪自编码器、核主成分分析并结合双向长短时记忆网络的滚动轴承... 针对现有滚动轴承剩余使用寿命预测方法在提取数据特征时没有充分考虑数据的内部分布,且在构建健康因子时还需要专家经验进行人工提取等问题,提出一种基于流形正则化堆栈去噪自编码器、核主成分分析并结合双向长短时记忆网络的滚动轴承剩余使用寿命预测方法。首先采用无监督的堆栈去噪自编码器网络对原始振动数据进行深层特征提取,并使用核主成分分析法进一步降维,以提高健康因子的指标稳定性;然后在堆栈去噪自编码器中加入流形正则化,最大程度保留编码器隐藏层内部的数据分布结构,提高模型提取数据特征的有效性。最后使用双向长短时记忆网络预测轴承的剩余使用寿命,并采用AdaMax优化算法对网络模型的超参数进行自适应寻优。分析结果表明,提出的滚动轴承剩余使用寿命预测方法具有更高的精度。 展开更多

关键词 故障诊断 滚动轴承 剩余使用寿命预测 健康因子 流形正则化堆栈去噪自编码器 双向长短时记忆网络

下载PDF 职称材料

基于深度流形表示学习的工业过程多故障识别方法

7

作者 宫亮 马宗杰 杨煜普 《计算机与数字工程》 2020年第10期2425-2429,共5页

深度流形表示学习对于自动学习系统的本质特征有着重要的作用。论文提出了一种基于深度流形表示学习的多故障识别方法。所提的多故障识别方法可以分为三个阶段:第一,将故障识别问题转化为分类问题,定义正常和故障状态,以及预处理原始数... 深度流形表示学习对于自动学习系统的本质特征有着重要的作用。论文提出了一种基于深度流形表示学习的多故障识别方法。所提的多故障识别方法可以分为三个阶段:第一,将故障识别问题转化为分类问题,定义正常和故障状态,以及预处理原始数据;第二,利用深度流形表示学习对深度神经网络进行预训练;第三,利用故障标签数据全局训练深度网络。所提出的方法被应用于由一种典型的工业系统生成的两个不同尺寸以及多个故障类型的数据集。测试结果表明,所提方法能够准确预测故障类型,优于其他两种分类方法。此外,由于所提出的方法仅需要数据,因此很容易迁移到其他的工业系统。 展开更多

关键词 深度流形表示学习 堆栈去噪自动编码器 工业过程多故障识别

下载PDF 职称材料

基于MRSDAE-SOM结合HGRU的滚动轴承RUL预测

8

作者 陈家芳 刘钰凡 吴朗 《现代制造工程》 CSCD 北大核心 2024年第3期148-155,53,共9页

基于传统方法预测轴承剩余使用寿命(Residual Useful Life,RUL),步骤繁多,成本昂贵,且模型不具泛化性。现有的基于深度学习(Deep Learning,DL)的预测方法,由于数据量过大,经常导致模型出现过拟合现象,从而使模型精度不高。为了克服以上... 基于传统方法预测轴承剩余使用寿命(Residual Useful Life,RUL),步骤繁多,成本昂贵,且模型不具泛化性。现有的基于深度学习(Deep Learning,DL)的预测方法,由于数据量过大,经常导致模型出现过拟合现象,从而使模型精度不高。为了克服以上缺点,提出一种基于MRSDAE-SOM结合HGRU的滚动轴承RUL预测方法。首先,使用无监督式网络流形正则化堆栈去噪自编码器(Manifold Regularization Stack Denoising Auto Encoder,MRSDAE)结合自组织映射(Self-Or-ganizing Mapping,SOM)构建轴承健康因子(Health Indicator,HI)。然后,通过分层门控循环单元(Hierarchical Gated Re-current Unit,HGRU)网络建立预测模型,HGRU网络通过加入多尺度层和密集层,使其具有捕获时序特征且集成不同时间尺度注意力信息的能力。最后,通过实验验证表明,相比于其他基于数据驱动的方法,所提方法构建健康因子使用无监督方式,高效快捷且便于应用;预测模型泛化能力好,并有效防止了过拟合现象,实现了更高的预测精度。 展开更多

关键词 深度学习 剩余使用寿命 流形正则化堆栈去噪自编码器 分层门控循环单元

下载PDF 职称材料

基于流形正则化与成对约束的深度半监督谱聚类算法 被引量：6

9

作者 肖成龙 张重鹏 +3 位作者 王珊珊 张睿 王万里 魏宪 《系统科学与数学》 CSCD 北大核心 2020年第8期1325-1341,共17页

现有的子空间聚类方法以数据全局线性分布为前提,利用先验约束估计未标记数据点的低维子空间,并将其聚类到相应组中,对非线性结构的数据处理存在一定缺陷.受启发于深度学习以其强大的非线性学习表征能力在众多应用中取得巨大成功,文章... 现有的子空间聚类方法以数据全局线性分布为前提,利用先验约束估计未标记数据点的低维子空间,并将其聚类到相应组中,对非线性结构的数据处理存在一定缺陷.受启发于深度学习以其强大的非线性学习表征能力在众多应用中取得巨大成功,文章在数据表示中加入成对约束,并运用流形正则化理论,采用k近邻构造全局相似度矩阵,通过与自编码器的联合学习,提出基于流形正则化与成对约束的深度半监督谱聚类算法(MPAE).该算法一方面在学习数据的低维表示时同时保留数据的可重构性和局部流形结构的全局特征,另一方面将已知样本间的成对约束信息融入目标优化设计,使学习到的低维特征更具有判别性,这在很大程度上提高了所得算法的聚类性能.实验结果表明文章算法能够取得理想的聚类结果. 展开更多

关键词 子空间聚类 成对约束 自编码器 相似度矩阵 流形正则化

原文传递

基于SDAE与RELM的EEG情感识别方法 被引量：2

10

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

下载PDF 职称材料

面向工业入侵检测的数据增强与特征提取的研究 被引量：2

11

作者 宗学军 金琼 李鹏程 《计算机应用与软件》 北大核心 2023年第6期315-322,共8页

随着工业控制网络(Industrial Control Network,ICN)高速发展,ICN安全已经是全球性重要问题之一,工业入侵检测作为一种ICN安全防护技术成为研究热点。在工业入侵检测中,由于ICN数据存在攻击样本不平衡、特征维度高的问题,提出一种辅助... 随着工业控制网络(Industrial Control Network,ICN)高速发展,ICN安全已经是全球性重要问题之一,工业入侵检测作为一种ICN安全防护技术成为研究热点。在工业入侵检测中,由于ICN数据存在攻击样本不平衡、特征维度高的问题,提出一种辅助生成对抗网络(Auxiliary Classifier Generative Adversarial Networks,ACGAN)与正则化堆栈稀疏自编码器(Batch Normalization Stacked Sparse Auto-Encoder,BN-SSAE)相结合的深度学习方法,运用ACGAN数据增强和BN-SSAE深层次特征提取解决上述问题,再使用多层感知机(MultiLayer Perceptron,MLP)进行分类,得到入侵检测结果。以ACGAN、BN-SSAE和MLP为基础建立工业入侵检测模型,使用密西西比州立大学数据集进行实验,结果表明该模型符合工业入侵检测的要求。利用加拿大网络安全研究所的CICIDS2017数据集进行验证,证明该模型在工业入侵检测中具有可行性和有效性。 展开更多

关键词 工业控制网络 辅助生成对抗网络 数据增强 正则化堆栈稀疏自编码器 特征提取

下载PDF 职称材料