期刊文献+
任意字段
题名或关键词
题名
关键词
摘要
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248篇文章
< 1 2 … 13 >
每页显示 20 50 100
已选0条
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：
An Auto Encoder-Enhanced Stacked Ensemble for Intrusion Detection in Healthcare Networks 认领 引用
1
作者 Fatma S.Alrayes Mohammed Zakariah +2 位作者 Mohammed K.Alzaylaee Syed Umar Amin Zafar Iqbal Khan 《Computers, Materials & Continua》 SCIE EI 2025年第11期3457-3484,共28页
Healthcare networks prove to be an urgent issue in terms of intrusion detection due to the critical consequences of cyber threats and the extreme sensitivity of medical information.The proposed Auto-Stack ID in the st... Healthcare networks prove to be an urgent issue in terms of intrusion detection due to the critical consequences of cyber threats and the extreme sensitivity of medical information.The proposed Auto-Stack ID in the study is a stacked ensemble of encoder-enhanced auctions that can be used to improve intrusion detection in healthcare networks.TheWUSTL-EHMS 2020 dataset trains and evaluates themodel,constituting an imbalanced class distribution(87.46% normal traffic and 12.53% intrusion attacks).To address this imbalance,the study balances the effect of training Bias through Stratified K-fold cross-validation(K=5),so that each class is represented similarly on training and validation splits.Second,the Auto-Stack ID method combines many base classifiers such as TabNet,LightGBM,Gaussian Naive Bayes,Histogram-Based Gradient Boosting(HGB),and Logistic Regression.We apply a two-stage training process based on the first stage,where we have base classifiers that predict out-of-fold(OOF)predictions,which we use as inputs for the second-stage meta-learner XGBoost.The meta-learner learns to refine predictions to capture complicated interactions between base models,thus improving detection accuracy without introducing bias,overfitting,or requiring domain knowledge of the meta-data.In addition,the auto-stack ID model got 98.41% accuracy and 93.45%F1 score,better than individual classifiers.It can identify intrusions due to its 90.55% recall and 96.53% precision with minimal false positives.These findings identify its suitability in ensuring healthcare networks’security through ensemble learning.Ongoing efforts will be deployed in real time to improve response to evolving threats. 展开更多
关键词 Intrusion detection auto encoder stacked ensemble WUSTL-EHMS 2020 dataset class imbalance XGBoost
暂未订购 下载PDF
Feature Enhanced Stacked Auto Encoder for Diseases Detection in Brain MRI 认领 引用 被引量：1
2
作者 Umair Muneer Butt Rimsha Arif +2 位作者 Sukumar Letchmunan Babur Hayat Malik Muhammad Adil Butt 《Computers, Materials & Continua》 SCIE EI 2023年第8期2551-2570,共20页
The detection of brain disease is an essential issue in medical and research areas.Deep learning techniques have shown promising results in detecting and diagnosing brain diseases using magnetic resonance imaging(MRI)... The detection of brain disease is an essential issue in medical and research areas.Deep learning techniques have shown promising results in detecting and diagnosing brain diseases using magnetic resonance imaging(MRI)images.These techniques involve training neural networks on large datasets of MRI images,allowing the networks to learn patterns and features indicative of different brain diseases.However,several challenges and limitations still need to be addressed further to improve the accuracy and effectiveness of these techniques.This paper implements a Feature Enhanced Stacked Auto Encoder(FESAE)model to detect brain diseases.The standard stack auto encoder’s results are trivial and not robust enough to boost the system’s accuracy.Therefore,the standard Stack Auto Encoder(SAE)is replaced with a Stacked Feature Enhanced Auto Encoder with a feature enhancement function to efficiently and effectively get non-trivial features with less activation energy froman image.The proposed model consists of four stages.First,pre-processing is performed to remove noise,and the greyscale image is converted to Red,Green,and Blue(RGB)to enhance feature details for discriminative feature extraction.Second,feature Extraction is performed to extract significant features for classification using DiscreteWavelet Transform(DWT)and Channelization.Third,classification is performed to classify MRI images into four major classes:Normal,Tumor,Brain Stroke,and Alzheimer’s.Finally,the FESAE model outperforms the state-of-theart,machine learning,and deep learning methods such as Artificial Neural Network(ANN),SAE,Random Forest(RF),and Logistic Regression(LR)by achieving a high accuracy of 98.61% on a dataset of 2000 MRI images.The proposed model has significant potential for assisting radiologists in diagnosing brain diseases more accurately and improving patient outcomes. 展开更多
关键词 Brain diseases deep learning feature enhanced stacked auto encoder stack auto encoder
暂未订购 下载PDF
基于SCADA数据和改进SAE的风电机组状态监测研究 认领 引用
3
作者 杨磊 《能源与环保》 2026年第1期143-147,共5页
以提高风电机组状态监测的准确性与效率为目标,提出一种基于改进堆栈式自动编码器的风电机组状态监测方法,在数据采集与监视控制系统数据预处理方面,依次进行数据清洗、缺失值填充、平滑处理、归一化、标准化以及特征提取和选择,以提升... 以提高风电机组状态监测的准确性与效率为目标,提出一种基于改进堆栈式自动编码器的风电机组状态监测方法,在数据采集与监视控制系统数据预处理方面,依次进行数据清洗、缺失值填充、平滑处理、归一化、标准化以及特征提取和选择,以提升数据质量。针对传统堆栈式自动编码器在处理风电机组数据时的过拟合风险、特征提取不充分及训练时间长等问题,引入正则化技术、优化网络结构,并采用加速训练算法进行改进。研究构建的风电机组状态监测模型包含数据预处理模块、改进堆栈式自动编码器、状态评估模块和故障预警模块,能够实时监测风电机组运行状态并提前预警潜在故障。在某风电厂开展为期1个月的实际应用结果表明,模型的数据采集与监视控制系统数据存储占用缩减率平均为25.55%,故障报警准确率平均为92.35%,特征提取准确率达到97.85%,且模型响应时间为0.45 s,数据吞吐量达1800条/min。所提方法在降低数据存储需求、精准故障报警以及高效特征提取方面的良好性能,具有较好的实际应用潜力。 展开更多
关键词 数据采集与监视控制系统 堆栈式自动编码器 风电机组 故障预警
暂未订购 下载PDF
基于KPCA-SAE-BP模型的有源干扰识别算法 认领 引用 被引量：2
4
作者 赵忠臣 刘利民 +2 位作者 解辉 韩壮志 荆贺 《现代防御技术》 北大核心 2025年第3期159-166,共8页
针对强噪声环境下雷达新型有源干扰识别准确率不高的问题,提出了一种KPCA-SAE-BP网络算法。提取干扰信号时域、频域、波形域、小波域、双谱域等特征构建67维输入空间,经过核主成分分析(kernel principal component analysis,KPCA)将高... 针对强噪声环境下雷达新型有源干扰识别准确率不高的问题,提出了一种KPCA-SAE-BP网络算法。提取干扰信号时域、频域、波形域、小波域、双谱域等特征构建67维输入空间,经过核主成分分析(kernel principal component analysis,KPCA)将高维数据进行非线性降维与重构,利用SAE-BP神经网络完成分类识别。仿真结果表明,在干噪比(JNR)大于-1 dB的强噪声环境中,KPCA-SAE-BP网络算法对6种新型有源干扰的识别准确率达到90%以上,训练与识别时间少于0.7 s。相同参数条件下,与经典BP神经网络、SAE-BP网络、KPCA-BP网络、GA-BP网络相比,具有更好的检测识别性能。 展开更多
关键词 有源干扰识别 核主成分分析 堆叠自编码器 反向传播神经网络 特征提取 特征降维
暂未订购 下载PDF
基于NSSAE的批次发酵过程质量相关与质量无关故障检测与诊断 认领 引用
5
作者 刘忠 章政 +1 位作者 楼旭阳 朱金林 《食品工业科技》 EI CAS 北大核心 2025年第3期1-10,共10页
为了解决批次发酵过程中质量无关故障所可能引起的不必要停机,本文提出了噪声半监督堆叠自编码器(Noised semi-supervised stacked auto-encoder,NSSAE)算法以区分质量相关与质量无关故障。首先,基于互信息计算过程变量与质量变量间互信... 为了解决批次发酵过程中质量无关故障所可能引起的不必要停机,本文提出了噪声半监督堆叠自编码器(Noised semi-supervised stacked auto-encoder,NSSAE)算法以区分质量相关与质量无关故障。首先,基于互信息计算过程变量与质量变量间互信息,并对数据加入噪声以提高算法对质量相关信息挖掘能力。其次,构建NSSAE的过程监测模型,在模型的首层自编码器和最后一层自编码器中构建故障检测和质量相关检测指标,并利用核密度估计计算对应的控制极限。最后,利用深度重构贡献图(Deep reconstruction-based contribution,DRBC)定位故障根源。从数值仿真和乳酸菌批次发酵实验结果可知,本文提出的NSSAE算法能够准确区分质量相关与无关故障,首层的残差空间的检测指标的故障检测率接近100%,最后一层隐空间的检测指标能够准确识别质量相关故障和质量无关故障。基于DRBC诊断方法能在故障发生后准确识别发生故障的变量,该研究结果为批次发酵过程质量相关与质量无关故障监测问题提出了一种切实可行的过程监测方法。 展开更多
关键词 批次发酵过程 质量相关故障 噪声半监督堆叠自编码器 故障检测与诊断 深度重构贡献图
暂未订购 下载PDF
基于SAE-ELM的液压泵故障诊断方法研究 认领 引用 被引量：1
6
作者 吴智怀 王志伟 《冶金设备》 2025年第6期32-38,共7页
传统的基于深度学习的液压泵故障诊断方法存在着诊断精度不高和训练效率较低的问题。本文针对此类问题提出一种将堆叠自动编码器(Stacked Auto-enconder,SAE)与极限学习机(Extreme Learning Machine,ELM)相结合的液压泵故障诊断方法。... 传统的基于深度学习的液压泵故障诊断方法存在着诊断精度不高和训练效率较低的问题。本文针对此类问题提出一种将堆叠自动编码器(Stacked Auto-enconder,SAE)与极限学习机(Extreme Learning Machine,ELM)相结合的液压泵故障诊断方法。该方法首先将采集到的液压泵故障信号通过小波时频分析的方法转换成包含液压泵故障状态特征的图像信号,之后利用堆叠自动编码器对包含故障信息的图片进行特征提取,并结合极限学习机进行故障诊断,通过实验的方式验证了该方法的有效性。与以往的DBN、ELM和CNN等方法相比,堆叠自动编码器与极限学习机相结合的方法能够有效地提高诊断精度和解决效率较低的问题。 展开更多
关键词 堆叠自动编码器 极限学习机 液压泵 故障诊断
暂未订购 下载PDF
基于能量-熵特征和改进堆叠降噪自编码器的水轮机空化状态识别方法 认领 引用 被引量：2
7
作者 刘圳 刘忠 +2 位作者 邹淑云 周泽华 乔帅程 《发电技术》 CSCD 2026年第1期176-184,共9页
【目的】针对混流式水轮机空化声发射(acoustic emission,AE)信号受背景噪声干扰、故障难以识别的问题,提出一种基于能量-熵特征和哈里斯鹰优化(Harris hawks optimization,HHO)算法联合3折交叉验证(3-fold crossvalidation,3Fold)优化... 【目的】针对混流式水轮机空化声发射(acoustic emission,AE)信号受背景噪声干扰、故障难以识别的问题,提出一种基于能量-熵特征和哈里斯鹰优化(Harris hawks optimization,HHO)算法联合3折交叉验证(3-fold crossvalidation,3Fold)优化堆叠降噪自编码器(stacked denoising auto encoder,SDAE)的状态识别方法。【方法】首先,利用变分模态分解算法对信号进行分解,得到一系列固有模态函数。其次,提取相关系数最大的2个固有模态函数的能量和熵特征,构建12维特征向量,输入识别模型。再次,利用HHO算法联合3Fold,对SDAE的超参数进行优化。最后,将HHO-3Fold-SDAE算法与其他算法寻优得到的最优参数分别输入模型中运行,并进行对比分析。【结果】与其他算法相比,HHO-3Fold-SDAE算法具有更小的准确率方差、损失率以及更高的平均准确率;相较于SDAE,其测试集平均准确率提高了6%;相较于HHO-SDAE,其测试集平均准确率提高了4%,准确率方差降低了17%。【结论】所提方法可用于水轮机空化AE信号的分类识别,可为水力机械状态监测提供参考。 展开更多
关键词 水力发电 水轮机 空化状态识别 哈里斯鹰优化(HHO)算法 堆叠降噪自编码器(SDAE) 熵
暂未订购 下载PDF
基于SSAE和改进的IndRNN电力物联网入侵检测方法研究 认领 引用
8
作者 闵永仓 王勇 《计算机应用与软件》 北大核心 2025年第10期358-366,共9页
随着物联网技术和电力系统的不断融合,通过物联网终端设备向电力系统发起的入侵层出不穷,为了提高防护能力,提出一种基于堆栈稀疏自编码器(SSAE)和独立循环神经网络(IndRNN)的混合入侵检测模型。利用SSAE解决电力物联网高维数据充斥大... 随着物联网技术和电力系统的不断融合,通过物联网终端设备向电力系统发起的入侵层出不穷,为了提高防护能力,提出一种基于堆栈稀疏自编码器(SSAE)和独立循环神经网络(IndRNN)的混合入侵检测模型。利用SSAE解决电力物联网高维数据充斥大量冗余特征问题,并通过改进的IndRNN捕获时序信息,引入分层注意力机制,对关键特征进行增强。实验结果表明,该模型在准确率和误报率达到99.36%和0.67%的同时还大大缩短了检测时间,是一种有效电力物联网入侵检测模型。 展开更多
关键词 堆栈稀疏自编码器 独立循环神经网络 入侵检测 电力物联网
暂未订购 下载PDF
基于LGRSAE算法的非线性化工过程故障检测 认领 引用
9
作者 杨景超 《化工自动化及仪表》 CAS 2025年第1期111-118,共8页
针对常规线性降维方法不能有效提取实际复杂非线性工业数据局部和全局结构特征的问题,提出一种局部和全局保持堆栈自编码器(LGRSAE)以及基于LGRSAE的过程故障检测方法。在自编码器(AE)的目标函数中引入局部保持投影(LPP)算法和主成分分... 针对常规线性降维方法不能有效提取实际复杂非线性工业数据局部和全局结构特征的问题,提出一种局部和全局保持堆栈自编码器(LGRSAE)以及基于LGRSAE的过程故障检测方法。在自编码器(AE)的目标函数中引入局部保持投影(LPP)算法和主成分分析(PCA)算法的目标约束构造局部和全局结构保持自编码器(LGRAE),以提取数据局部和全局结构相关的特征。为了提取过程数据深层局部和全局结构相关的特征,将LGRAE堆栈构成LGRSAE。在田纳西-伊斯曼(TE)过程数据集的故障检测结果表明,LGRSAE的特征提取方法平均故障检测率高于MRSAE、KPCA算法,且误报率更低。 展开更多
关键词 故障检测 堆栈自编码器 特征提取 局部和全局结构保持 数据降维
暂未订购 下载PDF
基于SSAE⁃SSA⁃GRU的低压用户用电隐患识别方法研究 认领 引用
10
作者 庞博 蒙静 +3 位作者 张洋 塔娜 王海波 杜晶 《电气传动》 2025年第7期78-86,共9页
低压台区用户用电隐患的准确识别对提高台区供电质量和减小事故风险有重要作用,为提高低压用户用电隐患识别准确率,提出了一种基于SSAE-SSA-GRU的低压用户用电隐患识别模型。首先,对用户原始电压数据进行归一化处理,并通过堆栈稀疏自编... 低压台区用户用电隐患的准确识别对提高台区供电质量和减小事故风险有重要作用,为提高低压用户用电隐患识别准确率,提出了一种基于SSAE-SSA-GRU的低压用户用电隐患识别模型。首先,对用户原始电压数据进行归一化处理,并通过堆栈稀疏自编码器(SSAE)提取数据的特征参数,解决原始电压数据维度过高带来的冗余性问题。然后引入麻雀搜索算法(SSA)对门控循环单元(GRU)的超参数进行优化,提高模型隐患识别结果的准确率。最后,通过算例分析对建立的SSAE-SSA-GRU模型性能进行评估,验证了所提方法对低压用户用电隐患识别的有效性,且与传统异常用电识别方法相比,所提方法的收敛性好,准确率高。 展开更多
关键词 低压台区用户 用电隐患识别 堆栈稀疏自编码器 麻雀搜索算法 门控循环单元
暂未订购 下载PDF
融合CEEMDAN与堆叠降噪自编码器的爆破振动速度信号降噪方法 认领 引用
11
作者 徐琛 王超 +4 位作者 邱浪 蒋相秋 刘驰 李海涛 穆鹏宇 《振动与冲击》 EI CSCD 北大核心 2026年第15期224-236,共13页
在矿山开采与隧道掘进等工程爆破作业中,实测爆破振动信号易受到复杂环境噪声干扰,导致信号特征提取与爆破效果评估精度下降。针对传统降噪方法难以兼顾噪声抑制与信号保真度的问题,提出了一种融合自适应噪声完备集合经验模态分解(compl... 在矿山开采与隧道掘进等工程爆破作业中,实测爆破振动信号易受到复杂环境噪声干扰,导致信号特征提取与爆破效果评估精度下降。针对传统降噪方法难以兼顾噪声抑制与信号保真度的问题,提出了一种融合自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)与堆叠降噪自编码器(stacked denoising auto encoder, SDAE)的爆破振动信号联合降噪方法。该方法首先利用CEEMDAN对非平稳振动信号进行自适应分解,通过方差贡献率筛选有效本征模态函数(intrinsic mode function, IMF)分量;随后引入SDAE对筛选后的IMF进行深层特征学习与重构,实现多尺度噪声识别与智能去除。仿真信号分析结果表明,与EMD-WT、EEMD-WT、EMD-SDAE及EEMD-SDAE等方法相比,CEEMDAN-SDAE方法的信噪比最高可达9.39,均方误差最低为0.167 5,在噪声抑制与信号特征保持方面表现最优。工程应用结果进一步验证了该方法在复杂现场环境下的适用性:降噪后信号在200~1 000 Hz高频噪声区间内的杂散成分得到显著削弱,同时0~200 Hz主频能量保持良好;相较于传统方法,实测信号信噪比提高至9.45,均方误差降低至2.06×10-4,能量比提高为0.82,均值曲率降低为1.32×10-3。研究结果表明,CEEMDAN-SDAE联合降噪方法能够实现爆破振动信号的高保真降噪与关键特征保持,为爆破振动精细分析及工程安全评估提供了可靠的数据支撑。 展开更多
关键词 爆破振动信号 自适应噪声完备集合经验模态分解(CEEMDAN) 堆叠降噪自编码器(SDAE) 降噪
暂未订购 下载PDF
数据不平衡下的航空发动机气路故障诊断方法 认领 引用
12
作者 戴郎杰 蔡开龙 +1 位作者 王阿久 刘正扬 《兵器装备工程学报》 CAS CSCD 北大核心 2026年第2期279-288,共10页
针对航空发动机气路故障诊断中气路数据的类不平衡性和故障的耦合性,提出了一种基于过采样技术(Borderline-SMOTE)与开普勒算法(KOA)优化堆叠降噪自编码器(SDAE)的航空发动机气路故障诊断模型。采用Borderline-SMOTE对训练集中的故障样... 针对航空发动机气路故障诊断中气路数据的类不平衡性和故障的耦合性,提出了一种基于过采样技术(Borderline-SMOTE)与开普勒算法(KOA)优化堆叠降噪自编码器(SDAE)的航空发动机气路故障诊断模型。采用Borderline-SMOTE对训练集中的故障样本进行扩充,缓解了数据的类不平衡问题。利用KOA算法优化SDAE的关键参数(隐含层神经元数目、网络学习率和噪声覆盖率),构建基于KOA-SDAE的航空发动机气路故障诊断模型。并将该模型与反向传播神经网络(BPNN)、长短期记忆网络(LSTM)、卷积神经网络(CNN)和原始SDAE等模型在不同采样方法下进行对比实验。实验结果表明,所提出方法的F1分数(F1 score)最高(97.82%),且在噪声干扰下的F1分数下降范围(1.67%~7.20%)显著小于对比模型(3.62%~16.08%),展现出更强的抗干扰能力和鲁棒性,为解决航空发动机气路故障诊断中气路数据的类不平衡问题提供了潜在的方法。 展开更多
关键词 航空发动机 故障诊断 过采样算法 堆叠降噪自编码器 开普勒优化算法
暂未订购 下载PDF
基于参数自适应FMD和SDAE的变负载下轴承故障诊断 认领 引用
13
作者 何勇 刘晓玲 《振动与冲击》 EI CSCD 北大核心 2026年第2期189-200,共12页
针对堆叠降噪自编码器(stacked denoisingauto-encoder,SDAE)网络在强噪声干扰及变负载工况下难以准确识别滚动轴承故障特征这一难题,提出一种基于特征模态分解(feature mode decomposition,FMD)与SDAE相结合的滚动轴承故障诊断方法。首... 针对堆叠降噪自编码器(stacked denoisingauto-encoder,SDAE)网络在强噪声干扰及变负载工况下难以准确识别滚动轴承故障特征这一难题,提出一种基于特征模态分解(feature mode decomposition,FMD)与SDAE相结合的滚动轴承故障诊断方法。首先,采用信号自相关函数对传统基尼系数进行改进;其次,以改进基尼系数作为模态分量评价指标,建立了参数自适应FMD方法,并采用该方法对SDAE网络输入信号进行降噪;最后,将降噪后信号的包络谱输入到SDAE网络中并得到滚动轴承变负载工况下的故障类型诊断结果。基于3个开源数据集的算例分析表明,该方法能够有效提升SDAE网络的滚动轴承故障诊断准确率。通过与其他方法的对比,验证了该方法具有更好的稳定性和更高的故障诊断准确率。 展开更多
关键词 故障诊断 滚动轴承 堆叠降噪自编码器(SDAE) 参数自适应特征模态分解(FMD) 变负载工况
暂未订购 下载PDF
基于改进SAE-SOFTMAX的模拟电路故障诊断方法 认领 引用 被引量：19
14
作者 袁莉芬 宁暑光 +2 位作者 何怡刚 张朝龙 吕密 《电子测量与仪器学报》 CSCD 北大核心 2018年第7期36-45,共10页
针对传统神经网络存在层次太少以及梯度扩散问题,导致基于传统神经网络的模拟电路故障诊断效果不佳,提出一种基于堆叠自动编码器-柔性最大值分类器(SAE-SOFTMAX)的模拟电路故障诊断方法。通过搭建深层次SAE和SOFTMAX分类器的深度学习框... 针对传统神经网络存在层次太少以及梯度扩散问题,导致基于传统神经网络的模拟电路故障诊断效果不佳,提出一种基于堆叠自动编码器-柔性最大值分类器(SAE-SOFTMAX)的模拟电路故障诊断方法。通过搭建深层次SAE和SOFTMAX分类器的深度学习框架,利用预训练与微调的方法完成整体网络的训练。为提高网络泛化能力,使用Dropout技术对网络加以改进优化,以此提取电子电路的底层稀疏特征并完成故障模式的自动识别分类。实例研究同时给出了几种传统神经网络的诊断效果作为对比实验。实验结果说明,所提方法诊断效果与相关评价参数性能优于传统神经网络。最终得到结论,基于改进SAESOFTMAX网络架构与分层训练机制的电子电路故障诊断方法,其整体性能有所提高诊断效果更好,优于传统的神经网络故障诊断方法。 展开更多
关键词 模拟电路 故障诊断 改进堆叠自动编码器 柔性最大值分类器 深度学习
暂未订购 下载PDF
SSAE和IGWO-SVM的滚动轴承故障诊断 认领 引用 被引量：22
15
作者 袁宪锋 颜子琛 +2 位作者 周风余 宋勇 缪昭明 《振动．测试与诊断》 EI CSCD 北大核心 2020年第2期405-413,424,共9页
针对滚动轴承的故障诊断问题,提出了一种基于栈式稀疏自编码网络(stacked sparse auto encoder,简称SSAE)、改进灰狼智能优化算法(improved grey wolf optimization,简称IGWO)以及支持向量机(support vector machine,简称SVM)的混合智... 针对滚动轴承的故障诊断问题,提出了一种基于栈式稀疏自编码网络(stacked sparse auto encoder,简称SSAE)、改进灰狼智能优化算法(improved grey wolf optimization,简称IGWO)以及支持向量机(support vector machine,简称SVM)的混合智能故障诊断模型。首先,利用栈式自编码网络强大的特征自提取能力,实现故障信号深层频谱特征的自适应学习,通过引入稀疏项约束提高特征学习的泛化性能;其次,利用改进的灰狼算法实现支持向量机的参数优化;最后,基于优化后的SVM完成对故障特征向量的分类识别。所提混合智能故障诊断模型充分结合了深度神经网络强大的特征自学习能力和支持向量机优秀的小样本分类性能,避免了手工特征提取的弊端,可对不同故障类型的振动信号实现更精准的识别。多组对比实验表明,相比传统方法,笔者所提出的模型具有更优秀的故障识别能力,诊断准确率可达98%以上。 展开更多
关键词 滚动轴承故障诊断 栈式稀疏自编码网络 特征提取 灰狼算法 支持向量机
暂未订购 下载PDF
基于Tri-training-SSAE半监督学习算法的电力系统暂态稳定评估 认领 引用 被引量：10
16
作者 卫志农 李超凡 +4 位作者 丁爱飞 孙国强 黄蔓云 臧海祥 方熙程 《电力自动化设备》 EI CSCD 北大核心 2023年第7期110-116,共7页
基于机器学习的暂态稳定评估方法主要采用监督学习方法,为了解决监督学习方法所需的有标签样本难以获取的问题,提出基于三体训练-稀疏堆叠自动编码器(Tri-training-SSAE)半监督学习算法的电力系统暂态稳定评估方法。构建基于堆叠稀疏自... 基于机器学习的暂态稳定评估方法主要采用监督学习方法,为了解决监督学习方法所需的有标签样本难以获取的问题,提出基于三体训练-稀疏堆叠自动编码器(Tri-training-SSAE)半监督学习算法的电力系统暂态稳定评估方法。构建基于堆叠稀疏自动编码器的暂态稳定评估模型;在传统的三体训练过程中加入伪标签样本置信度判断,以减小噪声数据对模型训练的影响;以堆叠稀疏自动编码器为基分类器构建三体训练-稀疏堆叠自动编码器模型,利用大量的无标签样本提高模型的泛化能力。通过IEEE 39节点系统与华东某省级电网进行分析验证,结果表明,所提方法在有标签样本数较少时具有更高的评估准确度。 展开更多
关键词 暂态稳定评估 机器学习 半监督学习 三体训练算法 堆叠稀疏自动编码器
暂未订购 下载PDF
基于改进SAE的提升机制动系统故障诊断 认领 引用 被引量：3
17
作者 李娟莉 闫方元 +1 位作者 苗栋 刘怡梦 《北京理工大学学报》 EI CAS CSCD 北大核心 2022年第9期928-934,共7页
为了减少传统故障诊断方法人工主观干预对诊断结果的影响,使用无监督学习方式提取提升机监测数据的故障特征,提出了一种基于稀疏自编码器的故障诊断方法.首先分析了制动系统的故障机理,采集了提升机正常运行和故障模拟状态下的监测数据... 为了减少传统故障诊断方法人工主观干预对诊断结果的影响,使用无监督学习方式提取提升机监测数据的故障特征,提出了一种基于稀疏自编码器的故障诊断方法.首先分析了制动系统的故障机理,采集了提升机正常运行和故障模拟状态下的监测数据,生成了故障诊断数据集;然后建立了SAE故障诊断模型,并使用Dropout和Adam算法对其进行了优化;最后使用测试数据集对模型的性能进行了测试.试验结果表明,提出的方法较好地避免了稀疏数据的训练误差,减少了过拟合现象,降低了稀疏数据局部最优点的影响,故障类型的平均分类精度达到94%,能有效地进行矿井提升机的故障诊断. 展开更多
关键词 故障诊断 稀疏自编码器(SAE) Dropout算法 制动系统 矿井提升机
暂未订购 下载PDF
基于SAE-VMD的锂离子电池健康因子提取方法 认领 引用 被引量：9
18
作者 王竹晴 郭阳明 徐聪 《西北工业大学学报》 EI CAS CSCD 北大核心 2020年第4期814-821,共8页
电池退化信号具有非平稳、非线性特性,为自适应提取能准确表达电池退化特性的健康因子(HI),提高锂离子电池剩余寿命(RUL)的预测精度,提出一种基于堆叠稀疏自编码(SAE)和变分模态分解(VMD)的HI构建方法。首先利用SAE深度神经网络对多个... 电池退化信号具有非平稳、非线性特性,为自适应提取能准确表达电池退化特性的健康因子(HI),提高锂离子电池剩余寿命(RUL)的预测精度,提出一种基于堆叠稀疏自编码(SAE)和变分模态分解(VMD)的HI构建方法。首先利用SAE深度神经网络对多个电池参数去噪、降维,提取出一个集中包含电池退化特性的融合HI;然后利用VMD将融合HI的全局衰减、局部再生和其他噪声3种模态进行有效分离,将被分离的3个分量作为电池HI,以此消除HI不同尺度上波动之间的相互干扰,提高RUL预测精度。锂离子电池RUL的预测结果表明,使用该方法所提HI得到的RUL预测精度最高,说明所提HI品质最高。 展开更多
关键词 锂离子电池 剩余使用寿命 健康因子 稀疏自编码 变分模态分解
暂未订购 下载PDF
基于IDT-SAE-ELM的煤矿电缆短路故障识别方法 认领 引用 被引量：7
19
作者 王清亮 李泓朴 +1 位作者 李书超 王伟峰 《西安科技大学学报》 CAS 北大核心 2024年第6期1205-1217,共13页
针对现有方法无法有效提取煤矿电缆短路故障深层特征而导致故障识别准确率和类型判定精度低的问题,提出了一种基于IDT-SAE-ELM的短路故障识别方法。首先采用IDT技术对传统SAE模型进行改进,以提高其高效捕获故障样本深层特征的能力;然后... 针对现有方法无法有效提取煤矿电缆短路故障深层特征而导致故障识别准确率和类型判定精度低的问题,提出了一种基于IDT-SAE-ELM的短路故障识别方法。首先采用IDT技术对传统SAE模型进行改进,以提高其高效捕获故障样本深层特征的能力;然后利用Adam算法优化IDT-SAE模型参数,实现了从原始电流信号自动获取短路故障特征量;最后利用ELM模型替代Softmax构造故障分类器,以提高SAE模型对特征差异性小的故障类型辨识能力,实现对煤矿电缆短路故障的识别与类型的智能判定。以煤矿电网实际参数进行短路故障仿真,分别利用Loss曲线与T-分布随机近邻嵌入算法可视化分析所提方法的抗过拟合能力与短路故障深层特征挖掘能力,采用准确率和精度对所提方法进行评价,结果表明:所提方法相较于传统SAE具有更好的故障特征提取能力和抗过拟合能力;所提方法对电缆短路故障的识别准确率稳定在99%左右,相较于RF、BPNN、ELM等人工智能方法,准确率分别提高了7.47%、5.82%、5.42%;在严重噪声干扰下,所提方法短路故障识别准确率始终保持在98.75%以上,有效提高了煤矿电缆短路故障识别准确率和类型判定精度,能够为越级跳闸原因判别、短路事故的分析与处理提供重要依据。 展开更多
关键词 煤矿 短路故障 堆栈自编码器 极限学习机 Dropout集成技术
暂未订购 下载PDF
基于VMD-样本熵和SSAE的齿轮故障诊断 认领 引用 被引量：12
20
作者 徐飞 蒋占四 黄惠中 《组合机床与自动化加工技术》 北大核心 2020年第8期39-42,47,共4页
针对旋转机械中齿轮故障非线性、非平稳并伴有一定的噪声干扰的特点,文章提出一种基于变分模态分解(Variational mode decomposition,VMD)和堆叠稀疏自编码(Stack sparse auto encoder,SSAE)的齿轮故障诊断方法。将原始齿轮振动信号由... 针对旋转机械中齿轮故障非线性、非平稳并伴有一定的噪声干扰的特点,文章提出一种基于变分模态分解(Variational mode decomposition,VMD)和堆叠稀疏自编码(Stack sparse auto encoder,SSAE)的齿轮故障诊断方法。将原始齿轮振动信号由一维转化为二维信号,对二维信号每一行进行VMD分解得到若干有限带宽的内禀模态分量(Bandwidth limited intrinsic mode function,BLIMF),比较各模态分量的样本熵,选择样本熵最大的模态分量构成特征向量。将特征向量作为SSAE的输入进行模式识别,最终实现齿轮故障的分类。通过实例验证及对比实验,结果表明该方法具有较高的分类精度和诊断效率。 展开更多
关键词 变分模态分解 样本熵 堆叠稀疏自编码 齿轮故障
暂未订购 下载PDF
已选0条
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 2 … 13 下一页 到第 页
在线咨询 使用帮助 返回顶部 意见反馈