分类: 计算机科学 >> 计算机科学的集成理论 提交时间: 2018-07-09 合作期刊: 《计算机应用研究》
摘要: 针对轴承故障信号的非平稳性和非线性特点,采用小波包分解和自回归(auto-regressive,AR)谱估计相结合的方法提取振动信号特征值;为了提高诊断结果的精度,提出用深度信念网络(deep believe network,DBN)进行诊断模型训练。首先,对轴承振动信号进行小波包分解和自回归谱估计,计算不同频段的能量实现轴承故障特征提取;其次,将提取到的特征值作为深度信念网络的输入向量,进行模型训练;最后,用训练好的模型进行故障诊断。为验证本文所提方法的有效性,采用美国凯斯西储大学提供的旋转轴承数据集,将提出算法与三种故障诊断方法进行对比实验。实验结果表明,所提方法具有更好的诊断性能。
分类: 计算机科学 >> 计算机科学的集成理论 提交时间: 2019-01-03 合作期刊: 《计算机应用研究》
摘要: 针对海量多源异构且数据分布不平衡的网络入侵检测问题以及传统深度学习算法无法根据实时入侵情况在线更新其输出权重的问题,提出了一种基于深度序列加权核极限学习的入侵检测算法(DBN-WOS-KELM算法)。该算法先使用深度信念网络DBN对历史数据进行学习,完成对原始数据的特征提取和数据降维,再利用加权序列核极限学习机进行监督学习完成入侵识别,结合了深度信念网络提取抽象特征的能力以及核极限学习机的快速学习能力。最后在KDD99部分数据集上进行了仿真实验,实验结果表明DBN-WOS-KELM算法提高了对小样本攻击的识别率,并且能够根据实际情况在线更新输出权重,训练效率更高。
分类: 计算机科学 >> 计算机科学的集成理论 提交时间: 2018-05-02 合作期刊: 《计算机应用研究》
摘要: 针对深度神经网络能自动学习数据深层特征的优点进行了研究,提出一种基于深度信念网络的信号分选方法,来解决传统雷达信号分选中人工提取特征的耗时、特征冗余等问题。通过堆叠多层的深度模型对原算法进行改进,克服单一模型学习力的不足,对不同信号的本质特征进行深入学习,融合各个深度模型的后验概率进行分类决策,从而进一步提高了信号的识别率。采用改进方法对七种不同类型的雷达信号进行分选识别,并与其他信号分选方法进行对比,实验结果表明,该方法取得了更好的分类效果,展现出较强的学习数据本质特征的能力,从而验证了算法的有效性和优越性。