摘要：预测模型的输入特征变量对建筑耗热量预测性能具有较大的影响,为了进一步改进输入特征变量的选取,本文提出了稀疏自编码(SAE)方法对历史耗热量数据进行特征提取,并通过对比常规的线性化特征提取方法(主成分分析,PCA),分析了SAE特征提取方法分别对MLR、ANN和SVM预测模型精度的提升。应用某居住建筑实测数据对该方法进行了实验验证,结果表明:在测试数据集中,使用SAE方法提取到的特征值作为模型输入变量,MLR、ANN和SVM3个模型的预测性能均得到提升,相比于利用PCA特征提取的方法,CV值分别降低了3.8%、4.1%和4.2%。此外,SAE方法对模型性能的提升还表现在模型泛化性能地增强,在测试样本中的表现优于在训练样本中的表现。

摘要：稀疏自编码算法通过对输入信号的编码与解码过程使得输出信号能够最大程度的保留输入数据信息,具备强大的数据处理功能,然而,SAE的输出数据具有什么特性、噪声成分在转化过程中发生怎样的变化并没有详细研究,针对该问题,以时域振动信号作为输入,理论推导噪声在编码与解码过程中的变化,分析输出信号的具体成分,得出信号在转化过程中能够有效的滤除噪声成分,并分离出信号的主要成分。仿真振动数据及齿轮箱故障诊断实验证明,稀疏自编码算法能够有效的提高振动信号的信噪比和提取故障的频率成分。

摘要：流量的准确识别不仅可以对互联网的运行情况产生突破性的改进,而且可以根据具体需求对用户行为准确的掌控和分析。然而,要准确识别应用流量,目前的技术还很难达到;另外目前针对即时通信类的流量识别的研究在业界暂时比较少。本文针对这一现状,采用神经网络算法中SAE特征提取模型,通过添加识别标签,对数据有效载荷进行特征训练,有效的解决了目前几个流行的IM流量的分类问题。在识别准确率方面大大提高,识别率达到了99%。本文的最后将SAE算法与Apriori特征提取算法在空间和时间复杂度上做比较,寻找一种最优的IM流量识别模型。

摘要：针对基于深度学习变化检测方法需要样本数据存在不平衡与变化检测结果中存在“椒盐噪声”现象,提出结合注意力稀疏自编码网络与空间约束的遥感影像自动变化检测方法 .首先,该方法采用IR-MAD与CVA-FCM协同获取变化样本数据,同时结合SMOTE方法对样本数据增强处理,避免数据不平衡问题;然后,引入注意力机制对稀疏自编码网络正权值进行加强、负权值进行削弱处理,提升网络整体性能;最后,利用多尺度分割影像对象的边界,对提取变化检测结果进行空间几何约束,剔除“椒盐噪声”,获取最终变化检测结果 .实验结果表明,该方法能有效地减少人工选取样本数据不平衡问题,提高变化检测精度.

摘要：针对现有RGB-D物体识别方法存在图像特征学习不全面、类间相似的物体识别精度不高等问题,联合稀疏自编码(sparse auto-encoder,SAE)及递归神经网络(recursive neural networks,RNNs)提出多模态稀疏自编码递归神经网络(multi-modal sparse auto-encoder and recursive neural networks,MSAE-RNNs)的深度学习模型。SAE结合卷积及池化技术分别从RGB-D图像的RGB图、灰度图、深度图、3D曲面法线中提取低层次的平移不变性特征,作为多个固定树RNNs的输入,得到更加抽象的高层特征,融合后的多模态特征,采用SVM分类器进行分类。在RGB-D数据集上的实验结果表明,该算法的物体识别率达到90.7%,较其它算法提高了3%-9%,能很好完成RGB-D物体的识别。

摘要：为了提高肺癌的计算机辅助诊断性能,提出了基于混合特征与复合学习向量量化分类网络的肺结节恶性度判别方法.对肺结节分别提取传统的人工设计特征和稀疏自编码器自学习特征,采用复合学习向量量化神经网络(LVQ1+3)构建分类器,将提取的两类特征同步输入分类器中进行分类识别,得出辅助诊断结果.在公共数据集LIDC上的实验结果表明,方法能够在混合特征集上表现出最优的效果,对不同恶性度等级的肺结节均实现了有效的分类识别.

摘要：针对配电工程数据快速增长给数据分析、处理及应用带来的新问题,文中基于多源异构数据融合技术展开了配电工程数据的分析方法研究。采用正交基前向神经网络完成配电工程数据的识别与特征提取,并对离散化的数据进行矩阵化处理,再对数据进行预测与分析。同时利用无监督学习稀疏自编码数据融合算法有效地识别出工程数据的种类,进而对边缘数据进行自适应增强处理。从不同维度对某地区配电网进行算例分析的结果表明,通过该方法所得结果的标准误差为2.562%、绝对误差为4.714%,运行速度提升了6%以上,适用于大规模的配电工程数据分析及处理任务。

摘要：针对永磁同步电机(PMSM)因样本数据稀少、可用性低、特征弱化和结构复杂等因素引发的退磁识别问题,提出一种融合稀疏自编码与最小二乘生成式对抗网络的退磁故障诊断方法。该方法首先采集PMSM的电磁转矩和磁动势分布数据构成有限样本集合,其次采用最小二乘生成式对抗网络对样本在保持特征分布一致的条件下进行标签化扩张,最后运用稀疏自编码网络和Soft max分类器对样本进行训练和分类,实现退磁故障的诊断与识别。在模型训练和故障识别过程中,一方面合理设计深度网络隐层节点、训练算法以及层数等影响学习效率的参数;另一方面训练优化网络并测试验证网络的优劣以提高故障诊断性能。经过多次试验,最终可实现PMSM退磁故障的有效诊断。