摘要：疾病预测模型通过利用收集到的医疗数据,能够在患者疾病发作前准确地进行疾病预测.目前在疾病预测方面深受欢迎的深度神经网络,它依靠增加网络层数来提升模型的准确率,利用梯度下降来进行权重的更新,而这导致了模型梯度爆炸、训练速度慢等问题.一旦数据更新,深度神经网络需要重新训练,进而导致模型更新困难.宽度学习(Broad Learning System,BLS)无须梯度下降的特性与其可通过增量学习快速重构的优势为有效解决上述问题提供了技术方案,但是BLS无法提取到隐藏在医疗数据中深层次的特征,其在复杂的医疗环境下仍然表现不佳.针对该问题,本文提出一种基于降噪自动编码器(Denoising AutoEncoder,DAE)与宽度学习的增量式疾病预测模型——DAE-BLS.所提模型将DAE引入BLS的架构设计中,结合了DAE在混乱环境下的降噪能力与BLS的简洁快速的特点,既保证了高效的运算能力又增强了特征提取能力,因而更适用于复杂医疗环境.将DAE-BLS在包含不同格式以及不同数据量的糖尿病、心力衰竭、心电异常和乳腺癌数据集上进行模拟预测实验,实验结果表明,DAE-BLS能够在保留宽度结构的神经网络快速高效特点的同时,在不同格式的数据上表现出很好的性能,分别达到96.62%,94.53%,98.50%与83.64%的准确率,并能在需要更改模型结构时通过增量学习技术快速重构以适应用户不断变化的疾病数据.

摘要：为了解决传统深度自动编码器存在的过度拟合以及泛化能力弱等问题,提出一种基于深度Laplacian正则化自动编码器的不平衡旋转机械故障诊断。首先将采集到的振动信号输入到构造的深度Laplacian正则化自动编码器模型中进行逐层特征提取,将Laplacian正则化项引入到深度自动编码器的原始目标函数中,以平滑故障诊断模型中数据的流形结构,从而提高故障诊断框架的泛化性能,然后利用BP分类器对提取的深层判别敏感特征流进行故障诊断。最后通过CWRU故障数据集实验结果证明提出的方法能够实现旋转机械平衡与不平衡数据集的精确故障诊断没并且具有较好的泛化性能。

摘要：为提高数据处理效率和检测准确率,提出一种基于树结构分析的数据分析方法和基于自动编码器的内部威胁检测方法。针对体量大、结构复杂的多源数据,采用树结构方法对用户行为进行分析,形成行为特征向量。在此基础上,采用自动编码器方法进行异常检测。自动编码器方法适用于高维数据,能够通过拟合数据与输入数据的重构误差检测特征向量间的差异性,得到异常分数,判断异常用户。实验数据表明,该方法可以有效识别异常用户。

摘要：为提高滚动轴承的故障诊断效率,设计了一种混沌萤火虫参数优化去噪自动编码器(DAE),标记为CFADAE。在DAE基础上建立得到深度网络,通过DAE从中提取出首层特征,再利用自动编码器(AE)堆叠的方式构建深度网络,提取得到更深层特征参数。研究结果表明:相比较标准萤火虫算法(FA)数据,混沌萤火虫算法(CFA)方法的准确率更高,标准差更小。混沌改进萤火虫算法能够达到更准确诊断的效果,同时降低了波动程度。通过DAE网络进行诊断所得的平均准确率可以达到95.84%,推断结合去噪AE和L2惩罚项使模型获得更强的鲁棒性和泛化能力,提升诊断性能。本研究实现准确诊断轴承故障信号,可以拓展到其他的机械传动领域。

摘要：针对用户评分预测不准确的问题,提出了一种基于旁信息(side-information)对用户兴趣进行预测的协同过滤自动编码器推荐模型,给出了模型的设计原理、损失函数以及具体结构.模型使用单隐藏层自动编码器实现,用户评分与旁信息同为模型的输入/输出数据,旁信息也直接参加模型的训练,这种设计不仅降低了模型的规模和复杂度,而且旁信息可以直接对用户兴趣进行修正.同时,通过对训练数据集合的合理划分与扩充,使得训练的网络模型增加了表达能力.在真实数据集上的对比实验表明,本文提出的方法提高了评分预测的准确度,具有一定的实用价值.

摘要：基于深度学习的自动编码器是替代传统通信发射器和接收器的一种新方法。提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)和门递归单元(Gate Recurrent Unit, GRU)的自动编码器,集成了星座映射和信道编码功能。设计了一种并行CNN结构,并将输入比特流进行分段的one-hot编码。这样做有两个优点:(1)与不分段的one-hot编码相比,数据的维度降低了;(2)数据的稀疏性降低,这使网络可以更快更好地收敛。此外,引入GRU以实现信道编码。所提出的模型可以应用于高阶调制如4096QAM信号,在加性高斯白噪声(AWGN)信道和瑞利信道下都有着优于传统方法的性能。

摘要：时间序列预测目前在众多领域有着广泛应用.如果可以准确估计事件或指标的未来发展,它可以帮助人们做出重要的决定.然而对不同时间序列建立模型并准确预测已成为最具挑战的应用之一.因此,本文提出了一种新颖的混合多步预测模型,称为SSA-ConvBiAE.首先,通过奇异谱分析(SSA)将原始数据分解为不同的趋势分量.其次,设计了新的基于卷积长短期记忆(ConvLSTM)和双向门控循环单元(BiGRU)的自动编码器网络结构.最后,将不同的分量分别输入到对应的自动编码器中进行训练和预测并求和预测结果.为了评价模型的预测性能,在真实的供水数据集和公开的时间序列数据集上进行了实验,实验结果表明,模型的预测结果优于基线方法.本文已在网站https://***/VIMLab-hfut/SSA-ConvBiAE上发布了源代码.

摘要：在自动指纹识别系统中,指纹防伪能力的发展至关重要.传统指纹一般由表面成像得到,而这种表面的纹理特征极容易被盗取.基于这种传统指纹的识别系统,检测指纹表征攻击的能力十分有限.因此,现有研究普遍针对具有防伪特征的指纹模态,如具有汗腺特征的高精度指纹和具有指静脉特征的指纹开发表征攻击检测算法.在本篇工作中,为了进一步提高指纹系统的表征攻击检测能力,我们提出一种基于光学相干断层扫描技术(Optical Coherence Tomography,OCT)的频域指纹表征攻击检测方法.与以往方法不同,我们首先利用卷积神经网络和残差结构设计了一个频域特征解离模型,通过该模型可以分别解离出时域中叠加在原始OCT指纹图像上的信息(如区分性特征、无效特征和冗余特征).然后,我们让它学习不同的频域编码,并结合OCT指纹在时域中的重构编码形成相应的潜层编码.利用潜层编码,我们设计了一种用于区分表征攻击指纹和真实指纹的预测模型,用于表征攻击检测.在目前常用的OCT指纹数据集上的实验结果表明,我们的方法可以通过在频域中分离出一些叠加在时域中的无用干扰信息,从而有效地消除干扰.在实例方面,该方法的最小误差(Err.)为0.67%,与已有的基于时域的最优方法相比,最小误差降低了3.03%,性能提高了81.89%.

摘要：脱硫过程是具有高度动态非线性和较大延迟时间的复杂工业过程,为了解决烟气脱硫过程的建模问题,设计了注意力机制下的深度长短期记忆(attention mechanism-based long short-term memory,AttLSTM)网络,并基于该网络设计自动编码器,完成脱硫过程异常点的检测。该文首次提出使用AttLSTM网络自编码器对脱硫过程进行离群点检测,并且该网络模型同样首次应用于脱硫过程的辨识任务中。从更深的意义上讲,该文尝试使用深度学习模型对复杂系统进行辨识,所建立的AttLSTM网络之前未出现在系统辨识领域,该网络的出现可以丰富辨识模型的选择,同时为人工智能技术在系统辨识领域和控制领域的应用与推广提供参考。实验结果表明,相比于之前文献出现的脱硫过程建模方法,所提方法在不同性能指标上均具有更好的表现,由此可以证明深度AttLSTM网络在脱硫场景下的有效性。

摘要：智能汽车故障诊断技术对于保障智能汽车安全行驶具有重要意义,针对智能汽车传感器数据异常检测和车辆运动的异常检测提出了一种故障诊断方法.针对非时序传感器数据,采用基于超限学习框架的自动编码器,对正常数据进行特征压缩学习其特征表示,再利用压缩的特征重构数据,根据重构误差的大小判断数据是否异常.针对时序传感器数据,采用多层长短时记忆网络学习时序数据之间的时间依赖关系来预测当下时刻的数据值,根据预测误差的大小判断数据是否异常.提出一种阈值随误差大小动态变化的自适应阈值确定方法,使得决策变量对于异常值相对敏感.进一步地,采用车辆自行车运动学模型和Kalman滤波,利用Jarque-Bera测试对预测值和量测值残差的正态性进行检验来检测车辆运动是否异常.实际场地测试验证了本文所提出的方法可以有效检测非时序或时序传感器数据的异常,并对车辆运动是否异常进行检测.