摘要：为高效准确识别桥梁结构损伤,将深度学习与结构动力特性相结合,提出基于双层深度置信网络的桥梁结构损伤识别方法。首先取结构前3阶竖向振动频率和跨中节点前3阶竖向振动模态位移为参数,将其共同作为首层深度置信网络(dbn)的输入数据对结构的损伤位置进行识别;然后以1阶竖向振动的模态位移差作为参数,基于二层dbn对结构损伤程度进行预测;最后以郑许市域铁路桥梁为例进行验证。计算结果显示,当不考虑误差时,基于双层深度置信网络的结构损伤方法进行识别且结果精确;当噪声程度不超过10%时,定位识别结果准确率达100%;当噪声程度不超过15%时,定量识别结果最大绝对误差限不超过1.15%,识别结果准确;与传统的BP神经网络方法相比,本方法识别精度更高,抗噪性更强。

摘要：随着信息技术的不断进步,实验室信息管理系统(LIMS)在标准管理方面的创新应用日益显现。本文重点探讨了两大创新点:一是通过精细化设计的互联网爬虫技术,实现标准数据的自动采集、解析与实时更新;二是引入深度置信网络(dbn)框架,构建智能匹配模型,为用户提供精准的标准推荐服务。这两项技术的融合应用,不仅提升了LIMS系统的智能化水平,也为实验室标准管理带来了革命性的变革。

摘要：针对已有空中目标威胁评估方法主观性强、稳定性弱、评估过程不连续的问题,综合考虑目标运动特性与目标属性,提出了一种基于动态贝叶斯(dynamic bayesian network,dbn)和逼近理想解法(TOPSIS)的融合威胁评估方法dbn-TOPSIS。通过分析来袭目标特征指标间的依赖关系,建立空中目标威胁评估指标体系。采用模糊理论处理连续型特征指标,统一指标形态,利用dbn进行动态威胁度等级概率推理。构造模糊dbn推理结果与TOPSIS评估矩阵之间的映射关系,采用TOPSIS法将威胁评估概率一维向量转换为确定数值,进行空中多目标威胁度准确排序。实验结果表明,融合威胁评估方法具有较好的合理性和稳定性。

摘要：针对动态贝叶斯网络(dbn)结构学习中涉及的度量分解问题,提出了dbn度量分解后的相关性能。首先,细化了dbn的贝叶斯信息度量(BIC)及贝叶斯-狄里克莱(BD)度量公式,通过表达式的分析,讨论了分解后的相关性质,进而提出了由分解公式提供给dbn结构学习的相关性能。其次,通过设计的性能分析仿真实验,验证了提出的若干设想,即将BN结构学习算法移植到dbn结构学习的可行性及分解降低算法复杂度等问题,并提出了寻找dbn快速结构学习算法的有效思路。

摘要：传统的智能诊断方法一般都是基于"特征提取+分类器"模型,其核心在于特征值的提取以及分类器的设计。针对不同的诊断对象,通常需要根据先验知识提取不同的故障特征值,这必将给最终的诊断结果带来诊断误差;与此同时,传统的分类器一般使用浅层模型,这使得其难以表征信号与装备运行状况之间复杂的映射关系。作为深度学习算法典型代表之一的深度信念网络(Deep Belief Network,dbn),可以直接从原始信号中提取特征并具有深度学习能力,因而已受到越来越多研究者的关注。但是dbn依然存在网络结构需要人为设定的缺陷,这也限制了dbn在工程实际中的应用。为解决dbn网络结构难以确定及如何提升其在工程实际应用中的诊断效率问题,提出了一种新的深度信念网络,即结构自适应深度信念网络(Structure Adaptive Deep Belief Network,SAdbn)。与dbn相比,SAdbn可以自适应地确定网络结构,有效提高诊断效率。对滚动轴承故障振动信号的分析结果表明了改进网络的有效性。

摘要：针对滚动轴承结构及其运行环境的复杂性和信号特征参数信息难以被提取的问题,提出一种由蜻蜓算法(DA)优化改进的深度置信网络方法(DA-Idbn)并应用于轴承故障诊断中.采用DA对神经网络结构进行优化设计,确定最优结构.应用最小批量随机梯度下降法对每一个自适应受限波尔茨曼机(RBM)进行预训练,并采用BP神经网络反向微调dbn的权重参数.通过实验验证了笔者所提方法的有效性,并取得了更好的分类效果.

摘要：为了提升线损管控的效率,文中对数据融合与智能计算技术进行了深入研究。基于电路叠加原理及牛顿-拉夫逊算法构建了以dbn为基础的融合模型,该模型将电网模型节点的有功及无功功率、节点电压作为模型输入,以线路的线损值为输出,并通过梯度上升法进行训练。在训练过程中根据不同的网络结构采取在线学习的方式对训练参数加以调整,进而保证了损失函数的收敛速度及网络参数的更新效率。在实际电力运行环境下进行的线损计算仿真结果表明,相较于BP网络,所提模型的MAPE提升了4.019%,而RMSE降低了74.40%,对于线损的计算能力显著提升。

摘要：通过内容分析法建立全过程咨询项目协同能力影响因素体系,在贝叶斯信念网络(BBN)的基础上,进一步运用动态贝叶斯网络(dbn)方法对价值增值视角下全过程咨询项目协同能力影响因素及其动态发展规律进行深入研究。基于建立的协同能力影响因素体系,对dbn模型进行预测分析,诊断分析,敏感性分析及最大致因链分析,得出政府资源、企业资质等级、企业竞争力、信息共享平台完善程度、创新能力这5个影响因素是影响全过程咨询项目协同能力的关键因素。并对全过程咨询项目协同能力dbn模型进行实证分析。结果表明,该模型准确有效,且在研究项目协同能力上具有准确性及优越性,可以推理得到全过程咨询项目协同能力随时间变化的规律,对管理者提高全过程咨询项目协同能力具有重要意义。

摘要：针对动态数据挖掘问题,提出了一种平稳系统连续变量动态贝叶斯网络(Dynamic Bayesian Networks,dbn)结构学习模型,用于智能体的自主优化;首先给出了平稳系统连续变量结构学习的基本思路及假设条件,讨论了平稳系统连续变量dbn结构学习的模型设计问题;其次,在诸多随机过程系统文献的基础上,提出了系统的BIC评分函数,在有限时间T内的情况给出三个定义,并设计了学习的基本框架;最后,设计了平稳系统连续变量的实验模型并进行了仿真,结果表明,该模型能正确地学习出所设计的dbn结构。

摘要：针对煤矿气体泄漏事故频发、监测难度大、环境参数界定模糊、可靠性差等问题,提出了基于dbn模型的多传感器数据融合的煤矿事故预警系统设计。系统利用NB-IOT技术设计了矿井环境信息采集节点,实时采集矿井内氧气、二氧化碳、烷类气体浓度,通过深度信念网络对多个传感器数据进行融合,提取特征并分类,直接得到矿井内环境状态,有效降低了环境参数模糊造成的判断失误。实验表明,系统能够对矿井状态进行准确判断,对煤矿安全事故预警有较大的参考价值。