改进深度置信网络对TE过程故障诊断研究
为了实现对TE过程的故障诊断,改进了深度置信网络(DBN)的故障诊断方法.传统DBN在训练过程有冗余特性,减弱网络的特征提取能力,改进DBN在无监督学习阶段的似然函数中加入惩罚正则项,通过稀疏约束得到DBN训练集的稀疏分布,再用Laplace函数的分布引导DBN节点的稀疏状态,用Laplace函数中的位置参数控制稀疏的力度,使无标签的数据特征更加直观的表示出来,最后将改进DBN和传统DBN、BP神经网络的仿真实验结果进行对比.实验结果,证明改进的DBN在故障诊断方面优于传统DBN和BP神经网络,达到了最好的诊断准确度,具有很高的理论研究价值.
TE过程、故障诊断、深度置信网络、惩罚正则项、拉普拉斯函数
42
TP277;TN98(自动化技术及设备)
2019-07-09(万方平台首次上网日期,不代表论文的发表时间)
共4页
117-120