集成参数自适应调整及隐含层降噪的深层RBM算法
深度置信网络是由若干层无监督的限制玻尔兹曼机(Restricted Boltzmann machines,RBM)和一层有监督的反馈神经网络组成的深层结构,该结构通过对低层输入的逐层抽象转化提取复杂输入及复杂分类数据的有效信息.然而,深度置信网络模型存在隐含层数及特征维数难以确定,后向有监督过程存在"导数消亡"问题,使得低层结构参数得不到有效的训练,而且噪声干扰直接影响识别结果的问题.针对以上问题,提出以下解决方法:每个隐含层位置构建当前层输出与样本标签之间的映射转换矩阵,根据理论标签与实际标签之间的差异,实现隐含层特征维数的自适应调整,缓解"导数消亡"问题,同时在第一隐含层位置进行特征空间降噪,保证计算效率及提高诊断模型的识别效果.复杂工况的齿轮箱故障模拟实验,验证所提方法的有效性.
限制玻尔兹曼机、特征提取、降噪、齿轮箱
43
TP3;TP1
国家自然科学基金51605406, 51475170, 51605405, 51405272;厦门理工学院科研启动项目YKJ14042R;福建省自然科学基金青年基金2014J05065;广东高校青年创新人才项目2014KQNCX176 资助 Supported by National Natural Science Foundation of China51605406, 51475170, 51605405, 51405272;Scientific Research Project of Xiamen University of TechnologyYKJ14042R;Nat-ural Science Foundation of Fujian Province2014J05065;Foun-dation for Distinguished Young Talents in Higher Education of Guangdong2014KQNCX176
2017-06-27（万方平台首次上网日期，不代表论文的发表时间）
共11页
855-865
