机器学习
文章平均质量分 64
机器鱼
这个作者很懒,什么都没留下…
展开
-
基于EMD-HHT包络谱与堆栈降噪自编码SDAE轴承故障诊断
0.引言针对滚动轴承故障问题,提出一种基于经验模态分解–希尔伯特(empirical mode decomposition-Hilbert ,简称EMD-Hilbert)包络谱和堆栈自动编码器(Stack denoise auto-encoder,简称SDAE)的滚动轴承故障识别方法。该方法首先对滚动轴承各状态振动信号进行 EMD,然后选取前5个敏感本征模态函数 (intrinsic mode function,IMF),并对其进行 Hilbert 变换求取包络谱。最后将各状态振动信号的...原创 2022-03-12 16:31:55 · 3288 阅读 · 8 评论 -
贝叶斯优化混合核极限学习机回归预测
目前人工智能和深度学习越趋普及,构建一个回归或者分类模型十分容易,但是想要得到更好的精度却较为困难,其主要原因是模型超参数的选择。那么要想模型效果好,手动调参少不了,机器学习算法如SVM就有gamma、kernel、ceof等超参数要调,而神经网络模型有learning_rate、optimizer、L1/L2 normalization等更多超参数可以调优。目前大多数关于超参数选择的文献主要采用一些自动调参算法进行优化,比如Grid search(网格搜索)、Random search(随机搜索),还有.原创 2021-06-20 19:02:05 · 3299 阅读 · 2 评论 -
基于贝叶斯优化混合核支持向量机的回归方法
目前人工智能和深度学习越趋普及,构建一个回归或者分类模型十分容易,但是想要得到更好的精度却较为困难,其主要原因是模型超参数的选择。那么要想模型效果好,手动调参少不了,机器学习算法如SVM就有gamma、kernel、ceof等超参数要调,而神经网络模型有learning_rate、optimizer、L1/L2 normalization等更多超参数可以调优。目前大多数关于超参数选择的文献主要采用一些自动调参算法进行优化,比如Grid search(网格搜索)、Random search(随机搜索),还有G原创 2021-05-21 11:40:25 · 2650 阅读 · 4 评论 -
基于同步挤压小波降噪与改进麻雀优化长短时记忆网络的时间序列预测
长短时记忆网络LSTM在针对短时时间序列预测问题上近来年受到大家的关注,但由于该方法为深度学习方法,通常面临着众多超参数的影响,而众所周知,关于深度学习超参数的设置并没有一直明确的指导方针,大多采用经验方法,比如学习率1e-3,1e-4啥的,迭代次数根据loss曲线的变化等进行设置,这种方法说简单的就是无限尝试,找到效果比较好的一组,耗时耗力。为此,本文将采用改进的麻雀搜索算法ISSA对 LSTM进行参数优化 , 并用实例验证表明 , ISSA-LSTM 模型的预测效果。 ...原创 2021-01-28 11:02:36 · 4848 阅读 · 9 评论 -
麻雀SSA优化深度极限学习机用于回归
原理1: 深度极限学习机也叫多层极限学习机ML-ELM,其首先采用多个极限学习机-自动编码器(ELM-AE)进行无监督预训练,然后利用各ELM-AE的输出权重用于初始化整个DELM。相比于其他深度方法,DELM具有训练速度快的优点,但是ELM-AE在预训练的过程中,输入层权重与偏置是随机产生的正交随机矩阵;同时,ELM-AE无监督预训练过程中采用最小二乘法更新参数,但只有输出层权重参数会更新,而输入层权重与偏置是不进行更新的,这就导致了最终DELM的效果受各ELM-AE的随机...原创 2020-10-03 22:03:04 · 8668 阅读 · 18 评论 -
基于麻雀搜索算法优化深度置信网络的分类方法(SSA-DBN)
随着装备日趋复杂化,依靠专家经验或信号处理技术人工提取和选择故障特征变得越来越困难。此外,以 BP 神经网络、SVM为代表的浅层模型难以表征被测信号与装备健康状况之间复杂的映射关系,且面临维数灾难等问题。结合深度置信网络(DBN)在提取特征和处理高维、非线性数据等方面的优势,提出一种基于深度置信网络的故障诊断方法。该方法通过深度学习利用原始时域信号的傅里叶频谱(FFT)训练深度置信网络并完成智能诊断,其优势在于能够摆脱对大量信号处理技术与诊断经验的依赖,完成故障特征的自适应提取与健康状况的智...原创 2021-06-04 13:19:57 · 10706 阅读 · 21 评论 -
基于变分模态分解与麻雀优化最小二乘支持向量机的短期电力负荷预测(VMD-SSA-LSSVM)
短期电力负荷预测是电力系统安全调度、经济运行的重要依据 , 随着电力系统的市场化 , 负荷预测的精度直接影响到电力系统运行的可靠性、经济性和供电质量。LSTM 为短期电力负荷预测提供了一个新的研究方向。本文将LSTM用于短期电力负荷预测 , 提出基于LSTM的短期电力负荷预测模型 , 同时建立布谷鸟算法模型对 LSTM进行参数优化以提高预测精度, 并以浙江某地区的历史负荷数据和气象数据为例进行验证 , 实例验证表明 , CS-LSTM 模型的预测效果明显提高。 布谷鸟搜索(Cu...原创 2020-08-21 11:42:50 · 6836 阅读 · 20 评论 -
基于特征选择(PSO+CTree)的网络入侵检测
KDD数据作为常用的网络入侵检测数据集,原始数据集共41个特征值,包括部分字符型特征,通常我们会常用onehot编码的方法将这些字符型特征转为onehot数值型特征,举个列就是:特征1包含【A B C】三种字符型特征值,采用one-hot处理就删掉特征1,然后新增3个特征,原来含A的就变成了1 0 0 含B的变成了0 1 0 含C的变成了0 0 1 ,如下图1所示:...原创 2020-07-30 09:42:41 · 1744 阅读 · 3 评论 -
基于噪声学习的卷积降噪自动编码器用于图像去噪
python tensorflow1.14实现 卷积自动编码器用于图像去噪,这个博客主要是借鉴了DnCNN用于图像去噪的方式,论文可以直接搜到(https://arxiv.org/pdf/1608.03981.pdf),也有很多人对于这个论文的中文讲解(https://www.jianshu.com/p/3687ffed4aa8,https://blog.csdn.net/w...原创 2020-03-22 23:20:11 · 2392 阅读 · 2 评论 -
基于一维残差卷积自动编码器的滚动故障轴承诊断
滚动轴承故障诊断实质上是“特征提取+模式分类”的问题,即首先对原始震动信号进行特征提取,提取出其中的关键特征,然后采用分类器如SVM,KNN进行模式分类,可以说提取的特征越具表达性,分类器的精度就越高。表达性差的特征,不管换成啥分类器,精度都提高不了多少,而表达性强的特征,就算采用简单的KNN,精度都很高。 因此,合理的特征提取是提高故障诊断精度的关键。现有的震动...原创 2020-02-27 16:09:40 · 7657 阅读 · 55 评论 -
基于tf2.0的小波长短时记忆网络
这几天由于疫情出不了门,看到小波神经网络(其实就是BP的激活函数换成了小波基),另外学了一下tf2.0(习惯tf1的会很不习惯tf2.0,但是习惯torch的就会很习惯),就在家里做了基于tf2.0的小波神经网络、多层小波神经网络与小波长短时记忆网络,并将这几种网络用于时间序列预测。 1、小波神经网络 输入层-隐含层-小波基-输出层,结...原创 2020-02-26 16:12:40 · 1280 阅读 · 3 评论 -
基于EMD+模拟退火优化DBN的风速预测模型
图1 原始风速时间序列 风速预测主要是时间序列预测,通常采用滚动序列建模,即采用1-n时刻风速作为输入,第n+1时刻风速作为输出,然后采用第2到n+1时刻风速作为输...原创 2020-02-26 15:27:39 · 7802 阅读 · 16 评论 -
基于融合CNN(2D-CNN与1D-CNN融合)与SVM的滚动轴承故障诊断
本文将2D-CNN与1D-CNN融合,同时对轴承数据集进行训练,然后在汇聚层将两者池化层的输出连接成一个向量,送进全连接层。模型训练结束之后,取FC层的输出作为提取到的故障特征信号。数据来源,西储大学滚动轴承故障诊断数据集。 融合CNN的结构图如图所示:1,数据准备 对于10类故障(1正常,9故障),分别采集100组样本,共1000组,...原创 2020-01-07 11:11:30 · 19974 阅读 · 41 评论 -
差分进化杂草算法优化神经网络权阈值实现函数拟合
1,杂草改进策略及其标准函数的极值寻优测试,测试sphere函数,极值为0,维度30差分进化杂草算法是在杂草优化算法的基础上添加变异交叉选择操作。这是普通的杂草优化及其参数这是增加选择交叉变异操作后的差分进化杂草相关参数及其适应度曲线(取了对数log的,越负则log前的数越接近于0),其他参数均相同,只添加交叉和变异概率,选择是基于由此可以看出改进后的杂草比普通的杂草效...原创 2020-01-06 12:31:04 · 1043 阅读 · 2 评论 -
基于主成分分析的极限学习机
极限学习机的输入权重是随机生成的,这个因此每次的结果不一致。因此采用主成分分析,将原始数据降到N维(所设的隐含层节点数)。将得到的pca降维变换矩阵作为极限学习机的输入权重,效果更加稳定,如图所示。蓝颜色的是采用pca的变换矩阵做输入权重得到的图,可以看出,其分类效果较为平稳。红颜色的是随机输入权重,明显看到分类效果波动剧烈...原创 2019-09-26 16:19:44 · 747 阅读 · 0 评论 -
基于粒子群优化深度极限学习机的故障诊断方法
深度极限学习机(DELM)目前主要含两种基本结构:1、利用传统深度学习框架(主要是堆栈自动编码器,或者是深度置信网络)进行数据的深度自适应特征提取,而后将获得的特征输入至极限学习机及其变种中进行分类或回归;2、利用极限学习机与自动编码器相结合,形成极限学习机-自动编码器(ELM-AE),结构如图1,将ELM-AE作为无监督学习的基础单元对输入数据进行训练与学习,并保存ELM-AE由最...原创 2019-08-27 11:04:43 · 7141 阅读 · 8 评论