深度神經(jīng)網(wǎng)絡(luò)算法研究及應(yīng)用.pdf

1、深度神經(jīng)網(wǎng)絡(luò)通過(guò)組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。同時(shí)深度神經(jīng)網(wǎng)絡(luò)也是近年來(lái)人工智能和大數(shù)據(jù)分析領(lǐng)域研究的熱點(diǎn)。但基于自動(dòng)編碼器的深度神經(jīng)網(wǎng)絡(luò)算法還存在訓(xùn)練過(guò)程中隨機(jī)置零注入噪聲導(dǎo)致某些關(guān)鍵信息丟失和訓(xùn)練耗時(shí)嚴(yán)重等方面的局限。因此，本文通過(guò)深入分析深度神經(jīng)網(wǎng)絡(luò)的三種常見(jiàn)模型，提出基于壓縮感知的自動(dòng)編碼器和自適應(yīng)噪聲的邊際化自動(dòng)編碼器模型，彌補(bǔ)了人為隨機(jī)注入噪聲的不足以及降低了模型訓(xùn)練耗時(shí)。論文

2、首先在標(biāo)準(zhǔn)MNIST數(shù)據(jù)集上對(duì)改進(jìn)方法進(jìn)行驗(yàn)證，然后將改進(jìn)的深度神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于高速列車(chē)的車(chē)輪磨耗狀態(tài)識(shí)別，結(jié)果表明該方法能夠高效地提取出反映高速列車(chē)車(chē)輪磨耗狀態(tài)的有效特征并進(jìn)行狀態(tài)識(shí)別，為高速列車(chē)安全、平穩(wěn)運(yùn)行提供保障。具體研究工作如下:
　　1、針對(duì)現(xiàn)有降噪自動(dòng)編碼器在注入噪聲時(shí)的局限性，提出基于壓縮感知的深度自動(dòng)編碼器方法，解決了噪聲注入的隨機(jī)性，提高了算法的精確度和抗噪性。在MNIST數(shù)據(jù)集上進(jìn)行對(duì)比分析實(shí)驗(yàn)，驗(yàn)證算法有

3、效性和實(shí)用性。
　　2、針對(duì)自動(dòng)編碼器對(duì)高維數(shù)據(jù)訓(xùn)練時(shí)間較長(zhǎng)以及邊際化自動(dòng)編碼器每層注入噪聲固定的缺點(diǎn)，提出自適應(yīng)噪聲的邊際化深度自動(dòng)編碼器方法，提高了算法識(shí)別精度，同時(shí)縮短了模型訓(xùn)練時(shí)間。在標(biāo)準(zhǔn)的MNIST數(shù)據(jù)集及MNIST變體數(shù)據(jù)集上進(jìn)行方法驗(yàn)證。實(shí)驗(yàn)表明該方法不僅克服了每層固定添加噪聲的局限性，而且大大縮短了模型的訓(xùn)練時(shí)間，并在MNIST數(shù)據(jù)集的數(shù)字識(shí)別中取得較好結(jié)果。
　　3、針對(duì)高速列車(chē)車(chē)輪踏面磨耗監(jiān)測(cè)數(shù)據(jù)，應(yīng)用深