详情

原文传递深度神经网络算法研究及应用

论文题名：	深度神经网络算法研究及应用
关键词：	高速列车;车轮磨耗;状态识别;深度神经网络
摘要：	深度神经网络通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。同时深度神经网络也是近年来人工智能和大数据分析领域研究的热点。但基于自动编码器的深度神经网络算法还存在训练过程中随机置零注入噪声导致某些关键信息丢失和训练耗时严重等方面的局限。因此，本文通过深入分析深度神经网络的三种常见模型，提出基于压缩感知的自动编码器和自适应噪声的边际化自动编码器模型，弥补了人为随机注入噪声的不足以及降低了模型训练耗时。论文首先在标准MNIST数据集上对改进方法进行验证，然后将改进的深度神经网络算法应用于高速列车的车轮磨耗状态识别，结果表明该方法能够高效地提取出反映高速列车车轮磨耗状态的有效特征并进行状态识别，为高速列车安全、平稳运行提供保障。具体研究工作如下: 　　1、针对现有降噪自动编码器在注入噪声时的局限性，提出基于压缩感知的深度自动编码器方法，解决了噪声注入的随机性，提高了算法的精确度和抗噪性。在MNIST数据集上进行对比分析实验，验证算法有效性和实用性。　　2、针对自动编码器对高维数据训练时间较长以及边际化自动编码器每层注入噪声固定的缺点，提出自适应噪声的边际化深度自动编码器方法，提高了算法识别精度，同时缩短了模型训练时间。在标准的MNIST数据集及MNIST变体数据集上进行方法验证。实验表明该方法不仅克服了每层固定添加噪声的局限性，而且大大缩短了模型的训练时间，并在MNIST数据集的数字识别中取得较好结果。　　3、针对高速列车车轮踏面磨耗监测数据，应用深度神经网络及改进的算法对高速列车车轮磨耗状态进行识别，取得了较好的分类识别效果。对高速列车车轮磨耗实测监测数据进行实验分析，实验结果表明:在此种条件下，该方法能够有效地识别高速列车车轮磨耗状态，为高速列车车轮磨耗识别提供了新思路。　　本文的研究内容是国家自然科学基金重点项目《监测数据的高速列车服役安全性态评估的关键问题研究》的重要组成部分。
作者：	庞荣
专业：	控制工程
导师：	余志斌
授予学位：	硕士
授予学位单位：	西南交通大学
学位年度：	2016
正文语种：	中文