深度神經(jīng)網(wǎng)絡(luò)算法研究及應用.pdf

1、深度神經(jīng)網(wǎng)絡(luò)通過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。同時深度神經(jīng)網(wǎng)絡(luò)也是近年來人工智能和大數(shù)據(jù)分析領(lǐng)域研究的熱點。但基于自動編碼器的深度神經(jīng)網(wǎng)絡(luò)算法還存在訓練過程中隨機置零注入噪聲導致某些關(guān)鍵信息丟失和訓練耗時嚴重等方面的局限。因此，本文通過深入分析深度神經(jīng)網(wǎng)絡(luò)的三種常見模型，提出基于壓縮感知的自動編碼器和自適應噪聲的邊際化自動編碼器模型，彌補了人為隨機注入噪聲的不足以及降低了模型訓練耗時。論文

2、首先在標準MNIST數(shù)據(jù)集上對改進方法進行驗證，然后將改進的深度神經(jīng)網(wǎng)絡(luò)算法應用于高速列車的車輪磨耗狀態(tài)識別，結(jié)果表明該方法能夠高效地提取出反映高速列車車輪磨耗狀態(tài)的有效特征并進行狀態(tài)識別，為高速列車安全、平穩(wěn)運行提供保障。具體研究工作如下:
　　1、針對現(xiàn)有降噪自動編碼器在注入噪聲時的局限性，提出基于壓縮感知的深度自動編碼器方法，解決了噪聲注入的隨機性，提高了算法的精確度和抗噪性。在MNIST數(shù)據(jù)集上進行對比分析實驗，驗證算法有

3、效性和實用性。
　　2、針對自動編碼器對高維數(shù)據(jù)訓練時間較長以及邊際化自動編碼器每層注入噪聲固定的缺點，提出自適應噪聲的邊際化深度自動編碼器方法，提高了算法識別精度，同時縮短了模型訓練時間。在標準的MNIST數(shù)據(jù)集及MNIST變體數(shù)據(jù)集上進行方法驗證。實驗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練時間，并在MNIST數(shù)據(jù)集的數(shù)字識別中取得較好結(jié)果。
　　3、針對高速列車車輪踏面磨耗監(jiān)測數(shù)據(jù)，應用深