卷積神經(jīng)網(wǎng)絡設計原則精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的卷積神經(jīng)網(wǎng)絡設計原則主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：卷積神經(jīng)網(wǎng)絡設計原則范文

【關鍵詞】系統(tǒng)故障預測 模型 數(shù)據(jù)

現(xiàn)階段，針對系統(tǒng)故障預測方面的研究幾乎為零，傳統(tǒng)的做法一般主要是依靠科研人員通過人工分析采集到的數(shù)據(jù)，結(jié)合積累的經(jīng)驗等進行簡單粗略的估計，而無法做到實際意義上的故障預測，且這類傳統(tǒng)的方法往往需要耗費巨大的人力、物力成本，同時預測的周期短、精度差、準確性低，可靠性和實時性得不到保證，往往無法得到令人滿意的效果。

為實現(xiàn)真正意義上的系統(tǒng)的故障預測，同時克服上述傳統(tǒng)方法的弊端，針對高復雜度、高集成度的綜合系統(tǒng)，開展自主學習的故障預測技術研究具有極其重要的意義。該研究能夠進一步推動故障預測技術在復雜系統(tǒng)乃至航天等各領域內(nèi)的實踐和應用，為進一步研究故障預測技術打下基礎。

1 故障預測的國內(nèi)外研究現(xiàn)狀

關于故障預測方面的研究國外已有一定的成果，但其在許多領域的應用并不完善，而國內(nèi)在這方面的研究尚處于起步和探索階段。

以系統(tǒng)運行各狀態(tài)為基礎，采用人工智能領域中深度置信網(wǎng)絡（DBN）高效的深度學習算法構(gòu)建故障的預測模型，從而實現(xiàn)系統(tǒng)故障的有效預測。

國外率先對復雜系統(tǒng)進行故障預測研究是20世紀70年代Saeks等人，他們所研究的是系統(tǒng)中出現(xiàn)故障的征兆，由于這種征兆幅值很小，還沒有對系統(tǒng)造成破壞，所以很難用一般的方法辨別出，因此發(fā)展一直很緩慢，一度陷入困境。Khoshgoftaar等人在1992年提出了用神經(jīng)網(wǎng)絡來訓練神經(jīng)元進行軟件系統(tǒng)的故障測定，這種經(jīng)過訓練的模型的優(yōu)勢在于對故障的趨勢預測。2007年國際空間站的飛行控制委員會通過監(jiān)測國際空間站上4個陀螺儀的若干參數(shù)提前數(shù)月預測和發(fā)現(xiàn)某個陀螺儀的失效故障，從而能夠及時切換以保障空間站的正常運行。

我國在故障預測方面的研究較晚，目前尚處于理論研究階段。如2003年重慶大學的孫才新院士及其課題組利用模糊數(shù)學中的灰色模型研究了電力系統(tǒng)故障的預測問題。2005年，南京理工大學的秦俊奇以大口徑火炮為研究對象，運用先進的動態(tài)模糊綜合評判理論和多Agent并行推理技術，在對火炮進行詳細故障分析的基礎上，對故障預測技術進行了系統(tǒng)的理論和應用研究并建立了相應的故障預測模型。近幾年PHM技術也受到了軍事及航天等領域越來越多的重視，北京航空航天大學可靠性工程研究所、航空643所、哈爾濱工業(yè)大學等研究機構(gòu)從設備監(jiān)控衰退規(guī)律、故障預測模型、健康管理技術等方面對PHM技術進行了較多跟蹤研究。

2 模型建立方法及需要解決的關鍵技術

2.1 模型建立方法

建立自主學習模型時，采用數(shù)據(jù)挖掘的方法對系統(tǒng)大量的歷史數(shù)據(jù)進行分析，同時并結(jié)合數(shù)據(jù)融合及維度變換設計特征集的分類器以提取和建立特征參數(shù)，建立其對應的特征指標參數(shù)體系，通過傳感器網(wǎng)絡采集獲得參數(shù)，并對原始數(shù)據(jù)進行預處理以提取出有效數(shù)據(jù)，再將有效數(shù)據(jù)作為深度學習的數(shù)據(jù)基礎，經(jīng)過反復的訓練和學習，以建立相關的故障預測模型，再應用測試驗證系統(tǒng)進行反復驗證、調(diào)整，最終建立故障預測的學習模型。

2.2 建立學習模型的關鍵技術

2.2.1 系統(tǒng)特征參數(shù)體系的建立

針對某系統(tǒng)，依據(jù)一定的原則，利用主觀或客觀的方法建立相互獨立、能夠敏感反映整個系統(tǒng)的各項指標參數(shù)，即表征系統(tǒng)的特征集，如工作、性能、功能、環(huán)境等參數(shù)，常用的方法包括數(shù)據(jù)挖掘、基于貝葉斯理論的信息融合、多維度數(shù)據(jù)變換等。

2.2.2 通過機器自主深度學習建立相應的模型

研究和借鑒國內(nèi)外關于深度學習、故障預測方面的理論和成果，尤其關注深度學習在預測及多特征量預測方面的應用，在此基礎上結(jié)合系統(tǒng)的特征參數(shù)、各類故障和非故障模式狀態(tài)的特點，提出一種深度學習算法，通過學習和訓練建立相應的故障預測模型，利用驗證系統(tǒng)和實際系統(tǒng)的應用數(shù)據(jù)，通過逐層反復學習和訓練設定模型的最優(yōu)初始化參數(shù)，并以自頂向下的監(jiān)督算法進行調(diào)整使得模型收斂，從而實現(xiàn)故障預測、深度學習與系統(tǒng)應用相結(jié)合。主要的自主學習技術包括卷積神經(jīng)網(wǎng)絡、深度波爾茲曼機模型、深度置信網(wǎng)絡等。

2.2.3 多維度數(shù)據(jù)分析方法的研究

針對測試數(shù)據(jù)與監(jiān)測數(shù)據(jù)的獨立性，擬采用貝葉斯方法對數(shù)據(jù)進行融合，建立一種基于異構(gòu)空間的數(shù)據(jù)模型，再結(jié)合特征提取與特征抽象，對多維度數(shù)據(jù)進行分析。

3 總結(jié)

通過對現(xiàn)有數(shù)據(jù)的分析，提取故障特征信息，建立故障特征信息庫，構(gòu)造一個多層的人工神經(jīng)網(wǎng)絡模型，通過模型層次的分析獲得樣本的本質(zhì)表示，結(jié)合故障注入的方法，提出故障注入的方案，利用故障注入驗證自主學習方法。

再結(jié)合多維度數(shù)分析方法，建立多維度數(shù)據(jù)模型，同樣利用故障注入技術，建立多維度數(shù)據(jù)的故障信息，通過狀態(tài)預測模型進行故障預測，結(jié)合注入的故障信息，對故障預測的結(jié)論進行反饋和確認。最終確立自主學習模型，達到系統(tǒng)故障預測的目的。

參考文獻

[1]朱大奇.航空電子設備故障診斷技術研究[D].南京：南京航空航天大學，2002：1-3.

[2]彭俊杰，洪炳，袁成軍.軟件實現(xiàn)的星載系統(tǒng)故障注入技術研究[J].哈爾濱工業(yè)大學學報，2004，36（07）：934-936.

[3]張寶珍.先進的診斷和預測技術[J].裝備質(zhì)量，2001.

[4]Baroth E，Powers W T，F(xiàn)ox J.IVHM（integrated vehicle health management）techniques for future space vehicles[J].37thJoint Propulsion Conference & Exhibit，2001.

[5]鄭胤，陳權崎，章毓晉.深度學習及其在目標和行為識別中的新進展[J].中國圖像形象學報，2014（02）：175-184.

[6]郭麗麗，丁世飛.深度學習研究進展[J].計算機科學，2015，42（05）：28-33.