并行化深度學(xué)習(xí)算法及其應(yīng)用研究.pdf

1、隨著高速列車(chē)的快速發(fā)展，高速列車(chē)安全性問(wèn)題逐漸引起人們的重視。高速列車(chē)振動(dòng)監(jiān)測(cè)數(shù)據(jù)為分析列車(chē)服役性能提供了條件。然而，如何及時(shí)準(zhǔn)確地從這些海量數(shù)據(jù)中挖掘故障特性進(jìn)行故障診斷，是目前存在的難題。同樣，現(xiàn)代雷達(dá)對(duì)抗面臨著戰(zhàn)場(chǎng)電磁環(huán)境日益復(fù)雜的問(wèn)題。如何從各種復(fù)雜的、長(zhǎng)期累積的偵察數(shù)據(jù)中提取出新的有效特征進(jìn)行雷達(dá)輻射源信號(hào)分選識(shí)別也是難點(diǎn)。
　　深度學(xué)習(xí)是近年來(lái)機(jī)器學(xué)習(xí)領(lǐng)域中的研究熱點(diǎn)，深度信念網(wǎng)絡(luò)(DBN)作為構(gòu)造這種深層結(jié)構(gòu)的先驅(qū)，

2、具備強(qiáng)大的數(shù)據(jù)特征表達(dá)能力。因此，本文將DBN算法分別應(yīng)用于高速列車(chē)故障診斷與雷達(dá)輻射源信號(hào)分選識(shí)別當(dāng)中。
　　首先本文深入分析深度信念網(wǎng)絡(luò)算法(DBN)，將DBN算法與Hadoop平臺(tái)結(jié)合，構(gòu)建了并行化DBN算法。并選取標(biāo)準(zhǔn)MNIST數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果顯示數(shù)字總體識(shí)別率達(dá)到98％，加速比提高到3,從而說(shuō)明并行化DBN算法在識(shí)別結(jié)果準(zhǔn)確率、并行化效率方面具有良好表現(xiàn)。
　　然后分析高速列車(chē)正常和故障振動(dòng)數(shù)據(jù)的時(shí)域、頻域

3、特性。利用信號(hào)的頻譜系數(shù)初始化DBN的可見(jiàn)單元后，運(yùn)用并行化DBN算法對(duì)高速列車(chē)振動(dòng)數(shù)據(jù)進(jìn)行深層特征提取并進(jìn)行故障分類(lèi)。實(shí)驗(yàn)結(jié)果表明，通過(guò)對(duì)較好通道的統(tǒng)計(jì)結(jié)果來(lái)看，列車(chē)故障辨識(shí)的識(shí)別率為96％，故障定位識(shí)別率為89％，且算法效率有一些提升。
　　最后分析5種體制下的雷達(dá)輻射源信號(hào)五參數(shù)特征。利用信號(hào)的五參數(shù)特征初始化DBN的可見(jiàn)單元，將并行化DBN算法應(yīng)用于雷達(dá)輻射源信號(hào)分選識(shí)別中，實(shí)現(xiàn)對(duì)雷達(dá)輻射源信號(hào)進(jìn)行抽象特征提取及分類(lèi)。實(shí)驗(yàn)