超级会员免费看
滚动轴承故障诊断与退化状态预测的深度学习方法
1. 自动编码器与堆叠自动编码器神经网络
1.1 自动编码器的基本原理
自动编码器（AE）包含输入层、隐藏层和输出层三层结构。其工作原理是将高维空间的训练样本通过编码转换为低维空间的编码向量，再通过解码将编码向量重构为原始的高维空间向量。AE主要包括编码和解码两个阶段：
- 编码阶段 ：信息从前向后传递，公式为 (h_1 = f(w_1X + b_1)) ，其中 (X) 是输入信号，(w_1) 和 (b_1) 是编码阶段的权重和偏移量，(f) 是激活函数，通常为sigmoid或tanh函数。
- 解码阶段 ：信息从后向前传递，公式为 (\hat{X} = w_2h_1 + b_2) ，其中 (\hat{X}) 是解码层的输出信号，(w_2) 和 (b_2) 是解码阶段的权重和偏移量，且 (w_2 = w_1^T) 。
AE属于无监督训练，训练过程是寻找网络参数以最小化训练集 (D) 上的重构误差。重构误差表达式为 (J_{AE} = \sum_{x\in D}L(\hat{x}, x)) ，其中 (L(\hat{x}, x) = \frac{1}{N}|x - \hat{x}|^2) ，(N) 是样本数量，(L) 是重构误差函数，通常为平方误差函数。当重构误差足够小时，隐藏层的压缩特征向量保留了输入信号的大部分信息。
1.2 堆叠自动编码器神经网络
自动编码器是浅层神经网络，表达能力有限。为构建更具表现力的网络，将浅层网络依次叠加形成深度网络。具体实现过程如下：
1. 用输入数据训练
订阅专栏 解锁全文
扫一扫
89
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
