卷积神经网络设计原则精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的卷积神经网络设计原则主题范文，仅供参考，欢迎阅读并收藏。

第1篇：卷积神经网络设计原则范文

【关键词】系统故障预测 模型 数据

现阶段，针对系统故障预测方面的研究几乎为零，传统的做法一般主要是依靠科研人员通过人工分析采集到的数据，结合积累的经验等进行简单粗略的估计，而无法做到实际意义上的故障预测，且这类传统的方法往往需要耗费巨大的人力、物力成本，同时预测的周期短、精度差、准确性低，可靠性和实时性得不到保证，往往无法得到令人满意的效果。

为实现真正意义上的系统的故障预测，同时克服上述传统方法的弊端，针对高复杂度、高集成度的综合系统，开展自主学习的故障预测技术研究具有极其重要的意义。该研究能够进一步推动故障预测技术在复杂系统乃至航天等各领域内的实践和应用，为进一步研究故障预测技术打下基础。

1 故障预测的国内外研究现状

关于故障预测方面的研究国外已有一定的成果，但其在许多领域的应用并不完善，而国内在这方面的研究尚处于起步和探索阶段。

以系统运行各状态为基础，采用人工智能领域中深度置信网络（DBN）高效的深度学习算法构建故障的预测模型，从而实现系统故障的有效预测。

国外率先对复杂系统进行故障预测研究是20世纪70年代Saeks等人，他们所研究的是系统中出现故障的征兆，由于这种征兆幅值很小，还没有对系统造成破坏，所以很难用一般的方法辨别出，因此发展一直很缓慢，一度陷入困境。Khoshgoftaar等人在1992年提出了用神经网络来训练神经元进行软件系统的故障测定，这种经过训练的模型的优势在于对故障的趋势预测。2007年国际空间站的飞行控制委员会通过监测国际空间站上4个陀螺仪的若干参数提前数月预测和发现某个陀螺仪的失效故障，从而能够及时切换以保障空间站的正常运行。

我国在故障预测方面的研究较晚，目前尚处于理论研究阶段。如2003年重庆大学的孙才新院士及其课题组利用模糊数学中的灰色模型研究了电力系统故障的预测问题。2005年，南京理工大学的秦俊奇以大口径火炮为研究对象，运用先进的动态模糊综合评判理论和多Agent并行推理技术，在对火炮进行详细故障分析的基础上，对故障预测技术进行了系统的理论和应用研究并建立了相应的故障预测模型。近几年PHM技术也受到了军事及航天等领域越来越多的重视，北京航空航天大学可靠性工程研究所、航空643所、哈尔滨工业大学等研究机构从设备监控衰退规律、故障预测模型、健康管理技术等方面对PHM技术进行了较多跟踪研究。

2 模型建立方法及需要解决的关键技术

2.1 模型建立方法

建立自主学习模型时，采用数据挖掘的方法对系统大量的历史数据进行分析，同时并结合数据融合及维度变换设计特征集的分类器以提取和建立特征参数，建立其对应的特征指标参数体系，通过传感器网络采集获得参数，并对原始数据进行预处理以提取出有效数据，再将有效数据作为深度学习的数据基础，经过反复的训练和学习，以建立相关的故障预测模型，再应用测试验证系统进行反复验证、调整，最终建立故障预测的学习模型。

2.2 建立学习模型的关键技术

2.2.1 系统特征参数体系的建立

针对某系统，依据一定的原则，利用主观或客观的方法建立相互独立、能够敏感反映整个系统的各项指标参数，即表征系统的特征集，如工作、性能、功能、环境等参数，常用的方法包括数据挖掘、基于贝叶斯理论的信息融合、多维度数据变换等。

2.2.2 通过机器自主深度学习建立相应的模型

研究和借鉴国内外关于深度学习、故障预测方面的理论和成果，尤其关注深度学习在预测及多特征量预测方面的应用，在此基础上结合系统的特征参数、各类故障和非故障模式状态的特点，提出一种深度学习算法，通过学习和训练建立相应的故障预测模型，利用验证系统和实际系统的应用数据，通过逐层反复学习和训练设定模型的最优初始化参数，并以自顶向下的监督算法进行调整使得模型收敛，从而实现故障预测、深度学习与系统应用相结合。主要的自主学习技术包括卷积神经网络、深度波尔兹曼机模型、深度置信网络等。

2.2.3 多维度数据分析方法的研究

针对测试数据与监测数据的独立性，拟采用贝叶斯方法对数据进行融合，建立一种基于异构空间的数据模型，再结合特征提取与特征抽象，对多维度数据进行分析。

3 总结

通过对现有数据的分析，提取故障特征信息，建立故障特征信息库，构造一个多层的人工神经网络模型，通过模型层次的分析获得样本的本质表示，结合故障注入的方法，提出故障注入的方案，利用故障注入验证自主学习方法。

再结合多维度数分析方法，建立多维度数据模型，同样利用故障注入技术，建立多维度数据的故障信息，通过状态预测模型进行故障预测，结合注入的故障信息，对故障预测的结论进行反馈和确认。最终确立自主学习模型，达到系统故障预测的目的。

参考文献

[1]朱大奇.航空电子设备故障诊断技术研究[D].南京：南京航空航天大学，2002：1-3.

[2]彭俊杰，洪炳，袁成军.软件实现的星载系统故障注入技术研究[J].哈尔滨工业大学学报，2004，36（07）：934-936.

[3]张宝珍.先进的诊断和预测技术[J].装备质量，2001.

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

[5]郑胤，陈权崎，章毓晋.深度学习及其在目标和行为识别中的新进展[J].中国图像形象学报，2014（02）：175-184.

[6]郭丽丽，丁世飞.深度学习研究进展[J].计算机科学，2015，42（05）：28-33.