[发明专利]一种基于深度信念网的设备运行状态评价方法

摘要

本发明公开了一种基于深度信念网的设备运行状态评价方法，其方法为：第一步、预训练：构建受限的波尔兹曼机，使数据信号能够在数层的受限的波尔兹曼机之间传递，深度信念网训练首先对每层受限的波尔兹曼机进行预训练，受限的波尔兹曼机采用的是无监督学习方法；第二步、微调：在数层的受限的波尔兹曼机之上添加逻辑回归层并进行训练，然后采用误差逆传播算法对整个深度信念网进行参数微调；第三步、测试：运用第一步和第二步中训练的深度信念网络，对设备运行数据的测试样本集X_test中的样本进行测试。有益效果：能够训练出一个精确度较高的评价设备运行状态的深度信念网络。提供一种科学有效的设备运行状态评价标准。

主权项

1.一种基于深度信念网的设备运行状态评价方法，其特征在于：其方法如下所述：第一步、预训练：构建受限的波尔兹曼机，使数据信号能够在数层的受限的波尔兹曼机之间传递，然后利用k次对比散度算法逐层训练受限的波尔兹曼机；深度信念网包含数个受限的波尔兹曼机，受限的波尔兹曼机是一个两层的神经网络，一是可见层，即输入层，二是隐层，层与层之间全连接，层内无连接，受限的波尔兹曼机是一个二分图，其输出有两种状态0和1，0和1分别表示未激活与激活，深度信念网训练首先对每层受限的波尔兹曼机进行预训练，受限的波尔兹曼机采用的是无监督学习方法；第二步、微调：在数层的受限的波尔兹曼机之上添加逻辑回归层并进行训练，然后采用误差逆传播算法对整个深度信念网进行参数微调，深度信念网由L层受限的波尔兹曼机和一层逻辑回归层组成，在对每一层受限的波尔兹曼机进行预训练之后，需要在深度信念网的最顶层加一层逻辑回归层，来表示期望得到的输出，逻辑回归层由输入层和输出层组成，采用有监督学习的算法，逻辑回归层的输入即为微调样本集X_finetune，输出为设备的最终预测状态；第三步、测试：运用第一步和第二步中训练的深度信念网络，对设备运行数据的测试样本集X_test中的样本进行测试。