并行化深度學習算法及其應用研究.pdf

1、隨著高速列車的快速發(fā)展，高速列車安全性問題逐漸引起人們的重視。高速列車振動監(jiān)測數(shù)據(jù)為分析列車服役性能提供了條件。然而，如何及時準確地從這些海量數(shù)據(jù)中挖掘故障特性進行故障診斷，是目前存在的難題。同樣，現(xiàn)代雷達對抗面臨著戰(zhàn)場電磁環(huán)境日益復雜的問題。如何從各種復雜的、長期累積的偵察數(shù)據(jù)中提取出新的有效特征進行雷達輻射源信號分選識別也是難點。
　　深度學習是近年來機器學習領(lǐng)域中的研究熱點，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、具備強大的數(shù)據(jù)特征表達能力。因此，本文將DBN算法分別應用于高速列車故障診斷與雷達輻射源信號分選識別當中。
　　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平臺結(jié)合，構(gòu)建了并行化DBN算法。并選取標準MNIST數(shù)據(jù)集進行實驗，實驗結(jié)果顯示數(shù)字總體識別率達到98％，加速比提高到3,從而說明并行化DBN算法在識別結(jié)果準確率、并行化效率方面具有良好表現(xiàn)。
　　然后分析高速列車正常和故障振動數(shù)據(jù)的時域、頻域

3、特性。利用信號的頻譜系數(shù)初始化DBN的可見單元后，運用并行化DBN算法對高速列車振動數(shù)據(jù)進行深層特征提取并進行故障分類。實驗結(jié)果表明，通過對較好通道的統(tǒng)計結(jié)果來看，列車故障辨識的識別率為96％，故障定位識別率為89％，且算法效率有一些提升。
　　最后分析5種體制下的雷達輻射源信號五參數(shù)特征。利用信號的五參數(shù)特征初始化DBN的可見單元，將并行化DBN算法應用于雷達輻射源信號分選識別中，實現(xiàn)對雷達輻射源信號進行抽象特征提取及分類。實驗