CN112347917B - 一种燃气轮机故障诊断方法、***、设备及存储介质 - Google Patents

Abstract

本发明涉及一种燃气轮机故障诊断方法、***、设备及存储介质，其包括：构建深度置信网络模型；对燃气轮机的原始振动信号进行压缩后，输入深度置信网络模型；对深度置信网络模型的结构参数寻优，搜索诊断效果最好的最优深度置信网络模型；根据最优深度置信网络模型对燃气轮机进行故障诊断。本发明基于峰值保持降采样法和粒子群算法优化的深度置信网络模型能够将样本数据缩减，减少模型训练时间，并实现网络结构参数的寻优。对于燃气轮机转子***气流激振故障，与其他浅层网络对比，以原始振动信号作为输入训练得到的深度置信网络模型具有更好的诊断性能以及分类能力。

Description

一种燃气轮机故障诊断方法、***、设备及存储介质

技术领域

本发明涉及一种燃气轮机故障诊断技术领域，特别是关于一种基于原始信息压缩的深度置信网络的燃气轮机故障诊断方法、***、设备及存储介质。

背景技术

燃气轮机作为一种先进动力设备，在舰船、航空、车辆、发电设备得到了很大的应用。气流激振作为燃气轮机因工作介质而引发的故障，具有突发性和不稳定性，严重影响燃气轮机稳定工作范围和运行可靠性，压气机产生旋转失速团,出现啸叫声，压气机振动增大，其故障频率多表现为低频分量。由于燃气轮机运行过程中工况复杂，经常处于变速非平稳状态，因此对燃气轮机的故障诊断比较困难。目前针对气流激振故障仍然采用传统的诊断方法如时域序列分析、频域分析、时频分析等方法，传统诊断方法不具有智能性以及快速诊断的能力，而且要求诊断人员有较高的专业积累，因此研究燃气轮机智能诊断算法十分重要。

深度置信网络(Deep Belief Network，DBN)是一种典型深度神经网络，可以直接以原始振动信号作为输入，从低层数据提取更加抽象的高层特征，从而实现有效分类，拥有比人工神经网络，支持向量机等浅层网络更强的特征提取和非线性映射能力，避免了特征提取过程中的不确定性，实现故障诊断的智能化以及自动化。虽然目前基于深度置信网络的方法比较多，但是针对燃气轮机振动信号特点的DBN智能诊断模型还比较缺乏，且当以原始振动信号为DBN输入时，模型训练时间偏长，以及DBN网络结构参数的智能优化算法比较缺乏。

发明内容

针对上述问题，本发明的目的是提供一种基于深度置信网络的燃气轮机故障诊断方法、***、设备及存储介质，其能将样本数据缩减，减少模型训练时间，并实现网络结构参数的寻优；并具有更好的诊断性能以及分类能力。

为实现上述目的，本发明采取以下技术方案：一种峰值保持降采样深度置信网络燃气轮机故障诊断方法，其包括以下步骤：1)构建深度置信网络模型；2)对燃气轮机的原始振动信号进行压缩后，输入深度置信网络模型；3)对深度置信网络模型的结构参数寻优，搜索诊断效果最好的最优深度置信网络模型，作为优化后的自适应故障诊断模型；4)采集来自于实际试验台或者燃气轮机测点的振动信号，进行极差归一化处理后，采用峰值降采样对信号进行压缩，然后将获得特征输入自适应故障诊断模型，获得故障诊断结果，完成故障诊断。

进一步，采用峰值保持降采样方法对原始振动信号进行等间隔分段，将每段的峰值作为重采样值，实现对原始振动信号的压缩，保留信号的冲击特征。

进一步，所述峰值保持降采样方法包括以下步骤：

2.1)假设被采集的振动信号为包含P个点的振动信号s(t)，采样频率f₀，则：

s(t)＝[t₀,t₁,…,t_p]，0≤p≤P-1；

2.2)将振动信号s(t)分为M个数据段，则振动信号s(t)变换为S(T),分段变换后的信号S(T)为：

S(T)＝[S(T₀),S(T₁),…,S(T_m)]，0≤m≤M-1

式中，s(t_p)表示第p个点的振动信号，S(T_m)表示第m个数据段的信号；

2.3)提取序列S(T_m)中数值绝对值的最大值作为保留值代表序列S(T_m)，将所有数据段中数值绝对值的最大值重新排列，得到降采样后的信号序列。

进一步，采用粒子群优化方法对深度置信网络模型的结构参数寻优。

进一步，粒子的位置和速度更新公式为：

式中，

和

分别表示粒子q第k次迭代后的速度和位置；W表示惯性权重；c₁、c₂为加速度因子；r₁、r₂为在(0,1)之间的随机数；p_q为粒子q最佳位置；P_g为种群最佳位置。

进一步，所述深度置信网络模型的结构由多层的受限波尔兹曼机和一层BP网络构成，从原始振动信号中自动提取特征，实现数据的有效映射；该模型训练过程由预训练和微调构成。

进一步，所述微调为：设输入样本为x，DBN网络由l个RBM层构成，最后一层RBM输出为u_l(x)，其中，DBN为深度置信网络模型，RBM为受限波尔兹曼机；DBN网络输出层以softmax函数作为激活函数，则DBN网络输出为：

其中，

为网络最后一层的输出，soft max为输出层的激活函数；

采用平均平方误差作为损失函数，采用最小均方误差原则的反向误差传播算法来更新整个网络的参数，损失函数为：

其中，E为前向传播的平均平方误差，

为输出层输出，X_i为期望输出，N为样本个数。

一种峰值保持降采样深度置信网络燃气轮机故障诊断***，其包括：模型构建模块、数据压缩模块、寻优模块和诊断模块；

所述模型构建模块构建深度置信网络模型；

所述数据压缩模块对燃气轮机的原始振动信号进行压缩后，输入深度置信网络模型；

所述寻优模块对深度置信网络模型的结构参数寻优，搜索诊断效果最好的最优深度置信网络模型；

所述诊断模块采集来自于实际试验台或者燃气轮机测点的振动信号，进行极差归一化处理后，采用峰值降采样对信号进行压缩，然后将获得特征输入自适应故障诊断模型，获得故障诊断结果，完成故障诊断。

一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述方法中的任一方法。

一种计算设备，其包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述方法中的任一方法的指令。

本发明由于采取以上技术方案，其具有以下优点：1、本发明基于峰值保持降采样法和粒子群算法优化的深度置信网络模型能够将样本数据缩减，减少模型训练时间，并实现网络结构参数的寻优。2、本发明对于燃气轮机转子***气流激振故障，与其他浅层网络对比，以原始振动信号作为输入训练得到的深度置信网络模型具有更好的诊断性能以及分类能力。

附图说明

图1深度置信网络故障诊断流程示意图。

图2深度置信网络结构示意图。

图3燃气轮机转子***原理示意图。

图4机匣振动信号时域图。

图5机匣振动信号时频图。

图6a是燃气轮机在的正常振动信号；

图6b是燃气轮机的气流激振信号；

图6c是燃气轮机的不平衡信号。

图7粒子群寻优迭代结果示意图。

图8模型测试结果示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供的峰值保持降采样深度置信网络燃气轮机故障诊断方法，将深度置信网络引入到燃气轮机气流激振故障诊断领域，针对以原始振动信号作为深度置信网络输入时，训练时间长的问题，使用峰值保持降采样法对输入数据压缩，并针对深度置信网络模型的受限波尔兹曼机的层数以及每层的神经元数难以确定的问题，采用粒子群算法对深度置信网络结构参数寻优，搜索诊断效果最好的模型，然后将得到的最优深度置信模型对燃气轮机转子***进行故障诊断。下面通过具体实施例对本发明进行详细的介绍。

在本发明的第一实施方式中，如图1所示，提供一种峰值保持降采样深度置信网络燃气轮机故障诊断方法，其包括以下步骤：

1)构建深度置信网络模型；

如图2所示，深度置信网络(DBN)模型的结构由多层的受限波尔兹曼机(Restricted Boltzmann Machines,RBM)和一层BP网络构成，能够从原始振动信号中自动提取特征，实现数据的有效映射。模型训练过程由预训练和微调构成，具体为：

1.1)预训练

DBN预训练过程是使用训练集无监督训练所有的受限波尔兹曼机。受限波尔兹曼机(RBM)是DBN模型的主要结构，RBM一共有两层，上层为隐层，下层为显层，v和h分别表示显层和隐层的状态，v＝(v₁,v₂…,v_I)，h＝(h₁,h₂…h_J)，其RBM模型函数E(v,h|θ)为：

式中，I和J分别为显层和隐层的神经元数目，θ＝{w_ij,a_i,b_j}是受限波尔兹曼机的模型参数，包括显层第i个显元和隐层第j个隐元之间的权值w_ij，显元i的偏置a_i和隐元j的偏置b_j，v_i表示第i个显层的状态，h_j表示第j个隐层的状态。

基于RBM模型函数，得到(v,h)的联合概率分布p(v,h|θ)：

p(v,h|θ)＝e^-E(v,h|θ)/Z(θ)           (2)

其中：

为归一化因子。

深度置信网络通过在训练集上采用极大似然法求取θ参数集，并采用随即梯度上升法对θ＝{w_ij,a_i,b_j}更新。

1.2)微调

微调是在预训练得到的模型参数的基础上，通过样本标签使用反向传播算法微调优化DBN模型参数。设输入样本为x，DBN网络由l个RBM层构成，最后一层RBM输出为u_l(x)。DBN网络输出层以softmax函数作为激活函数，则DBN网络输出为：

其中，

为网络最后一层的输出，softmax为输出层的激活函数。

采用平均平方误差作为损失函数，采用最小均方误差原则的反向误差传播算法来更新整个网络的参数，损失函数为：

其中，E为前向传播的平均平方误差，

为输出层输出，X_i为期望输出，W_l、b_l分别表示第l层的权值与偏置，N表示样本个数。

对深度置信网络模型性能的影响最大的因素包括受限波尔兹曼机的层数以及每层神经元数目。受限波尔兹曼机网络层数和神经元数目过多，容易导致过拟合，模型效果反而下降。同时以原始数据作为深度置信网络的输入时，样本长度较长，导致模型训练时间增加。

2)对燃气轮机的原始振动信号进行压缩后，输入深度置信网络模型；

以原始数据作为深度置信网络的输入时，如果数据长度过长，将导致模型训练时间过长，因此在保留足够的状态信息的前提下压缩数据非常重要。在本实施例中，采用峰值保持降采样方法(Peak Hold Down Sampling,PHDS)对比较长的原始振动信号进行等间隔分段，将每段的峰值作为重采样值，进而实现对原始振动信号的压缩，降低了数据量，而且对于信号的冲击特征保留效果比较明显。

峰值保持降采样方法具体包括以下步骤：

2.1)假设被采集的振动信号为包含P个点的振动信号s(t)，采样频率f₀，则：

s(t)＝[s(t₀),s(t₁),...,s(t_p)]，0≤p≤P-1               (5)

2.2)将振动信号s(t)分为M个数据段，则振动信号s(t)变换为S(T),分段变换后的信号S(T)为：

S(T)＝[S(T₀),S(T₁),…,S(T_m)]，0≤m≤M-1          (6)

式中，s(t_p)表示第p个点的振动信号，S(T_m)表示第m个数据段的信号；P为原始信号的长度，r为降采样率，即数据缩减率，Q＝P/r。对数据进行峰值降采样后，降采样频率f_d＝f₀/r，为了尽可能的保证压缩后的数据状态信息丢失不严重，在本实施例中，降采样频率选择2～8。

2.3)提取序列S(T_m)中数值绝对值的最大值作为保留值代表序列S(T_m)，将所有数据段中数值绝对值的最大值重新排列，即得到降采样后的信号序列。

3)对深度置信网络模型的结构参数寻优，搜索诊断效果最好的最优深度置信网络模型；

深度置信网络模型中的受限波尔兹曼机的层数，每层神经元数目对模型性能影响很大，现有技术中在确定其参数时，往往靠‘试’，但是这种方法训练得到的模型往往不是最优模型。

在本实施例中，采用粒子群优化方法(Particle Swarm Optimization,PSO)对深度置信网络模型的结构参数寻优，粒子群优化方法是一种寻优方法，能够实现模型参数的智能寻优，每一个粒子的位置是种群最优解对应的参数。通过个体以及群体间的协作来完成群体进化，从而得到非线性问题的最优解，实现参数的全局智能搜索。粒子的位置和速度更新公式为：

式中，

和

分别表示粒子q第k次迭代后的速度和位置；W表示惯性权重；c₁、c₂为加速度因子；r₁、r₂为在(0,1)之间的随机数；p_q为粒子q最佳位置；P_g为种群最佳位置。

最终获得优化后的自适应故障诊断模型。

4)采集来自于实际试验台或者燃气轮机测点的振动信号，进行极差归一化处理后，采用峰值降采样对信号进行压缩，然后将获得特征输入自适应故障诊断模型，获得故障诊断结果，完成故障诊断。

在本发明的第二实施方式中，提供一种峰值保持降采样深度置信网络燃气轮机故障诊断***，其包括模型构建模块、数据压缩模块、寻优模块和诊断模块；

模型构建模块构建深度置信网络模型；

数据压缩模块对燃气轮机的原始振动信号进行压缩后，输入深度置信网络模型；

寻优模块对深度置信网络模型的结构参数寻优，搜索诊断效果最好的最优深度置信网络模型；

诊断模块采集来自于实际试验台或者燃气轮机测点的振动信号，进行极差归一化处理后，采用峰值降采样对信号进行压缩，然后将获得特征输入自适应故障诊断模型，获得故障诊断结果，完成故障诊断。

在本发明的第三实施方式中，提供一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，指令当由计算设备执行时，使得计算设备执行第一实施方式中的任一方法。

在本发明的第四实施方式中，提供一种计算设备，其包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在存储器中并被配置为一个或多个处理器执行，一个或多个程序包括用于执行第一实施方式方法中的任一方法的指令。

实施例：

以某燃气轮机气流激振故障的诊断为例，进行以下处理：

(1)故障分析

某公司某型双转子燃气轮机的结构原理如图3所示，转子***由低压转子和高压转子组成，压气机和涡轮通过对应的轴连接在一起构成转子。为了采集振动数据，在低压压气机和高压压气机的机匣径向位置分别安装一个速度传感器。实验时，高压转子转速在6000r/min～7800r/min之间，采样频率6000Hz,实验时间持续8000s。

燃气轮机转子在从慢车升速时，低压压气机测点和高压压气机测点出现振幅增大的现象，低压转子测点出现振动超限，当继续提高转速时，振动幅值反而变小。从低压转子测点测得的振动数据截取一段从慢车升速过程的振动超限信号段进行分析，图4和图5分别为振动信号的时域图和短时傅里叶变换时频图。

当压气机转子旋转失速时,在压气机的流场内将出现几个旋转速度较低的旋转气团，导致气流激振。这些旋转气团将激起约为f＝(0.3～0.5)f_N的发动机整机振动频率，同时导致转子转速不稳定，振动频率与工频之比小于1，其中f_N是转子的转动频率。综合振动图4和图5可以发现转子在1和2时间段发生失速现象，振动幅度发生了变化，且频率成分也出现了气流激振频率。

(2)故障诊断

将某型燃气轮机测试所得振动数据分为三种状态，正常状态、气流激振状态、不平衡状态，为了保证样本数据包含足够的状态信息，设置每一类状态的样本长度为1024个数据点。构造的数据样本集由1500个训练样本和600个测试样本构成，样本集如表1所示，样本集每种状态的振动信号时域图如图6a至图6c所示。

表1数据样本集

首先对样本数据使用极差归一化法x_out＝(x_in-x_min)/(x_max-x_min)将数据归一化到0～1之间，然后使用峰值保持降采样方法对样本数据进行缩减，并使用基于粒子群优化方法的DBN模型对不同缩减倍数样本数据进行测试，测试不同缩减倍数对模型诊断准确率的影响，结果如表2所示。

表2峰值保持降采样法测试结果

从表2可以看出使用峰值保持降采样法进行缩减样本后对模型构建的影响，在缩减倍数为2时，模型的训练时间降低，且模型测试准确率和损失函数变化不大，当缩减倍数超过8时，模型的损失函数和测试准确率变化比较明显，这证明缩减数据后样本中大部分的状态信息仍能保留下来，但是缩减倍数过大时，样本的状态信息就丢失了，因此缩减倍数应该设为2～8之间。为了平衡训练时间以及测试准确率，最终确定缩减倍数为2，模型训练时间降低10s，缩减后的样本数据长度为512个数据点。

加载压缩后的数据样本训练深度置信网络，以测试数据集的测试准确率为目标函数，设置粒子群优化方法的参数：粒子数量为40，加速度因子为20，迭代次数为20。其中隐含层数n搜索范围为[2,4],每层神经元数目搜索范围为[0,1000]。使用粒子群优化方法迭代搜索DBN模型的最佳网络层数和和隐元数目，迭代结果如图7所示，在迭代18次左右，找到模型的测试准确率最高为99.8％，其对应的网络模型参数为：隐含层数为两层，隐含层神经元个数分别为100、100，因此设置该DBN网络结构为512-100-100-3。通过PSO方法确定DBN网络结构参数能够避免局部最优以及参数设置的不确定性。

设置参数学习率为0.1，迭代次数为50，训练DBN模型，并使用测试样本测试模型性能，测试结果如图8所示。将通过模型诊断的预测标签与实际样本标签进行对比，测试数据集中有2个样本被误分，DBN网络能够实现约99.8％的准确率。这证明深度置信网络可以很好的从燃气轮机原始振动信号提取特征，能够实现很好的识别诊断效果。

为验证DBN方法对燃气轮机故障诊断的优势，基于DBN的故障诊断方法与其他模式识别方法进行对比,以同样的样本集训练不同的模型，并使用相同的测试集测试模型性能，测试结果如表3所示。

表3不同诊断模型的故障识别率

第一种方法以原始振动信号作为输入训练深度置信网络模型。第二种方法使用原始振动数据作为输入训练隐层数为3，迭代次数为50的BP网络模型。第三种方法是以原始振动数据为输入训练径向基核函数的支持向量机(SVM)模型。通过对比发现对于燃气轮机气流激振故障，深度置信网络模型诊断性能最好，这是因为DBN网络比BP网络以及SVM拥有更好的特征提取和映射能力，证明了燃气轮机深度置信网络智能故障诊断模型的故障诊断能力。

综上，由于气流激振故障是燃汽轮机由于工作介质引发的常见故障，本发明针对某型燃气轮机气流激振故障，建立峰值保持降采样算法和粒子群算法优化的深度置信网络故障诊断模型。使用峰值保持降采样法对振动数据进行缩减，并以之作为深度置信神经网络的输入，降低模型训练时间，同时采取粒子群算法对深度置信网络结构参数寻优，搜索诊断性能最好的深度置信模型所对应的网络结构参数。实例结果表明，优化后的模型不仅降低模型训练时间，实现网络结构参数智能寻优，还有效实现燃气轮机气流激振故障诊断,测试准确率约为99.8％。

上述各实施例仅用于说明本发明，各部件的结构、尺寸、设置位置及形状都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别部件进行的改进和等同变换，均不应排除在本发明的保护范围之外。

Claims (4)

1.一种燃气轮机故障诊断方法，其特征在于，包括以下步骤：

1)构建深度置信网络模型；

2)对燃气轮机的原始振动信号进行压缩后，输入深度置信网络模型；

3)对深度置信网络模型的结构参数寻优，搜索诊断效果最好的最优深度置信网络模型，作为优化后的自适应故障诊断模型；

4)采集来自于实际试验台或者燃气轮机测点的振动信号，进行极差归一化处理后，采用峰值降采样对信号进行压缩，然后将获得特征输入自适应故障诊断模型，获得故障诊断结果，完成故障诊断；

采用峰值保持降采样方法对原始振动信号进行等间隔分段，将每段的峰值作为重采样值，实现对原始振动信号的压缩，保留信号的冲击特征；

所述峰值保持降采样方法包括以下步骤：

2.1)假设被采集的振动信号为包含P个点的振动信号s(t)，采样频率f₀，则：

s(t)＝[t₀,t₁,…,t_p]，0≤p≤P-1；

2.2)将振动信号s(t)分为M个数据段，则振动信号s(t)变换为S(T),分段变换后的信号S(T)为：

S(T)＝[S(T₀),S(T₁),…,S(T_m)]，0≤m≤M-1

式中，s(t_p)表示第p个点的振动信号，S(T_m)表示第m个数据段的信号；

2.3)提取序列S(T_m)中数值绝对值的最大值作为保留值代表序列S(T_m)，将所有数据段中数值绝对值的最大值重新排列，得到降采样后的信号序列；

采用粒子群优化方法对深度置信网络模型的结构参数寻优；

粒子的位置和速度更新公式为：

式中，

和

分别表示粒子q第k次迭代后的速度和位置；W表示惯性权重；c₁、c₂为加速度因子；r₁、r₂为在(0,1)之间的随机数；p_q为粒子q最佳位置；P_g为种群最佳位置；

所述深度置信网络模型的结构由多层的受限波尔兹曼机和一层BP网络构成，从原始振动信号中自动提取特征，实现数据的有效映射；该模型训练过程由预训练和微调构成；

所述微调为：设输入样本为x，DBN网络由l个RBM层构成，最后一层RBM输出为u_l(x)，其中，DBN为深度置信网络模型，RBM为受限波尔兹曼机；DBN网络输出层以soft max函数作为激活函数，则DBN网络输出为：

其中，

为网络最后一层的输出，softmax为输出层的激活函数；

采用平均平方误差作为损失函数，采用最小均方误差原则的反向误差传播算法来更新整个网络的参数，损失函数为：

其中，E为前向传播的平均平方误差，

为输出层输出，X_i为期望输出，N为样本个数；W_l表示第l层的权值，b_l表示第l层的偏置。

2.一种燃气轮机故障诊断***，其特征在于，包括：模型构建模块、数据压缩模块、寻优模块和诊断模块；

所述模型构建模块构建深度置信网络模型；

所述数据压缩模块对燃气轮机的原始振动信号进行压缩后，输入深度置信网络模型；

所述寻优模块对深度置信网络模型的结构参数寻优，搜索诊断效果最好的最优深度置信网络模型；

所述诊断模块采集来自于实际试验台或者燃气轮机测点的振动信号，进行极差归一化处理后，采用峰值降采样对信号进行压缩，然后将获得特征输入自适应故障诊断模型，获得故障诊断结果，完成故障诊断；

采用峰值保持降采样方法对原始振动信号进行等间隔分段，将每段的峰值作为重采样值，实现对原始振动信号的压缩，保留信号的冲击特征；

所述峰值保持降采样方法包括以下步骤：

2.1)假设被采集的振动信号为包含P个点的振动信号s(t)，采样频率f₀，则：

s(t)＝[t₀,t₁,…,t_p]，0≤p≤P-1；

2.2)将振动信号s(t)分为M个数据段，则振动信号s(t)变换为S(T),分段变换后的信号S(T)为：

S(T)＝[S(T₀),S(T₁),…,S(T_m)]，0≤m≤M-1

式中，s(t_p)表示第p个点的振动信号，S(T_m)表示第m个数据段的信号；

2.3)提取序列S(T_m)中数值绝对值的最大值作为保留值代表序列S(T_m)，将所有数据段中数值绝对值的最大值重新排列，得到降采样后的信号序列；

采用粒子群优化方法对深度置信网络模型的结构参数寻优；

粒子的位置和速度更新公式为：

式中，

和

分别表示粒子q第k次迭代后的速度和位置；W表示惯性权重；c₁、c₂为加速度因子；r₁、r₂为在(0,1)之间的随机数；p_q为粒子q最佳位置；P_g为种群最佳位置；

所述深度置信网络模型的结构由多层的受限波尔兹曼机和一层BP网络构成，从原始振动信号中自动提取特征，实现数据的有效映射；该模型训练过程由预训练和微调构成；

所述微调为：设输入样本为x，DBN网络由l个RBM层构成，最后一层RBM输出为u_l(x)，其中，DBN为深度置信网络模型，RBM为受限波尔兹曼机；DBN网络输出层以soft max函数作为激活函数，则DBN网络输出为：

其中，

为网络最后一层的输出，softmax为输出层的激活函数；

采用平均平方误差作为损失函数，采用最小均方误差原则的反向误差传播算法来更新整个网络的参数，损失函数为：

其中，E为前向传播的平均平方误差，

为输出层输出，X_i为期望输出，N为样本个数；W_l表示第l层的权值，b_l表示第l层的偏置。

3.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1所述方法。

4.一种计算设备，其特征在于，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1所述的方法。

Images