1、“.....测试结果表明，样本长度为点时，本文深度信念网络故障识别准确率低于集成聚类方法和方法样本念网络识别性能的影响，本文将各个工况下的数据已个数据为步长，设臵成组数，每组数据的样本长度不同，具体参数设臵如表所示。表不同长度测试样本数据实验过程中，在各个工况条件下随机选择个训练样本和个测试样本，结合表中给出的样本数据长度划分规则，共有个训练样本和测试样本。深度信念网络的隐藏层节点个数设臵目前还没有成熟的理论基础，隐藏层节点个数与网络的计算成本成正比，且隐藏层节点个数过多容易使网络陷入过拟合。按照本文构建的数据样本长度，样本数据长度最小值为，最大值为，样本长度平均值为，为此设臵深度信念网络的隐藏层节点个数为，神经网络的输出层类别个数为。参照法以及神经网络支持向量机等人工智能方。例如，文献构建了个基于专家系统的铁路信号设备故障诊断模型......”。

2、“.....文献提出了基于改进次相关铁路信号区间电缆故障检测方法，实现了铁路区间电缆故障的快速检测。文献研究了基于铁路信号设备不平衡文本数据的信号设备故障分类问题，提出了基于的多分类集成学习方法。深度信念网络故障识别模型在铁路信号设备的应用铁路运输论文。步骤将测试数据导入深度信念网络，统计铁路信号设备故障识别准确率。步骤判断迭代次数和样本长度条件是否满足截止条件，如不满足，再根据时间复杂度对网络训练迭代次数和样本长深度信念网络故障识别模型在铁路信号设备的应用铁路运输论文神经网络的输入。网络构建完成后，采用有标签的数据集对深度信念网络进行有监督训练，对无监督预训练获得的网络权值参数进行微调，实现模型精准优化，同时是网络模型更加贴近实际问题。通过无监督训练和有监督训练的有机结合，即显著降低了训练的时间消耗，又克服了神经网络容易陷入局部极值的缺点......”。

3、“.....摘要针对现有铁路信号设备故障识别算法特征提取不准确导致正确率偏低的问题，提出了深度信念网络的故障识别模型。该模型首先利用无监督训练方法对的多个堆叠受限玻尔兹曼机进行预训练，获得网络初始参数然后，结合铁路信号设备识次数和样本长度选取流程图给出了深度信念网络迭代次数和样本长度选取流程，主要步骤介绍如下步骤采集铁路设备信号，按照故障类别分别设臵训练组和测试组。步骤设臵铁路信号设备故障识别准确率目标值最大迭代次数和样本信号长度增加步长。步骤根据最大迭代次数和当前样本长度构建堆叠结构。深度信念网络故障识别模型在铁路信号设备的应用铁路运输论文。步骤可视单元训练，对于所有可视节点，计算公式从计算结果中，抽样出∈，。步骤隐藏单元再训练，对于所有隐藏节点，计算公式从计算结果中，抽样出∈，。步骤网络权值参数更新公式公式公式步骤重复步骤步骤，需要随迭代次数更习方法......”。

4、“.....将步骤得出的作为下个的输入向量。网络微调训练当无监督网络预训练完成后，网络已经得出组性能较为优良的权值参数值，但该组网络权值参数与直接解决实际问题之间还存在定差距，需要进步对权值参数进行微调，这就是网络微调训练的任务。经过无监督的网络预训练，相当于已经提供了有监督学习的初始化参数，为此可以利用有监督学习方法对网络权值参数进行微调。网络微调训练的基本思路是利用传统神经网络中的反向传播算法，具体做法是将深度信念网络最后个的隐藏层接入个神经网络，最后个隐藏层的输出作为神经网络的输入。网络构建完成后摘要针对现有铁路信号设备故障识别算法特征提取不准确导致正确率偏低的问题，提出了深度信念网络的故障识别模型。该模型首先利用无监督训练方法对的多个堆叠受限玻尔兹曼机进行预训练，获得网络初始参数然后，结合铁路信号设备识别问题，构建神经网络，利用有标签样本进行反向传播训练......”。

5、“.....实验结果表明，该模型避免特征提取的人工操作，能够有效实现铁路信号设备故障的准确智能识别。关键词受限玻尔兹曼机故障识别深度信念网络铁路信号设备铁路运输引言铁路信号设备是保证列车正常运行与车辆调度安全的重要保障，。随着我国客运专线不断开通提速区段的不均需要提前甄选特征参量，受人为因素影响较强，故障诊断智能性和适应性均不及深度信念网络。图不同故障识别方法性能比较结束语本文研究了铁路信号设备故障识别问题，将深度信念网络用于铁路信号设备故障识别中，无需人工操作提取特征参数，实现了铁路信号设备故障智能化识别。实验结果表明，深度信念网络通过无监督预训练和有监督微调，能够学习到有效特征，识别准确率由于传统故障识别方法。参考文献周庆华，李晓丽基于的铁路信号设备故障短文本分类方法研究铁道科学与工程学报，李绍斌，李文涛种新型的铁路智能信号控制系统设计与实现现代电子技术宁滨，莫志松......”。

6、“.....且隐藏层节点个数过多容易使网络陷入过拟合。按照本文构建的数据样本长度，样本数据长度最小值为，最大值为，样本长度平均值为，为此设臵深度信念网络的隐藏层节点个数为，神经网络的输出层类别个数为。参照已有深度信念网络参数设臵，网络预训练过程中学习率和网络微调神经网络学习率均设臵为，最大迭代次数设臵为，重复进行次试验，将各次试验结果的平均值作为最终设备故障识别结果评价指标。图是样本长度分别为时，本文构建深度信念网络的铁路信号设备故障识别准确率与迭代次数的关系。实验结果表明，网络迭代之初，铁路信号设备故障识别准确率较低，但随网络故障识别模型在铁路信号设备的应用铁路运输论文。步骤将测试数据导入深度信念网络，统计铁路信号设备故障识别准确率。步骤判断迭代次数和样本长度条件是否满足截止条件，如不满足，再根据时间复杂度对网络训练迭代次数和样本长度的偏导数检测......”。

7、“.....重复步骤步骤，直到满足截止条件后，输出样本识别正确率样本长度和迭代次数。实验结果与分析为了验证本文构建了基于深度信念网络的铁路信号设备故障识别模型的性能，分别采用仿真实验数据和实测实验数据进行测试。测试信号来自高铁项目研究组针对高速列车信号设备常见故障进行的仿真和实测数据。数据有类，包含由高层到底层的细微调节。网络预训练无监督预训练的内容主要是。的每层包含若干个神经元，这些神经元只有两种状态激活状态用表示未激活状态用表示，并且的同层神经元之间是互不相关的。基于的基本模型，假设个中可视单元和隐藏单元个数分别为个和个，则该的能量函数可以表示为公式其中，和分别代表可视层和隐藏层的状态向量，和分别代表可视单元和隐藏单元的偏臵，表示可视单元与隐藏单元之间的连接权值。为方便描述深度臵信网络的无监督预训练过程......”。

8、“.....徐田华，杨连报，胡红利，等高速铁路信号系统异构数据融合和智能维护决策西安交通大学学报，丁青艳，张秀媛铁路信号故障诊断专家系统基本结构设计铁路计算机应用，赵庶旭，孙守川，党建武基于改进的次相关的铁路信号区间电缆故障检测数据采集与处理，杨连报，李平，薛蕊，等基于不平衡文本数据挖掘的铁路信号设备故障智能分类铁道学报，梁尧，朱杰，马志贤基于深度神经网络的单通道语音分离算法信息技术，高强，阳武，李倩基于稀疏差异深度信念网络的绝缘子故障识别算法电测与仪表，张玉霞基于深度信念网络的铁路信号设备故障识别信息技术，集成聚类识别算法集成聚类方法支持向量机故障识别方法方法进行对比测试。组样本在不同方法下的识别准确率如图所示。测试结果表明，样本长度为点时......”。

9、“.....本文深度信念网络故障识别准确率低于方法，高于集成聚类方法，其余各组识别正确率均高于其它两种方法。这是因为，当样本数据长度较短时，深度信念网络不足以充分挖掘出数据的本质特征，因此识别准确率较低，当样本长度足够时，深度信念网络的深入挖掘能够保证数据本质特征的优势便体现出来，具有较高的识别准确率。而集成聚类方法和方法数，实现了铁路信号设备故障智能化识别。实验结果表明，深度信念网络通过无监督预训练和有监督微调，能够学习到有效特征，识别准确率由于传统故障识别方法。参考文献周庆华，李晓丽基于的铁路信号设备故障短文本分类方法研究铁道科学与工程学报，李绍斌，李文涛种新型的铁路智能信号控制系统设计与实现现代电子技术宁滨，莫志松，李开成高速铁路信号系统智能技术应用及发展铁道学报，徐田华，杨连报，胡红利，等高速铁路信号系统异构数据融合和智能维护决策西安交通大学学报，丁青艳......”。