摘 要：深度神经网络通过低层特征组合从而形成高层特征，以此来找出数据分布特征形式，深度神经网络同时也是人工智能研究领域的重点。伴随计算机技术发展以及数字设备数量增长，数据以非常快的速度增长，如何对快速增长的数据进行有效利用并且挖掘其价值，是面对海量数据需要思考的问题。本文就深度神经网络算法研究及应用做简要阐述。
关键词：深度神经网络算法 研究 应用
中图分类号：TP18 文献标识码：A 文章编号：1672-3791（2017）09（c）-0243-02
人工神经网络最早是由国外科学家提出的，通过对神经元进行模仿，从而来处理信息。人工神经网络经历了一个漫长的发展阶段，近年来研究工作取得了突破性的进展，并且其技术已经在相关领域应用。
1 深度神经网络理论
深度神经网络理论是一种机器学习方法，是基于人脑学习思想而提出的，也可以将其称之为深度学习。深度神经网络的核心思想可以将其概述为每一网络预训练采用的是无监督学习，每一层逐渐训练，下一层输入即是上一层输出，对所有学习层进行微调工作则是由有监督学习来完成的。与传统神经网络相比，深度神经网络的区别主要体现在训练机制，为克服传统神经网经络训练速度慢以及容易过拟合等方面不足，深度神经网络在训练机制方面主要是逐层预训练。深度神经网络常见的模型包括了卷积神经与深度信念模型，编码器模型[1]。
2 深度神经网络的三种常见模型
2.1 深度信念网模型
该模型其预训练主要是逐层训练RBM从而得到模型结构。而微调则是在最后输出层增加与目标分类对应的输出层，之后通过传统BP算法对模型参数进行微调，经过上述步骤就可以得到深度神经网络模型。该模型主要描述数据间高阶相关性与类别联合概率分布，属于概率生成模型。
2.2 卷积神经网模型
卷积神经网是人工神经分类中的一种，其应用领域非常广泛，如图像识别。结构方面其采用的是权值共享方式，与生物神经网络非常类似，优点体现在网络权值数量减少。卷积神经网络构造的目的就是为了处理图形，其每一层都由数量众多的二维平面构成，而平面又是由数量不等的神经元构成，并且神经元是相互独立的。图像经过卷积后特征变换图产生从而得到第一层，之后经过函数特征变化得到第二层，对变换值进行滤波处理从而得到第三层，第四层的特征产生同样是由函数变换而得到的。特征在最后经过光栅化后，连接成为特征向量输入神经网络结构从而进行识别得到结果。
2.3 編码器模型
（1）编码器模型来源。编码器是无监督的学习算法，也是神经网络组成部分之一。该模型是一种非线性神经网络结构，能够复现输入信号。而为了实现复现输入目标，编码器就需要捕捉主要元素并且这些元素可以表示原始输入数据。机器学习算法中，编码器有着十分重要的地位，该模型则是基于神经网络模型演变而来的。而编码器模型又可以对其进行细分。（2）自动编码器。自动编码器组成利用的是神经网络的某些特点，在神经网络中当设定的输出与输入二者相等时，神经网络就相当于输入从自身到映射过程。传统神经网络中，输入信息是带有标签的，并且输入是组合的形式，网络权重值调整依据是输出与标签二者间的差异。对自动编码器模型进行预训练，输入是无标签数据，为了实现复现数据输入和，因此在网络建模单元增加了解码器。编码过程是将数据输入到中间层，解码过程则是由中间层到输出层。信息输入到编码器，会得到一个编码，编码体现了输入的另外一种表示，之后通过解码器就会得到输出信息。如果输出与输入的信息是相同的，编码则是输入信息的另外一种表示，通过对编码器与解码器参数的调整从而使输入、输出重构误差达到最小，此时就能够得到编码。鉴于是正向运算，编码器中间层能够对输入信号进行完整描述，即从中间层对信号进行重构。数据不带有标签，误差来源则可以从重构与原始信息二者间来获取[2]。（3）单层降噪自动编码器。单层降噪自动编码器。该类型编码器是对自动编码器的改造，其思想是通过学习的方法去除噪声并且获得数据，数据没有引入噪声。算法通过噪声引入以此来提升鲁棒性，增强其泛化能力。（4）深度降噪自动编码器。深度神经网络其核心思想就在于通过一定的学习方法从而来取得原始数据驱动变量以及特征。训练方法可以将其分为两个步骤，一是采用无标签数据学习模型参数，也可以将其称之为模型预训练；二是利用少量带标签数据对模型参数进行微调，该步骤即模型参数微调。依据神经网络思想，降噪编码器是一定神经元层堆叠，上层输入作为下层的输出，通过该训练方式从而达到规定层数。
3 深度神经网络的应用
深度神经网络其应用的领域非常广泛，以列车为例，长期运行过程中，车轮性能会退化，轮轨关系也会逐渐产生变化，而导致变化产生的一个重要因素就是车轮磨损，轮轨关系的变化也会对行车安全造成一定的影响。
轮对的受力情况非常的复杂，既承受了列车的重量，同时又承受了钢轨等各方面传来的力量。列车在行驶过程中，随着磨损情况变化，其踏面外形也会发生变化，从而导致轮轨的接触状态产生变化，轮轨接触状态主要有两种，单点接触与两点接触。当车轮沿轨道运行的时候，触点也会相应的发生变化，而触点变化，转运中心也会发生变化。依据设计情况，新轨与新轮在匹配时通常不会出现两点接触，轮轨之间相对滑动也不存在，但是当磨损达到一定状态时，两点接触就可能会产生，并可能会产生相对滑动，轮轨间不均匀磨损也会增加[3]。
为了有效研究磨损就需要对数据进行分析，数据获取是通过安装于列车不同位置的传感器获得的。对数据进行分析可以采用深度神经网络模型分类识别与学习磨损振动信号，所应用模型包括了降噪自动编码器，自动编码器。实验主要工作目标是信号特征的提取与分类识别。采用降噪自动编码器对车轮损耗的状态进行分析，算法识别步骤是，振动信号样本的输入，输出的是车轮损耗状态识别的正确率。对输入信号进行变换，训练网络层数初始化，并设置权重值，应用公式进行解码等一系列过程。训练全部结束后，对结构进行微调，由于列车振动数据是机械信号，属于非平衡时间序列，依据流程对其进行变换从而得到频域信号，频域信号在频率与幅度分布都有一定差异，而由于列车运行时间增加，从而导致了车轮磨损程度变化，必然会导致列车振动特性的差异。深度神经网络训练结束后通过一定的方法对两点间的相似度所反映状态特征聚焦程度进行度量，从而能够获得状态分布特征的散点图。训练次数增加的同时，训练误差会进一步的减小，数据处理方面，对各通道依据算法流程，对振动信号进行变换，之后利用深度网络算法进行学习，之后获得信号的特征并对其进行分类与识别。采用该方法，数据处理的效果比较好。
4 结语
深度神经网络是人工神经研究领域的一个热点，同时其应用也非常广泛，其思想来源于人脑对信息的处理机制。该方法能够为多个领域问题的解决提供基础，如列车运行，从而保障工作正常开展。
参考文献
[1]卓维，张磊.深度神经网络的快速学习算法[J].嘉应学院学报，2014（5）：13-17.
[2]高强，靳其兵，程勇.基于卷积神经网络探讨深度学习算法与应用[J].电脑知识与技术，2015（5）：169-170.
[3]王华利，邹俊忠，张见.基于深度卷积神经网络的快速图像分类算法[J].计算机工程与应用，2017（13）：181-188.
