11、基于极限学习机的智能状态监测系统与字符级混合神经网络文本分类

基于极限学习机的智能状态监测系统与字符级混合神经网络文本分类

一、基于极限学习机的智能列车门状态监测系统

在列车运行过程中，列车门故障是一个需要重点关注的问题。为了能够快速准确地判断列车门故障是否为人为造成，研究人员提出了一种基于极限学习机（ELM）的智能状态监测系统。

1. ELM 与 Faster R - CNN 优势

ELM 是一种单隐层前馈神经网络，其输入权重和隐藏层偏置可以随机生成，输出权重则通过解析计算得出。相比传统的神经网络或支持向量机（SVM）方法，ELM 的训练速度可以快上百倍。同时，它还能避免反向传播学习算法中的一些问题，如局部极小值或过训练问题，具有出色的泛化性能。

Faster R - CNN 是一种先进的目标检测网络。大多数先进的目标检测网络都基于区域建议算法，虽然像 SPPnet 和 Fast R - CNN 等方法减少了检测网络的运行时间，但区域建议步骤仍存在瓶颈。Faster R - CNN 通过引入区域建议网络（RPN）解决了这个问题，RPN 与检测网络共享全图像卷积特征，实现了近乎无成本的区域建议。

Faster R - CNN 由两个模块组成：
- 第一个模块是全卷积网络，如 ZF 模型（5 个可共享卷积层）或 VGG - 16 模型（13 个可共享卷积层），用于提出区域。
- 第二个模块是 Fast R - CNN 检测器，使用提出的区域实现分类和检测。

RPN 可看作是一个全卷积网络，用于预测边界框和目标性得分。为了生成区域建议，一个 n×n 的空间窗口在最后一个共享卷积层输出的卷积特征图上滑动。每个滑动窗口映射到一个低维特征，然后输入到两个兄弟全连接层：