基于CEEMDAN和CNN TSA GRU的滚动轴承故障识别方法研究

为避免复杂噪声对滚动轴承智能诊断模型的准确率干扰，提出一种基于完全集合经验模态分解CEEMDAN和深度时间自注意力卷积网络CNN TSA的滚动轴承故障识别模型。该模型首先采用CEEMDAN将信号分解为若干固有模态函数(intrinsic mode function，IMF)分量，利用光谱放大因子SAF指标自适应筛选最优高信噪比分量；其次采用改进时间自注意力机制对数据分配权重并采用卷积神经网络CNN提取空间特征，弱化冗余特征信息，保留目标特征；最后利用门控循环单元GRU提取样本数据时间特征，使得网络得到更充分的学习，提高模型鲁棒性。经试验数据验证：所提出的深度学习智能故障识别模型故障识别准确率达到98.87%；对比一维CNN和CNN LSTM模型，识别准确率分别提高915%和8.86%，验证了该模型的有效性和优越性。     

基于深度学习的复杂背景下目标检测

针对某些静态图像背景复杂,受环境因素(光照、遮挡、掩盖等)影响较大的问题,提出一种基于深度学习算法的卷积神经网络(convolutional neural networks,CNN)结构对目标进行检测。利用CNN网络可自主提取图像特征并进行学习的优点,避免了复杂的人工特征选择和提取过程。通过一种区域合并的方法进行端到端的交替训练,在复杂背景图像的处理中体现出较优的性能。CNN的局部连接、权值共享及池化操作等特性使之可以有效地降低网络的复杂度、减少训练参数的数目、提高检测效率。试验验证结果表明:此方法在互联网图像数据库检测方面达到了较高的精度。采用坦克模型图像对复杂背景下的单目标、多目标以及不同程度的遮挡、伪装等情况进行试验,得出该方法具有一定的鲁棒性。     

指向深度学习的在线教学新样态

在线教学为教育教学开辟了一个新的领域和空间,形式上更灵活,也充分发挥了互联网的各项优势。然而开展在线教学时,由于受各方面因素的影响和局限,有的在线教学只呈现了教师单一的讲授,学生像是被隔离开来,思维禁锢在有限的空间里。要想达到理想的在线教学效果,需要以提高学生学习积极性为基础,最终落在学生对数学本质的理解和深度学习的推动上。     

二打一智力游戏中残局局面数据标定方法研究

基于深度学习模型的有监督训练依赖于大量高质量标定数据,针对非完全信息博弈中二打一智力游戏问题,根据不同阶段回合局面数据的特点,提出了通过Alpha-Beta完全搜索获得共包含400万带标定二打一智力游戏局面样本的数据集,根据得到的标定样本训练CNN模型,使其能够对二打一智力游戏残局进行局面评估,为进一步将牌类游戏向棋类游戏的转化提供了保障,也为其他非完全信息博弈训练数据的标定提供了有价值的借鉴。     

远程智能支持服务系统的设计与实现

远程学习支持的关键在于依据学生的差异提供个性化的服务。依据认知型学生模型,设计了一个基于多Agent的智能学习支持系统,对学生认知能力自动诊断,以使不同层次的学生得到深度不同的答案、水平合适的知识与技能训练,以此激发学生的学习兴趣,促进学生认知能力的提高。     

自有品牌和在线直销渠道交互影响研究

零售商引入自有品牌产品和制造商开辟在线直销渠道是企业增强竞争力、增加收入的一种有效途径。一方面,零售商自有品牌弱化了制造商品牌的竞争力;另一方面,在线直销渠道的引入减少了制造商对零售商销售渠道的依赖程度。利用博弈论方法,研究零售商引入自有品牌产品和制造商开辟在线直销渠道的相互影响。结果显示,在制造商不开辟在线直销渠道的情形下,产品给消费者带来的效用较大时,零售商引入自有品牌产品更有优势;在零售商不引入自有品牌产品的情形下,制造商开辟在线直销渠道更有优势;当制造商开辟在线直线渠道,零售商不引入自有品牌产品时,消费者收益最大。     

基于CAS优化的LSTM循环神经网络的高压断路器故障预测方法研究

在研究真空高压断路器运行历史数据的基础上,提出一种基于长短期记忆(LSTM)循环神经网络的断路器故障时间序列预测方法,采用混沌蚁群(chaotic ant swarm,CAS)优化算法训练LSTM模型,并在TensorFlow深度学习框架上搭建模型仿真,与其他常用的优化训练方法相比,基于CAS优化的LSTM模型具有更高的预测精度和更短的训练步数,且模型简单容易训练。该故障预测方法在基于时间序列的设备故障预测方面有较高的应用价值。     

中国海外上市公司的PCA-SVM财务危机预警研究

在支持向量机(Support Vector Machine,SVM)方法的基础上融入主成分分析(Principal Compo-nent Analysis,PCA)方法,可构建PCA-SVM财务危机预警模型。以我国海外上市公司为研究对象,运用PCA提取出对财务危机具有显著影响的特征指标,进而通过训练集在不同核函数下对SVM进行训练,最后运用测试集对经过训练得到的SVM财务危机预警模型进行性能验证与评价。实证研究结果表明,PCA-SVM财务危机预警模型在线性、多项式、径向基和sigmoid四种核函数下都具有良好的预测能力,而径向基核函数下的PCA-SVM财务危机预警模型具有更加优越的学习能力与泛化推广能力。     

基于深度学习的不规则特征识别检测技术

〖HK44〗〖HT5”H〗摘要：〖HT5”K〗针对目前工业上金属轴零件在加工的过程中可能由于加工失误、本身材质等原因产生不同缺陷,而传统的检测方法检测精 度和泛化能力有限的现状,课题组提出了基于深度学习的不规则特征识别技术,来提升对金属轴表面缺陷的检测效率。课题组设计了金属轴表面缺陷图像预处理 方法,提升采集的缺陷图像的质量;对传统深度学习Faster R CNN进行改进,设计了模型的特征提取网络、RPN网络、分类网络以及模型参数,提升模型的检测 性能。实验结果表明本技术能有效提升工业流水线对金属轴缺陷的检测效率和精度,可同时检测多种不同种类的缺陷。课题组的研究成果具备良好的泛化能力。     

电商平台商品标题优化的有效性及其杠杆机制

与搜索引擎优化相似,商品标题优化作为提升搜索结果排名和产品曝光率的重要手段引起理论与实践的普遍关注,尤其是被期待能够在产品销量上获得进一步提升。但对其真实的营销效果现有研究并未深入分析。基于数字经济时代消费行为的5A模型和内容营销理论,采用联立方程模型,以天猫旗舰店某品牌小型家电为研究对象,在充分考虑产品价格、价格波动、产品推广、数值型口碑信息等因素的基础上,分析了电商平台商品标题优化与在线销售的关系,并从内容营销理论出发,基于“由外而内”的观点深入剖析了客观维度文本评论内容在电商平台商品标题优化的营销效果与在线销售间的杠杆作用。结果发现:电商平台商品标题优化对在线销售无显著影响,基于客观维度的文本评论中的产品属性情感倾向、售前与售后服务情感倾向、重购与推荐次数及重复购买提及次数有效地推进了电商平台商品标题优化带来的点击量向在线销售转化。