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。     

以对比学习与时序递推提升摘要泛化性的方法

为了有效缓解基于交叉熵损失函数训练的传统文本摘要模型所面临的推理过程中性能下降、泛化性较低、生成过程中曝光偏差现象严重、生成的摘要与参考摘要文本相似度较低等问题,提出了一种新颖的训练方式,一方面,模型本身以beamsearch的方式生成候选集,以候选摘要的评估分数选取正负样本,在输出的候选集中以“argmax-贪心搜索概率值”和“标签概率值“构建2组对比损失函数;另一方面,设计作用于候选集句内的时序递推函数引导模型在输出每个单独的候选摘要时确保时序准确性,并缓解曝光偏差问题。实验表明,所提方法在CNN/DailyMail和Xsum公共数据集上的泛化性得到提升,Rouge与BertScore在CNN/DailyMail上达到47.54和88.51,在Xsum上达到了48.75和92.61。     

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。     

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。     

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。     

在线教学资源开发模型的构建与应用

情绪设计对在线教学资源的开发有着重要作用,设计良好的在线教学资源能激发学习者的积极情绪,实现学习效果最优化。通过梳理国内外有关情绪设计理论与实践的研究文献,在多媒体学习的认知-情绪理论基础上,构建基于“多媒体学习的认知-情绪理论”(CATLM)的在线教学资源开发模型。运用此模型指导在线教学视频“weather”的开发,并将资源应用于实践教学中。实践结果表明,该模型为在线教学资源的设计提供了理论参考,能满足学习者情感层面的需求,并为其提供更优质的在线教学资源。     

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。