基于多重同步挤压变换与深度脊波卷积自编码网络的滚动轴承故障诊断

利用传统故障诊断方法对滚动轴承进行诊断时,存在故障特征提取困难以及故障模式难以辨识的问题。针对此问题,提出了一种基于多重同步挤压变换以及深度脊波卷积自编码网络的智能故障诊断方法。首先,利用多重同步挤压变换处理含噪信号能力强、具有优越的时频分解特性的特点,将采集的轴承故障信号进行MSST处理,得到分辨率较高的时频图像。然后,利用深度脊波卷积自编码网络自身泛化性能强、能够有效挖掘数据特征的特点,建立深度脊波卷积自编码网络识别模型。将降维至适当大小的时频图像输入到该模型系统中,进行自动特征提取和故障识别。实验结果表明,该方法提取故障特征信号能力较高,并能够有效地识别出不同的故障类型。     

代理的环境评价模型在智能报表系统中的应用

代理之间的交互是多代理系统中的重要问题.根据人的行为受到社会评价的影响,提出了代理交互的环境评价模型,并对其在智能报表系统中的应用特点进行了讨论;基于智能报表系统的逻辑模型,探讨了代理的评价和主要协调过程,定义了代理的评价公式.环境评价模型与其他模型相比,便于工程实施,简化了代理内部的推理过程和代理之间的协调或协商过程,还可用于多代理系统的开发和运行维护过程.     

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。     

基于全卷积深度学习模型的可抓取物品识别

目前,工业机器人识别可抓取物品大多是先通过图像传感器收集作业场景信息,然后通过粒子滤波或条件随机场等各类相关算法提取可抓取物品的像素块特征来进行的。但是,这些可抓取物品的识别方法都存在着在同一像素块内部不同类别像素有误差,只考虑邻近区域、而不考虑全局信息和结构信息等问题或缺点。为此,在引入基于像素点的全卷积网络(fully convolutional networks,FCN)的基础上,提出了基于FCN的改进模型进行可抓取物品识别,其优势在于该模型经过学习能够预测各个像素所属物品类别的概率,并且能将结果恢复成为背景与前景分割的图像,从而识别作业场景中可抓取物品的位置与类别。由于FCN模型不限制输入、输出图像的尺寸大小,所以它克服了传统卷积深度学习模型的缺点,同时也考虑了全局信息与结构信息。以康奈尔抓取数据集(cornell grasping dataset,CGD)作为实验样本对提出的改进模型进行验证。实验结果表明:改进后的全卷积深度学习模型的正确率较全卷积深度学习模型提高了6.2%,同时该方法也可用于其他分割前景的感知任务。     

自动化立体仓库退库货位优化问题及其求解算法

针对自动化立体仓库出库作业过程中剩余货物退库问题,以堆垛机作业总能耗最小化为目标,以退库货位分配为决策变量,建立了自动化立体仓库退库货位优化模型,提出了基于深度强化学习的自动化立体仓库退库货位优化框架。在该框架内,以立体仓库实时存储信息和出库作业信息构建多维状态,以退库货位选择构建动作,建立自动化立体仓库退库货位优化的马尔科夫决策过程模型;将立体仓库多维状态特征输入双层决斗网络,采用决斗双重深度Q网络(dueling double deep Q-network, D3QN)算法训练网络模型并预测退库动作目标价值,以确定智能体的最优行为策略。实验结果表明D3QN算法在求解大规模退库货位优化问题上具有较好的稳定性。     

基于博弈的供应链协作策略决策模型及其在智能Agent平台上的实现

针对供应链企业协作过程中存在的不确定性,提出了基于重复博弈理论的供应链协作策略决策模型,并利用这个模型的特点和智能Agent技术构建了多智能Agent系统。该系统利用了智能Agent的交互能力和协作能力让持有不同协作策略的博弈者逐对的进行策略对弈,经过一个“优胜劣汰“的迭代过程,帮助博弈者找到最佳的协作策略,从而有效的减免了供应链协作过程中不确定性给企业带来的损失。     

基于LSTM与迁移学习的滚动轴承故障诊断

目前以数据驱动为基础的深度学习故障诊断方法已经得到了广泛的研究,然而基于深度学习的故障诊断普遍存在需要海量训练数据的不足。为有效克服上述问题,提出了一种基于长短期记忆网络(long short-term memory,LSTM)与迁移学习结合的滚动轴承智能故障诊断方法。首先使用心电图片段数据对网络中的参数进行训练,然后将正常状态下和各类故障状态下的滚动轴承曲线作为网络输入训练网络最后3个全连接层,最后得到整个训练网络。通过数据验证,证明所采用的方法与传统的故障诊断方法相比,能更加智能识别各类故障类别,并且拥有更高的正确率和良好的泛化能力。     

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。     

应用于图像分割的卷积神经网络参数简化模型

在图像处理领域卷积神经网络普遍存在模型复杂、参数众多等问题,使得方法应用不便、时间开销不可控。针对这一问题,提出了一种混合规模的深度卷积神经网络,该网络架构基于扩展的卷积方法,以便在不同图像规模上采集到关键特征,并通过将深度特征紧密相连,从而控制参数的数量。实验结果表明,新方法可以在限制模型参数前提下达到相当高的准确率,并能有效降低过拟合的风险。     

雾环境下的船舶目标检测研究

针对船舶在雾环境中因能见度不良易发生碰撞、船舶识别困难和检测精准度较低等问题：首先构建出雾环境下的船舶目标检测数据集;接着在YOLOv5基础上进行改进,在原网络结构基础上,为使深度可分离卷积更接近可分离卷积,使用GSConv模块替换Head部分CBS模块,以提高模型精准度,并引入Slim-Neck范式,进一步提高模型平均精准度,降低模型的计算量。同时,采用多项式损失函数替换原二元交叉熵损失函数,以提高模型的精准度,并引入SIoU Loss消除真实框与预测框方向问题的缺陷,以提高训练速度和推理准确性。实验结果表明,模型在mAP_0.5指标上达到95.7%,相较于基础YOLOv5模型,改进后的船舶目标检测模型mAP_0.5提高0.9%、mAP_0.95提高0.9%,同时FLOPs也降低2.1G。这一结果表明,雾环境下的船舶目标检测模型具有更优的精准度和更轻量的模型结构,在提高雾环境下船舶检测的精准度和效率方面具有很好的应用前景。     

利用DCE-MRI结合改进卷积神经网络的MR图像自动分割与分类方法

为鉴别乳腺良、恶性肿瘤,利用动态增强磁共振成像(DCE-MRI)技术,结合混合集成的改进卷积神经网络(ME-ICNN),设计了一种计算机辅助诊断(CAD)方法。首先,在预处理阶段对输入的肿瘤图像进行背景缩减、对比度增强和乳房区域裁剪,采用全局Otsu阈值分割和形态学顶帽变换去除非损伤结构;然后,在定位阶段使用Chan-Vese活动轮廓模型自动选取最佳ROI,采用基于紧致度的滤波方法减少假阳性;最后,在诊断阶段提出一种新的卷积神经网络混合集成模型ME-ICNN,用于乳腺良恶性肿瘤的分类。通过112例DCE-MRI数据库上的实验结果表明:相比其他几种较新的卷积神经网络分类方法,所提出的ME-ICNN方法具有训练和测试执行时间快、自由参数少、分类精度高等优点,可作为放射科专家分析乳腺DCE-MRI图像的有效工具。     

基于MOMEDA与BiLSTM的滚动轴承微弱故障识别方法

针对传统的滚动轴承智能诊断模型计算效率低和准确率欠佳问题，课题组提出一种基于多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted，MOMEDA)和双向长短时记忆(bidirectional long short term memory network，BiLSTM)网络相结合的滚动轴承故障诊断模型。该模型利用MOMEDA方法增强故障特征，并结合遗传算法(genetic algorithm，GA)对BiLSTM模型参数进行优化，实现滚动轴承智能、高效及鲁棒性诊断。利用该模型对经典轴承数据集以及牵引电机轴承故障数据集进行验证，平均准确率达到了99.63%，分别比传统卷积神经网络(convolutional neural network，CNN)、单层长短时记忆网络(long short term memory network，LSTM)、双向长短时记忆网络和最新的CNN LSTM模型高16.02%，9.98%，7.01%和5.65%，验证了该模型的有效性和优越性。     

高新技术园区投入产出绩效的智能评价

投入产出绩效评价是关系着中国各高新技术园区可持续发展的关键问题。由于评价问题的高维复杂性,神经网络方法与其他方法相比具有一定的优越性,但存在着训练准则和分类准则不一致的问题。采用一种区域映射神经网络模型,实现了从区域到区域的映射比区域到点的映射更快、更好,保证了神经网络训练准则与实际分类准则的一致性,具有比前馈式神经网络更快的收敛速度和更高的分类精度。利用区域映射神经网络模型对中国高新技术园区投入产出绩效进行智能评价,取得了较好的效果。     

基于YOLOv5深度学习模型的动态靶标识别跟踪方法

针对火炮身管动态靶标识别跟踪精度和实时性不高的问题,提出了一种基于YOLOv5深度学习模型的靶标识别跟踪方法。分析了靶标识别跟踪过程和基本思想,通过网格化模型对靶标样本图像进行多尺度处理,并利用金字塔模型进行融合预测;搭建了YOLOv5网络模型,对组件设置优化;对比了损失函数对锚框识别效果的影响,并选取优化后的CIOU作为模型损失函数;最后对模型进行训练,并利用训练好的模型对动态靶标进行识别跟踪。实验结果可视化分析显示,靶标动态识别跟踪率可达到99.3%,动态实时跟踪效果较好。     

基于智能代理的电子商务信息服务评价研究

随着计算机技术和信息技术的发展开始应用到诸多领域,现在最为热门的是智能代理技术在电子商务信息服务中的应用。本文首先从理论上阐述了智能代理技术的定义、特点、应用结构以及应用领域,归纳了其在电子商务信息服务中的应用层面和应用架构,然后重点对两个应用智能代理技术来提供信息服务的电子商务网站进行详尽的比较分析和研究,最后评价了电子商务信息服务中引入智能代理技术后出现的相关问题,并提出了部分改进意见。     

基于MAS和DM的电子商务企业IDSS模型研究

根据当前智能决策支持系统模型研究中存在的问题，提出一种新型的基于MAS的电子商务企业智能决策支持系统模型（MASIDSS-EC）。该模型中除了将结构化数据作为挖掘对象外，还将Web数据作为重要的决策对象，并将多代理（MAS）的思想和技术引入到这一模型中，该结构的实现可有效突破决策信息的片面性，增加智能辅助的灵活性和适应性。     

一种CNN与ELM相结合的船舶分类识别方法

为提高船舶分类识别的精度,提出一种卷积神经网络(CNN)与极限学习机(ELM)相结合的分类识别方法。该方法采用8层AlexNet的卷积神经网络对船舶训练图片进行监督训练,并把AlexNet网络的第一个全连接层的输出作为特征训练样本完成对ELM的监督训练。对比实验结果表明:本文方法对船舶分类识别平均准确率为94%。     

西方现代资本结构理论及发展动向

现代西方资本结构理论以不对称信息为基础 ,力图通过“信息”“代理”等概念从公司的“外部因素”来展开对资本结构问题的分析 ,从而把权衡难题转化为结构和制度设计问题 ,是近年来资本结构研究领域的主流学派。现代资本结构理论主要包括罗斯模型、利兰—派尔模型、优序融资理论的信号模型以及包括代理成本说、财务契约论的代理理论两方面内容。研究不同法律环境对企业融资行为的影响以及资本结构和公司治理之间的关系成为近年来西方资本结构理论发展的新动向     

教师智能教育素养的概念、框架与发展策略

教育数字化转型与人工智能发展推动教育智能化迅速演进,对教师智能教育素养培养提出了诸多新挑战。回顾教师智能教育素养相关研究发现,存在“实践影射”和“素养升级”两种概念进路及相应的框架结构。通过对教师智能教育素养核心内涵与关键要素的深度分析、重要维度与指标的综合抽取,构建了包含“智能教育认知”“智能教育能力”“智能教育态度”三个一级维度、六个二级维度、十三个三级维度的整合性框架。为进一步提升教师智能教育素养水平和促进教师专业发展与人工智能的深度融合,应当双向驱动充分发挥能效,提升智能教育认知水平;掌握智能教育技术之用,增强智能教学创新能力;关注人机协同伦理价值,再思智能时代育人目标。     

基于面部生理特征和深度学习的表情识别方法

针对现有深度网络人脸表情识别方法中网络训练不足,以及迁移学习冗余信息等问题,提出一种新的端到端深度神经网络框架,该框架分为面部组成模块、表征模块和分类模块3个部分,在表征模块中引入了一种新的构建函数,由卷积运算和元素点乘操作组成,可有效提高面部特征的识别能力。另外,基于面部肌肉的运动产生面部表情变化原理,设计了新的损失函数Softmax-MSEREG,使整个神经网络的学习过程规范化,保证提出的神经网络可以显式地学习特定的表情特征。实验结果表明:与其他先进的表情识别方法对比,该模型对实验室控制和野外环境下的图像适用性能更好,表情识别准确率更高。