基于改进DenseNet和迁移学习的变负载滚动轴承故障诊断

由于在实际工作环境下滚动轴承故障样本不足，而且受到环境噪声以及负载变化的影响，故障样本分布存在差异性导致诊断泛化性差，对此课题组提出一种基于改进DenseNet与迁移学习结合的滚动轴承故障诊断方法。对原DenseNet中的ReLU激活函数，使用LeakyReLU函数替代，并在全连接层后添加Softmax层进行分类，使提取故障特征更为丰富；为了使轴承信号接近工厂采集的数据，对凯斯西储大学轴承数据集中添加了信噪比为 2 dB的高斯白噪声并进行模拟，经Z Score归一化处理后转化为二维灰度图作为样本数据。实验结果表明该方法在小样本变负载下的跨域诊断准确率都达到了90%以上，与其他模型对比具有更好的泛化性。     

基于深度强化学习的轮毂电机驱动电动汽车垂向振动控制

轮毂电机驱动电动车作为分布式驱动的一种理想的解决方案，对于缓解能源问题具有重要意义，然而当轮毂电机引入轮毂时，其平顺性会恶化。为解决轮毂电机电动汽车平顺性问题，建立了考虑座椅、车身和簧下质量振动特性以及主动与半主动悬架时间迟滞因素的三自由度轮毂电机电动汽车的1/4车模型，并基于深度强化学习算法对轮毂电机驱动电动汽车通过主动悬架进行垂向振动控制。在此基础上，对轮毂电机驱动电动车在随机路面与减速带路面下行驶的情况进行训练，进而对其训练案例的控制效果进行测试，并将之与被动悬架和天棚阻尼控制策略的控制效果进行对比，最后对轮毂电机驱动电动车在随机路面的基于深度强化学习主动悬架控制策略进行泛化能力测试。结果表明，对于训练与泛化测试案例，针对轮毂电机驱动电动车的垂向振动控制，基于深度强化学习的主动悬架控制策略所产生的控制效果均优于被动悬架与天棚阻尼控制策略。     

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IRBFNN和IRAN的非线性动态系统在线自适应建模

将资源分配网络算法(RAN)与相似隐单元合并操作、冗余隐单元删除操作和基于滑动数据窗连接权值学习相结合,形成了改进的资源分配网络(IRAN)算法。IRAN算法用于非线性动态系统的在线建模,能有效地改善模型精度和泛化能力。将改进径向基函数(RBF)神经网络(IRBFNN)和IRAN结合可以用于不确定非线性动态系统自适应建模。仿真研究表明:所提出的建模方法在模型精简、泛化和自适应等方面均具有优良的性能。     

基于神经网络的六维力传感器静态标定方法研究

利用BP神经网络研究了六维力传感器的静态标定方法.良好的泛化能力是基于神经网络标定方法的关键,而现有基于神经网络的传感器标定方法对网络的泛化能力鲜有考虑.针对上述问题,以提高神经网络泛化能力为目的,对神经网络的训练样本、训练期望误差值和网络隐层单元数等的选取进行了研究.实验及计算机仿真表明,当选取样本数据具有遍历性时,利用神经网络标定后进行补偿计算可提高六维力传感器的测量精度.     

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。     

GA-BP神经网络预测大学生体质的模型构建研究

以2015年大学生体质数据为样本,研究了多层前馈神经网络(BP)预测大学生体质的有效性。为了提高BP神经网络模型的泛化能力,采用遗传算法(GA)模型优化BP神经网络参数。将上述两种模型结合,构建了有效预测男生体质与女生体质的两种模型,分别为GABP-1与GA-BP-2。GA-BP-1的训练和测试结果显示实测值与模拟值决定系数分别达到0.95与0.91;GA-BP-2的训练和测试结果均达到0.94。两种模型的预测值与模拟值均显示出较好的分布。为了验证模型的时间扩展预测能力,选择2016年大学生样本做预测,结果表明:GA-BP-1与GA-BPV2的模拟值与实测值的决定系数分别达到0.94与0.95,显示出较好的时间扩展预测能力。GA-BP-1与GA-BP-2具有很好地模拟能力,减少了大学生体质单项评估和总体评估的工作量,还可用于单项因子的预测分析。     

BP网络的泛化能力改进方法及应用

在人工神经网络的使用中，BP神经网络是使用比较多的网络结构，简要介绍了BP网络的基本结构和BP算法，分析BP网络存在的缺陷，介绍了两种改进BP网络泛化能力的方法，并通过例子分析了两种方法的适用性。     

基于改进Yolo v5的织物缺陷检测方法

针对纺织品表面缺陷检测算法速度低、泛化性能差及鲁棒性弱等问题，课题组提出了一种基于改进Yolo v5的织物表面缺陷检测方法。在Yolo v5骨干网络的基础上增加了卷积注意力模块，增强目标检测网络对特征图中重要信息提取并弱化无关特征；针对网络特征融合阶段特征尺度不一致造成的冲突问题，引入自适应空间特征融合的方法；在训练过程中使用迁移学习加快训练速度。实验结果表明：与未改进的Yolo v5算法相比，所提出的检测框架能够有效提高网络精度达98.8%，检测速度达83 帧/s。该检测方法能满足实际工业要求。     

基于NSVM的核空间训练数据减少方法

针对核空间中大数据集的计算代价高问题,提出用NSVM方法减少分类器的训练数据。先用NSVM、核主成分分析(KPCA)和贪婪KPCA分别从全部训练数据中提取训练分类器的子集;再用子集训练分类器,并用训练和测试数据的错分率对分类结果进行评价。在两个数据集和两种分类器中,用KPCA提取的子集训练的分类器的分类性能弱于NSVM和贪婪KPCA,但用贪婪KPCA提取的子集训练的分类器的泛化能力弱于NSVM。仿真结果表明,用NSVM方法提取的子集训练的分类器,不仅保证了分类器的泛化能力,也降低了分类算法的计算复杂度。     

改进PSO算法优化LSSVM的柴油机排气预测

针对柴油机SCR系统对排气流量、排气成分和排气温度控制精度要求高的特点,提出一种基于粒子群优化支持向量机的排气预测模型。该方法采用改进粒子群算法寻找支持向量机最优的惩罚参数和核函数参数,提高模型的泛化能力,根据柴油机运行时的转速和负载,实时精准测算出排气流量、温度以及氮氧化合物浓度。结合柴油机实际排放实验仿真表明,与未经优化的PSO-SVM模型相比,该方法对柴油机排气预测有很高的精确度,可以将误差控制在1. 6%以内,平均误差仅为0. 665%。     

计算机软件质量综合评判的人工神经网络模型

根据单指标评价标准，通过在规定的区间范围内随机取值生成足够多的训练样本、检验样本和测试样本，遵循误差反传（BP）网络建模基本原则和步骤，建立可靠、有效的软件质量综合评价模型，克服了物元模型、灰色模型等方法存在受人为因素影响及定性评价等缺陷．对6个模拟样本和8个实际软件的评价表明，本文提出的样本生成方法、建模过程能有效避免出现过训练和过拟合现象，建立的BP模型具有较好的泛化能力、可比性和客观性；各评价指标与软件质量等级之间存在明显的非线性关系，可靠性指标对软件质量等影响最大．     

ACM选择系统结合改进Chan-Vese模型的自适应图像分割方法

针对传统脑肿瘤人工分割方法稳定性与精确度不够高的问题,提出了一种ACM选择系统结合改进Chan-Vese模型的自适应图像分割方法。提出的框架适用于3种不同的局部区域主动轮廓模型(LRACM):LGDF、改进C-V以及LBF,根据要处理特定图像集,提出的方法可以自适应地选择其中最佳的一种模型来表示图像。首先,在学习阶段,其中一部分数据用于在最佳LRACM的选择任务中训练系统,并为此计算了平均值、调和平均值等10个图像特征;然后,在评估阶段,其余数据被测试以评估所提出的系统正确选择期望的主动轮廓模型的能力;最后,使用支持向量机分类器对3种模型所分割后的图像进行分类,将性能最好的模型作为所选模型,进一步进行准确分割。使用脑图像数据库Brain Perfusion Database的MRI数据和艾伦脑图像数据集进行实验。实验结果显示:相比仅单独使用其中1种模型的LRACM方法,提出的自适应选择方法实现了最佳分割效果。     

基于神经网络的非正常工况预报

分析了PTA生产中氧化反应器尾氧浓度的影响因素,提出一种用小波分析对数据进行降噪处理的方法。采用BP神经网络并对其进行了一定程度的改进。通过降噪前后的网络仿真结果对比,表明基于小波降噪的神经网络具有更好的精度和更强的泛化能力。用此网络预测尾氧浓度,实现了对非正常工况的预报。通过实际对比,表明该网络能够较理想地预报出非正常工况。     

阴极射线管色度转换的神经网络模型

利用神经网络技术实现了从阴极射线管(CRT)的R、G和B空间到CIE的标准色度空间的转换.用拟牛顿法训练网络模型,建立了从CRT的R、G和B到CIE的X、Y和Z色度空间变换的3 10 10 3神经网络模型.采用7点LOG空间分布方案的343个训练样本建模的试验表明,收敛性与训练时间及模型精度均优于前人采用3~4个隐层的方案,343个训练样本、216个检验样本和64组测试样本的平均转换精度分别为0.6个CIELUV色差单位,说明该模型的泛化能力很好.     

基于超分辨率模型与YOLO V4的织物疵点检测

针对工业条件限制下采集的印花布数据集图像分辨率低、检测效果差等问题，课题组提出基于超分辨率模型SRGAN与YOLO V4网络的织物疵点检测方法，并对SRGAN算法进行改进。课题组首先使用改进的SRGAN算法对原数据集进行超分辨率重构，提高图像分辨率；然后将重构图翻转变化与原图共同作为数据集输入YOLO V4进行网络训练；最后通过YOLO V4网络检测印花布表面疵点。实验结果表明：该方法可提高低分辨率织物图疵点检测效果，准确率高达90.29%，比超分辨率重构前提升了13.19%，能实现实时定位疵点的准确位置并输出疵点类别。     

AVMD Kriging砂轮寿命周期磨削性能在线监测方法

为了对砂轮寿命周期磨削性能进行特征提取与智能识别，课题组提出了一种改进的变分模态分解算法与Kriging模型相结合的砂轮寿命周期磨削性能识别方法AVMD Kriging。首先，通过人工鱼群算法和包络熵适应度函数来优化VMD，以解决VMD中本征模态函数分解个数k和惩罚因子α难以自适应确定的问题；再利用皮尔逊相关系数选取与原始信号相关性最高的本征模态函数并计算其样本熵值组成特征向量，将其输入Kriging模型进行砂轮寿命周期磨削性能识别；最后利用实验采集的声发射数据，将提出的AVMD Kriging方法与传统的KNN模型、Tree模型进行对比。结果表明：AVMD Kriging方法的识别准确率优于KNN模型和Tree模型，能有效提高砂轮寿命周期磨削性能的识别准确率，同时具有较好的泛化能力和鲁棒性。     

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。     

一种改进的I-NDMR协议在移动自组网中的应用

为了降低NDMR协议中由于最短路径优先原则造成的冲突和阻塞问题,提出了一种改进型的I-NDMR协议。该协议共包含9个状态,选择通信负荷最低的链路作为传输路径。通过修改RREP数据包,为其增加LoadInformation数据段来记录每条路径的负载信息,同时目标节点还会定期发布LOAD_UPDATE报文来定期更新链路负载信息。尽管采用负载均衡策略后传输路径有一定延长,但改进后协议以一定控制开销为代价有效地缓解了网络瓶颈,提高了通信速率。测试结果证明,改进后协议数据传输通信延迟得到了有效降低。     

基于改进型SSD的多类汽车车身冲压件识别算法

智能机器人在汽车生产制造中有着重要意义,准确地识别抓取任务中的目标是基于视觉引导的汽车车身冲压件抓取系统的基础。针对传统工件识别算法人工提取特征困难、通用性差、识别率不高且易受环境因素影响等问题,首先采用深度学习SSD网络模型对10类汽车车身冲压件进行识别。在此基础上,为了提高工件识别准确率,改善工件相互遮挡情况下识别差的问题,提出一种改进的SSD算法,引入残差网络,采用Resnet-50替换原SSD的基础网络VGG-16。实验结果表明:原始的SSD网络在自制的工件数据集评估集上的平均准确率均值m AP为92. 3%,改进后的SSD网络检测的平均准确率均值m AP为98. 3%,比原始的SSD网络提高了6%,基于Resnet-50改进的SSD模型具有更高的识别准确率、更好的遮挡识别效果以及更强的泛化性能。