检索结果-内蒙古大学图书馆

作者：王志超中北大学

学位级别：硕士

随着经济社会和科学技术的发展,在科学研究、航空航天、工业控制等领域越来越多地要求动态测量,要求定量、深入地获取瞬态过程中各种参数和物理量的变化规律。传感器作为动态测试系统的前端,其动态特性决定了整个测试系统的动态性能。... 详细信息

随着经济社会和科学技术的发展,在科学研究、航空航天、工业控制等领域越来越多地要求动态测量,要求定量、深入地获取瞬态过程中各种参数和物理量的变化规律。传感器作为动态测试系统的前端,其动态特性决定了整个测试系统的动态性能。本文主要研究传感器的动态特性建模方法和模型不确定度,内容如下:(1)针对传感器线性模型,介绍了QR分解法,用来判定传感器动态模型的阶次。分析了最小二乘法的改进算法、递推极大似然法、粒子群优化算法的原理,进行了传感器线性系统仿真,在不同噪声模型及信噪比下,运用递推辅助变量法建模时,模型输出与系统真实输出的拟合误差均小于3%,优于其他线性建模方法。介绍了Hammerstein非线性系统辨识算法和BP神经网络算法,并进行了非线性系统仿真。(2)进行线性系统仿真,在没有噪声干扰时,运用递推最小二乘法进行参数辨识,得到了系统模型参数真值。提出了运用自助抽样法评定传感器线性模型的不确定度,并通过传感器线性模型不确定度的仿真,比较了贝塞尔法、蒙特卡罗法、自助抽样法在线性系统模型不确定度评定中的差异。(3)运用不同的线性建模方法对某一国产压电式压力传感器进行了动态建模,运用递推辅助变量法对该国产压电式压力传感器、Endevoc 8530C压阻式压力传感器进行了动态补偿,评定了压力传感器动态特性模型的不确定度。对一直径为1mm的K型热电偶进行了Hammerstein模型和BP神经网络模型辨识,并运用BP神经网络算法对该热电偶进行了动态补偿。通过对传感器动态特性建模方法及模型不确定度的研究,可以得出:递推辅助变量法在传感器的线性建模中适应性较强、建模精度较高,BP神经网络算法在传感器的非线性建模及动态误差修正中具有良好的效果,自助抽样法用于传感器线性模型不确定度评定是有效的。

关键词：动态测量传感器建模方法动态补偿模型不确定度

来源：评论

学校读者我要写书评

暂无评论

压力传感器的模型不确定度研究

引用

测试技术学报 2020年第1期34卷 54-60页

作者：王志超张志杰赵晨阳中北大学仪器与电子学院山西太原030051 中北大学仪器科学与动态测试教育部重点实验室山西太原030051

针对利用单次动态校准数据建立的压力传感器动态数学模型可信度不高的问题,提出了一种估计压力传感器最优动态数学模型及评定模型不确定度的方法.首先,对同一支压力传感器进行多次动态校准、建模得到多个模型参数向量.然后,对多个模型... 详细信息

针对利用单次动态校准数据建立的压力传感器动态数学模型可信度不高的问题,提出了一种估计压力传感器最优动态数学模型及评定模型不确定度的方法.首先,对同一支压力传感器进行多次动态校准、建模得到多个模型参数向量.然后,对多个模型参数向量等概率可放回地随机抽取求均值,重复抽取过程模拟大量的建模结果,以此估计压力传感器的最优动态数学模型及评定模型不确定度.最后,对该压力传感器进行多次动态校准,建模验证时域和频域模型是否落在评定的不确定度区间内.实验结果表明:该方法得到的压力传感器最优动态数学模型合理,模型不确定度符合实际且小于运用贝塞尔法、蒙特卡洛法评定的模型不确定度.

关键词：压力传感器动态校准模型参数向量随机抽取模型不确定度

来源：评论

学校读者我要写书评

暂无评论

贝叶斯深度标签分布学习不确定度的研究与应用

贝叶斯深度标签分布学习不确定度的研究与应用

引用

作者：郑芮中国科学技术大学

学位级别：博士

尽管深度学习被广泛应用于各个领域,但却无法捕捉预测的不确定性,这在医疗、自动驾驶等错误成本很高的领域中非常重要。基于dropout贝叶斯深度学习模型的提出为获取深度学习模型不确定度提供了新的思路,然而贝叶斯深度学习模型中获取的... 详细信息

尽管深度学习被广泛应用于各个领域,但却无法捕捉预测的不确定性,这在医疗、自动驾驶等错误成本很高的领域中非常重要。基于dropout贝叶斯深度学习模型的提出为获取深度学习模型不确定度提供了新的思路,然而贝叶斯深度学习模型中获取的噪声不确定度和模型不确定度应用于单标签学习任务必须要求图像标签语义清晰。有些情况并不能对数据进行精确的标记,例如实际生活中人们对年龄的估计或不同的医生对病变轮廓的标注。分布标签学习被提出来解释标签歧义,然而其不确定度估计尚未得到研究。本文为了解决前人提出的基于dropout贝叶斯深度学习模型存在的不足,提出了贝叶斯深度标签分布学习模型,该模型可以获取分布标签学习任务的不确定度,同时定义语义不确定度衡量标签模糊性带来的不确定度,并统一三种不确定度在单标签学习和分布标签学习的表达形式。本文将提出的语义不确定度和另外两种不确定度应用于多个领域,证明不确定度在实际应用中的价值。具体研究内容及其创新点主要有以下四点: 1.提出贝叶斯深度标签学习分布学习模型,可获取分布标签学习任务不确定度,定义了语义不确定度表征标签模糊性带来的不确定性,并统一三种不确定度在单标签和分布标签学习任务上的数学表达形式。 2.本文将不确定度应用于单标签学习任务,探究在分类、分割任务中三种不确定度与模型性能之间的关系,并且提出在单标签学习任务上的三种不确定度损失表达形式。实验证明三种不确定度与模型性能呈负相关关系;通过将不确定度损失加入模型训练,在Adience和ICCV ChaLearn LAP 2015分类数据集和CamVid和e_ophthaEX分割公开数据集中均获得比文献水平更高的性能,证明三种不确定度损失可以有效提升模型性能;此外,本文将三种不确定度作为特征输入支持向量机分类器的输入,可以有效判断预测结果的正确性。 3.本文将不确定度应用于分布标签学习任务,探究三种不确定度与模型性能之间的相关性,以及定义了在分布标签任务中的三种不确定度损失表达式。实验证明,三种不确定度与分布标签学习任务模型性能呈负相关关系;进一步,模型通过学习不确定度损失在两个公开数据集ICCV ChaLearn LAP 2015和SCUT-FBP和自己构建的早产儿视网膜病变分级数据集ROP2020超过比文献水平最高的水平,说明三种不确定度损失可以有效提升模型在分布标签学习任务的性能;此外,证明了模型不确定度和语义不确定度之间的差异性;同时本文利用三种不确定度作为特征学习的SVR模型可以判断模型预测结果的精准程度。 4.结合三种不确定度的性质,本文将本文提出的贝叶斯深度标签分布学习模型以及不确定度应用于其他领域。探索不确定度作为主动学习的查询函数提升选择数据的有效性;在增强学习的智能体行为预测网络中加入不确定度损失,并利用不确定度优化探索策略,加快智能体收敛到最优行为的速度;利用不确定度区分对抗样本和真实样本进行对抗样本检测中。通过实验证明,三种不确定度尤其是语义不确定度可以有效运用于上述应用,并且达到很显著的效果。

关键词：贝叶斯深度标签学习噪声不确定度模型不确定度语义不确定度单标签学习分类分割分布标签学习主动学习增强学习对抗样本检测

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：