检索结果-内蒙古大学图书馆

化工新型材料 2014年第3期42卷 68-70,73页

作者：毕松梅陆娟谢艳霞方祥朱泽贺周业昌安徽工程大学纺织服装学院芜湖241000 芜湖华烨工业用布有限公司芜湖241008

芳纶是天然的不燃纤维,有优良的力学性能适用于帆布骨架材料。但是和基体的粘合性并不好,而且价格居高不下,限制了芳纶在阻燃输送带中的使用。采用稀疏的织物结构和浸渍华烨的单浴胶可以改善芳纶和基体的粘合性能,并且使用太极的阻燃橡... 详细信息

芳纶是天然的不燃纤维,有优良的力学性能适用于帆布骨架材料。但是和基体的粘合性并不好,而且价格居高不下,限制了芳纶在阻燃输送带中的使用。采用稀疏的织物结构和浸渍华烨的单浴胶可以改善芳纶和基体的粘合性能,并且使用太极的阻燃橡胶作为贴胶和盖胶制成的输送带小样达到理想的阻燃效果。

关键词：芳纶稀疏结构粘合

来源：评论

学校读者我要写书评

暂无评论

基于LMI技术的量化控制系统优化设计

基于LMI技术的量化控制系统优化设计

引用

作者：车伟伟东北大学

学位级别：博士

随着网络化和全数字化成为控制系统设计开发的主流,量化问题越来越受到人们的关注。量化问题主要表现在两个方面,一方面是控制系统的数字执行,表现在制器本身的量化。另一方面是反馈控制中的数字通信渠道的有限带宽而引起的量化问题。... 详细信息

随着网络化和全数字化成为控制系统设计开发的主流,量化问题越来越受到人们的关注。量化问题主要表现在两个方面,一方面是控制系统的数字执行,表现在制器本身的量化。另一方面是反馈控制中的数字通信渠道的有限带宽而引起的量化问题。在传统的设计中,没有考虑量化效应的影响,因此当系统量化发生时,会导致系统性能下降甚至不稳定。针对于前者,目前主要关注的是由有限字长引起的非脆弱控制器的设计与实现问题。在已有的结果中,所考虑的增益变量形式都是范数有界的。然而,这种形式的不确定性不能够精确地刻画由有限字长引起的不确定信息。相对而言,区间型不确定性能够更精确地刻画不确定信息。但是这种不确定性由于摄动参数太多而存在现有方法无法解决数值计算问题。另外,在实时应用中对计算效率的要求是非常苛刻的。因此在设计过程中,设计者都渴望得到具有稀疏结构的控制器。但是,关于这类问题,目前只有关于实现的结果,还没有人从设计角度考虑这一问题。另一方面是反馈控制中数字通信渠道的有限带宽而引起的量化问题。在量化反馈控制问题中,动态量化策略因其可以通过调节动态调节参数使量化系统达到渐近稳定或满足一定的性能而受到关注。但是在以往关于动态量化策略的工作中,很少有考虑H∞性能问题的结果。尤其是没有考虑能保证量化系统H∞性能所需要的最少量化水平问题,导致所需要的量化器范围很大,然而在实际系统中,由于通信渠道的限制,量化器范围是有界的。因此,对这一问题的研究有很多实际意义,如保证低成本、高可靠性、以及易维护等。本论文在总结前人工作的基础上,对上述两方面的量化问题分别进行了研究。一方面,考虑具有区间型增益变量的非脆弱控制器和滤波器设计问题。提出了结构的顶点分离器的概念,解决了由区间型摄动所引起的数值计算问题。并在理论上证明了所提出方法相对已有方法保守性小。同时从设计角度研究了一类具有稀疏结构非脆弱H∞控制/滤波问题,所设计的控制器/滤波器既含有很少的非平凡元素又具有非脆弱性。另一方面,针对量化的反馈控制问题,考虑优化最小量化器范围问题,给出了一套新的量化反馈控制/滤波方法,使得能保证系统稳定且具有H∞性能所需要的量化器范围最小化。具体工作如下：第1-2章系统地分析和总结了量化这一前沿研究领域的发展现状及研究方法,并给出了与本文相关的一些预备知识。第3章基于线性矩阵不等式技术,研究了离散时间系统非脆弱H∞滤波器的设计问题。一方面,研究了具有区间型增益变量的全参数非脆弱H∞滤波问题。提出一种结构的顶点分离器的概念,并应用结构的顶点分离器,解决了由区间型增益变量引起的数值计算问题,从而给出新的具有全参数非脆弱H∞滤波器的设计方法,并从理论上证明所提出方法比已有方法保守性小。另一方面,定义一类稀疏结构,并在该结构的限制下,给出具有稀疏结构非脆弱H∞滤波器的设计方法。仿真例子进一步表明本章所提出方法相对于已有方法的优越性。第4章在第3章的基础上,研究了离散时间系统非脆弱H。控制器的设计问题。第一部分考虑了具有区间型增益变量的全参数非脆弱H∞控制问题。给出了基于线性矩阵不等式技术的两步算法,并利用上一章所提出的结构的顶点分离器解决了由于考虑区间型增益变量而引起的数值计算问题,从而给出具有区间型增益变量的全参数非脆弱H∞控制器设计的充分条件。同样,在理论上证明了所提出方法相对已有方法保守性小。第二部分研究了具有稀疏结构的非脆弱H∞控制器设计问题。首先定义一类稀疏结构,然后在该结构的限制下,给出具有稀疏结构非脆弱H∞控制器的设计方法。仿真例子进一步表明本章所提出方法相对于已有方法的优越性。第5章基于线性矩阵不等式技术,分别研究了状态反馈和动态输出反馈的H∞量化控制问题。所采用的量化器为动态量化器,由一个动态调节参数与一个静态量化器组成。在设计H∞控制器的同时,考虑了优化静态量化器范围的问题,给出优化的H∞量化控制策略,使得闭环系统在量化器具有很小的量化范围的条件下渐近稳定且满足指定的H∞性能指标。并且通过数值仿真例子进一步表明所提出优化方法的有效性。第6章利用线性矩阵不等式技术,分别考虑了连续时间和离散时间的H∞量化滤波问题。所采用的量化器是由动态调节参数和一个静态量化器构成的动态量化器。考虑优化静态量化器范围,设计一个由滤波器和量化器复合而成的具有最小量化范围的量化滤波策略来保证给定的滤波目标。与上一章不同的是,本章基于线性矩阵不等式理论给出量化滤波器设计的凸的充分条件,而上一章给出的是迭代的设计条件。最后分别通过数值和实际仿真例子进一步表明所提出优化方法的有效性。最后对全文所做的工作进行了总结,并指明了下一步研究的方向。

关键词：线性系统非脆弱控制脆弱性稀疏结构加性增益变量动态量化器静态量化器优化量化器范围量化水平量化误差 H_∞滤波动态输出反馈线性矩阵不等式(LMI)

来源：评论

学校读者我要写书评

暂无评论

流形学习与基于稀疏化的半监督分类相关方法研究

流形学习与基于稀疏化的半监督分类相关方法研究

引用

作者：古楠楠中国科学院研究生院

学位级别：博士

数据的特征提取(或数据降维)及分类是数据建模与数据挖掘的基本问题,也是模式识别的关键与核心所在,而流形学习与半监督分类是近年来所兴起的数据特征提取(特别是低维特征表示)与分类中引人瞩目的热点方法。流形学习与半监督分类是缓解... 详细信息

数据的特征提取(或数据降维)及分类是数据建模与数据挖掘的基本问题,也是模式识别的关键与核心所在,而流形学习与半监督分类是近年来所兴起的数据特征提取(特别是低维特征表示)与分类中引人瞩目的热点方法。流形学习与半监督分类是缓解“高维少监督”问题的有效方法,具有十分重要的理论研究价值和实际应用价值。首先,它们涉及数学、计算机科学、信息科学、生物认知等多个领域,是新兴的前沿性的交叉科学研究。其次,流形学习与半监督分类促进了数学中多个领域的交叉。最后,流形学习与半监督分类在机器学习、数据挖掘以及模式识别等领域都有重要的应用。尽管流形学习与半监督分类在理论和应用上都取得了成功,但仍面临很多挑战性的问题,我们针对其中的一些关键性问题进行了深入的研究,取得了一系列创新成果:\n 1、针对流形学习方法的统一理解与综述问题,我们提出使用流形正则化框架。为了获得从高维表示空间到低维本质空间的降维映射,该框架力图拟合先验的低维表示指导信息,同时考虑降维映射的函数复杂度及其保持数据结构化信息的程度。依据此框架,我们将线性的与非线性的、无监督的与有监督的、单类的与多类的各种流形学习算法联系起来,从一个统一的角度理解它们,同时从此角度对它们进行了综述,并进一步探讨了它们之间的共性与差异。\n 2、针对处理半监督分类任务时的流形学习问题,即面对半监督分类时传统流形学习算法无法处理多流形数据、很难引入类别标签、缺乏显性映射的问题,我们采取“根据有标签数据的类别标签随机生成先验低维表示并对其进行拟合,同时保持数据稀疏结构”的策略,提出一种判别性保稀疏投影算法(Discriminative Sparsity Preserving Projection,DSPP)。DSPP是针对多流形数据设计的,具有显性的降维映射,还从数据稀疏表示中继承了较高的判别性能。实验证明,相比其它流形学习方法,DSPP在半监督分类方面有明显优势。\n 3、针对处理半监督分类任务时的流形学习问题,我们采取另外一种策略,即“多流形建模、非线性特征提取以及半监督判别分析”,从而提出一种多流形判别分析算法(Multi-Manifold Discrimillative Ahalysis,Multi-MDA)。Multi-MDA可构造能够有效地捕获多流形结构的邻域图,通过此图将数据点用其对应的蕴含着非线性结构信息的特征向量表示,进而针对构造的特征向量引入类别信息并建立线性的降维映射。实验结果也表明了所提的Multi-MDA在半监督分类任务中具有很好的判别性能。\n 4、针对鲁棒流形学习问题,即流形学习方法对奇异点不鲁棒的问题,我们以Isomap这一流形学习经典方法为切入点,提出了一种基于L1-范数距离度量的算法:Isomap-L1。在有奇异点存在的情况下,L1-范数已被证明比L2-范数具有更好的性能,因此我们基于L1-范数距离度量的策略具有更好的鲁棒性。实验结果也证明了我们所提的Isoma-L1对奇异点具有较好的鲁棒性。\n 5、针对半监督分类的模型假设问题,即半监督分类所基于的聚类假设与流形假设并非对所有数据集都适用的问题,我们提出了基于稀疏化假设的核稀疏正则化(Kernel-based Sparse Regularization,KSR)半监督分类方法。该方法在核特征空间中计算数据的稀疏表示,从而能够避免对非图像数据直接应用稀疏表示时可能会遭遇的“l2-范数问题”,然后通过在流形正则化框架下保持数据的稀疏表示系数来得到分类函数。KSR能够自适应进行邻域选择,具有较高判别性能,且具有显性的分类函数,能够处理在线分类任务。标准数据集上的实验结果证明了KSR的有效性。

关键词：流形学习半监督分类数据降维稀疏结构

来源：评论

学校读者我要写书评

暂无评论

基于分层概率模型的多任务贝叶斯压缩感知技术研究

基于分层概率模型的多任务贝叶斯压缩感知技术研究

引用

作者：付银东南大学

学位级别：硕士

随着信息科技的不断发展进步,数字化时代的到来,人们对于信息数据的需求越来越大。数据的爆炸式增长,也给数据传输、处理等带来了巨大的挑战。压缩感知技术在这样的背景下应运而生,吸引了广大科研工作者的研究热情。随着压缩感知理论的... 详细信息

随着信息科技的不断发展进步,数字化时代的到来,人们对于信息数据的需求越来越大。数据的爆炸式增长,也给数据传输、处理等带来了巨大的挑战。压缩感知技术在这样的背景下应运而生,吸引了广大科研工作者的研究热情。随着压缩感知理论的不断发展,压缩感知技术已经在图像、语音、通信、雷达等领域得到广泛的应用。压缩感知理论已成为信号处理领域的研究热点之一,如何利用信号的潜在结构化特征提升信号重构算法的性能是压缩感知的重点研究内容。本文将从结构化压缩感知出发,在贝叶斯框架下研究基于分层概率模型的多任务贝叶斯压缩感知技术研究,主要工作内容和创新点如下:1.提出了一种基于多任务观测数据的稀疏支撑区结构特征聚类的贝叶斯聚类重构新方法。在传统Spike-and-Slab概率模型的基础上,利用Beta-Bernoulli分布拓展传统概率分布以建模信号的先验结构信息。引入Dirichlet Process非参数化概率模型建模多任务观测数据信号的支撑区聚类特性。最后采用期望传播算法推导其后验分布,实现了多任务压缩感知的联合聚类和重构。仿真实验和手写数据实验验证了本文方法的有效性。2.提出了一种基于多任务观测数据的信号元素分布结构特征聚类的贝叶斯聚类重构新方法。构建了联合Gaussian-Gamma稀疏先验和Dirichlet Process的分层生成模型。通过利用Gaussian-Gamma先验概率分布建模信号元素的稀疏特性,并引入Dirichlet Process概率模型建模多任务观测数据的聚类特性。利用Variational Bayesian方法推导分层概率模型后验分布。实测数据实验结果表明,基于Gaussian-Gamma的多任务聚类重构算法,其重构效率远远优于传统感知算法,在50%数据压缩率条件下,比传统BP算法快3倍。3.提出了一种基于联合任务内和任务间结构特性的多任务贝叶斯聚类重构新方法。在联合Spike-and-Slab和Dirichlet Process概率分布的基础上,进一步引入Gaussian核函数建模信号内部潜在的连续性结构特性。利用期望传播算法推导分层概率模型后验分布。为了进一步提高算法性能,采用矩阵分解以及信息传递理论的并行迭代技术极大降低算法复杂度。仿真实验和实际图片数据验证了算法的有效性。

关键词：贝叶斯压缩感知聚类稀疏结构迪利克雷过程期望传播机器学习

来源：评论

学校读者我要写书评

暂无评论

特征匹配算法研究及其在目标跟踪上的应用

特征匹配算法研究及其在目标跟踪上的应用

引用

作者：詹秀娟浙江理工大学

学位级别：硕士

图像匹配技术一直是计算机视觉研究领域中的热点之一,其在智能监控、医疗、文物修复、图像检索、图像拼接等诸多方面均有广泛的应用前景。在智能监控上目前比较热门的是对目标的实时跟踪,在实际的环境下,可能会由于外界和目标自身的各... 详细信息

图像匹配技术一直是计算机视觉研究领域中的热点之一,其在智能监控、医疗、文物修复、图像检索、图像拼接等诸多方面均有广泛的应用前景。在智能监控上目前比较热门的是对目标的实时跟踪,在实际的环境下,可能会由于外界和目标自身的各种复杂影响,导致目标的跟踪效果不能达到理想状态。如非刚体目标的自身形态改变,摄像机的视角变化、外界光线的改变以及其它目标的遮挡情况等。对于这些复杂的情况,还没有一种跟踪方法能解决所有的情况。相比于其它方法,基于特征匹配的目标跟踪方法表现出较好的鲁棒性,在一定程度上能解决目标遮挡、光线变化、噪声干扰以及非刚体目标自身形变的情况,所以深入研究和分析特征匹配方法、结合特征匹配算法的目标跟踪方法具有一定的实际意义。图像匹配技术作为智能监控的核心技术之一,图像匹配技术的发展对视频监控的发展具有重要意义。目前SIFT算法和ORB算法获得了研究者的青睐,但是因为SIFT算法是对图像进行全局的特征点检测耗时较长,造成算法的运行速度慢,达不到令人满意的匹配效果,难于应用到目标的实时跟踪。而ORB算法的运行速度较快,但是因为其描述子不具有尺度不变性,所以匹配效果不理想。本文提出了基于稀疏结构的特征匹配算法、改进的ORB特征匹配算法以及基于特征匹配的目标跟踪方法,主要内容如下:(1)针对传统特征点检测耗时的问题提出改进方法,在SIFT算法的基础上,提出了一种基于稀疏结构的特征匹配算法(Feature Matching Algorithm based on Sparse Structure)。本文通过对图像块进行相似度求解,找到图像块之间的联系,根据这种联系定义稀疏度函数,通过稀疏度函数值与图像结构的关系提出稀疏结构的概念,将图像的结构区域提取出来,只对图像的结构区域进行特征检测,以此缩小特征检测的区域,提高算法的运行速度。最后,结合RANSAC算法对匹配结果中错误匹配对进行剔除,提高匹配的准确率。实验表明,改进的算法相比于传统算法,在匹配速度和匹配准确率上具有较好的优势。(2)针对ORB算法不具有尺度不变性进行改进,提出了改进的ORB特征匹配算法。在特征检测时,用SIFT检测代替FAST检测,使获得的特征点具有尺度不变性。以特征点主方向建立坐标轴,得到具有旋转不变性的BRIEF描述子。最后,通过GMS算法计算各个匹配点邻域的支持匹配,将匹配邻域划分为正确和错误匹配邻域,只保留正确邻域中的匹配对。实验表明,改进的ORB特征匹配算法相比于ORB算法具有更好的鲁棒性。(3)将基于稀疏结构的特征匹配算法和KCF目标跟踪算法结合。利用尺度金字塔估计出目标的尺度,实现跟踪框自适应目标尺寸。跟踪过程中对目标遮挡情况进行判断,当目标遮挡时,对当前帧中的目标提取特征生成模板特征,并与下一帧的特征进行匹配,框出与模板特征相匹配的目标,重新对目标进行跟踪。实验表明,将基于稀疏结构的特征匹配算法应用到KCF目标跟踪算法中,在一定程度上,解决了由于遮挡和复杂环境引起的跟踪丢失问题。

关键词：特征匹配稀疏结构 SIFT特征 ORB算法目标遮挡

来源：评论

学校读者我要写书评

暂无评论

含有外部事件共同冲击的金融机构系统性金融风险建模

含有外部事件共同冲击的金融机构系统性金融风险建模

引用

作者：刘通（Tom Lau）苏州大学

学位级别：硕士

系统性金融风险自2008年金融危机以来一直是热点研究问题。欧洲债务危机、2015年我国股票市场异常波动等外部事件对金融市场产生了重大冲击,特别是在当前全球疫情与原油价格冲击的情形下,是系统性金融风险爆发的高发期。准确度量系统性... 详细信息

系统性金融风险自2008年金融危机以来一直是热点研究问题。欧洲债务危机、2015年我国股票市场异常波动等外部事件对金融市场产生了重大冲击,特别是在当前全球疫情与原油价格冲击的情形下,是系统性金融风险爆发的高发期。准确度量系统性金融风险是监管实施的核心,它对维护金融稳定、防范与化解重大风险具有重要意义。本文的主要工作便是基于组合信用风险研究方法构建了一个度量系统性金融风险的模型。具体而言,本文首先改进了文献当中经典的Poisson稀疏结构框架,将其扩展到了事件源点过程为自激的情形,得到更广泛的结果;进而本文假定事件源点过程的强度为一类扩展的Hawkes强度过程,得到了金融机构联合生存分布、外部事件发生次数的概率与期望、违约机构数量的概率分布、机构之间的违约相关系数等的解析表达式,并且将其设定为系统性金融风险度量指标;最后通过数值分析,不仅证实了本文模型的有效性,还论证了参数变化对风险估计的影响以及相较于经典模型更大的优势。

关键词：系统性金融风险稀疏结构自激点过程联合生存概率违约相关

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的动态网络表征学习研究

基于深度学习的动态网络表征学习研究

引用

作者：张宇涛深圳大学

学位级别：硕士

在现实世界中,很多系统以网络的形式表现,例如社交网络、因特网、科学家协作网、电力系统中的电力网等等。但是原始的网络数据具有冗余性、关联性、大规模等特性,这加大了对算法效率的要求和影响了数据处理的效果。网络表征学习将原始... 详细信息

在现实世界中,很多系统以网络的形式表现,例如社交网络、因特网、科学家协作网、电力系统中的电力网等等。但是原始的网络数据具有冗余性、关联性、大规模等特性,这加大了对算法效率的要求和影响了数据处理的效果。网络表征学习将原始网络数据压缩到低维空间进行表达,不仅降低了计算成本,而且提升了网络数据挖掘任务的效果(如链接预测、网络重构、网络稳定、社区稳定等)。然而,以往的网络表征方法主要侧重于静态网络,不适合具有演化性的动态网络。目前的动态网络表征方法仍然面临一些问题和挑战,一方面是在稳定性的表现上的不足,另一个方面是基于深度学习的网络表征学习方法复杂度过高。对于这两个问题,本文将基于深度学习框架重点研究动态网络表征学习的稳定性和模型复杂性。首先,为了提升动态网络表征学习的稳定性,本文提出一种基于深度自编码器的社区信息动态网络表征学习(CDNE)。为了更好地表达原始网络的结构,该方法使用网络结构的一阶信息和二阶信息的结合,从而提升了网络预测任务(链接预测、网络重构)的效果。在稳定性方面,本文在深度自编码器的目标函数中将原本的全局结构和局部结构上加上社区演化部分,这大大地提升了动态网络表征学习的稳定性。实验结果表明,对比当前的一些先进的网络表征学习方法,本文提出的方法在预测任务(链接预测、网络重构)和稳定性任务(网络稳定、社区稳定)都取得更好的表现。其次,针对目前的基于深度学习的动态网络表征学习方法复杂度过高的问题,本文提出一种基于稀疏自编码器的动态网络表征学习方法(SPDNE)。为了找到拟合网络数据和适应无监督式的网络表征学习的自编码器稀疏拓扑结构,受模拟退火算法启发,本文设计了一种稀疏自编码器结构进化算法。通过在三个基于自编码器的网络表征学习方法下的应用验证,这表明本文提出的算法能够在减少模型复杂度的同时保持优秀的网络任务(链接预测、网络重构)的效果。

关键词：动态网络表征学习社区结构深度自编码器稀疏结构

来源：评论

学校读者我要写书评

暂无评论

稀疏傅里叶变换算法的硬件实现

稀疏傅里叶变换算法的硬件实现

引用

作者：李非凡东南大学

学位级别：硕士

高速发展的医学成像、GPS导航等领域存在着诸多频域稀疏的大数据量信号,而快速傅里叶变换(FFT)算法无法满足这些领域对大数量信号实时进行时频变换的需求。此外,FFT算法的时间复杂度正比于信号的长度,所以硬件实现大点数的FFT算法相当... 详细信息

高速发展的医学成像、GPS导航等领域存在着诸多频域稀疏的大数据量信号,而快速傅里叶变换(FFT)算法无法满足这些领域对大数量信号实时进行时频变换的需求。此外,FFT算法的时间复杂度正比于信号的长度,所以硬件实现大点数的FFT算法相当困难。时间复杂度与信号长度成亚线性关系的稀疏傅里叶变换(SFT)算法在处理频域稀疏的大数据量信号时表现出了优于FFT算法的性能,因此受到了广泛关注。类似的,对于毫米波雷达高速、高加速度运动物体探测等领域存在的分数域稀疏的大数据量非平稳信号,算法结构更为复杂的离散分数傅里叶变换(DFr FT)算法同样无法满足实际工程中实时计算的需求,算法硬件实现的难度也更高。稀疏分数傅里叶变换(SFr FT)算法因其较为简单的算法结构和更快的运算速度得到了广泛应用。但是SFT算法传统的硬件实现方案存在使用硬件资源较多、计算结果精度不够等问题,而SFr FT算法目前尚未出现具有实际工程应用价值的硬件实现方案。针对以上问题,本文做出了以下研究工作: 1、提出了一种新型的SFT算法硬件加速器实现方案。该方案首先提出了一种流水线型数据预处理模块,实现频谱重排、滤波、降采样操作,将一个N点长序列信号转变为B点短序列信号,在运算速度和资源消耗之间取得了平衡;然后设计了一种基于插入排序算法的阈值筛选器,不仅实现了对上游模块FFT/IFFT计算结果中幅值最大的2K个频点的筛选,还完成了输出结果按照幅值从大到小的有序排列,为后续候选频点筛选模块的比较操作提供阈值;接着,针对传统硬件实现方案中所使用的候选值投票结构存在候选频点“漏选”和“错选”的问题,提出了一种基于循环比较的候选频点筛选模块,该模块通过对前三轮循环中阈值选择模块筛选出的大值频点进行循环比较得到候选频点,相较于传统的候选值投票结构,新提出的候选频点筛选模块容错率更高;最后,提出了一种通过多轮排序确定最终大值频点坐标及其幅值的结果计算模块,实现了求取每个频点多轮循环FFT/IFFT计算结果的中值作为该频点最终幅值的功能,摒弃了传统结果计算模块求多轮循环FFT/IFFT计算结果的平均值作为最终幅值的硬件实现方案,提高了最终计算结果的精度。 2、首次提出了一种SFr FT算法硬件加速器实现方案。该方案在SFT算法硬件加速器实现方案的基础上,首先提出了一种流水线型的数据预处理模块,来完成对输入信号的chirp信号调频、频谱重排、滤波和降采样;然后针对硬件加速器需要缓存调频后信号的问题,设计了一种DDR3控制模块,实现了对调频后信号进行跨时钟域突发读/写操作,达到了数据预处理模块可以不间断进行流水运算的目标;最后,针对SFr FT算法需要对输出信号再进行一次chirp信号调频操作的问题,设计了一种流水线型的结果计算模块。该硬件加速器方案不仅实现了计算速度与SFT算法硬件加速器相同的目标,还为后续实现更大规模的SFr FT算法提供了新思路。本文利用Xilinx公司型号为Artix-7 100T的FPGA开发板对上述方案进行了实现与测试。

关键词：离散傅里叶变换数值算法稀疏结构分数傅里叶域可编程逻辑器件

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的轴承故障智能诊断方法研究

基于深度学习的轴承故障智能诊断方法研究

引用

作者：薛祥凯东北石油大学

学位级别：硕士

随着计算机科学技术和互联网的飞速发展,故障诊断技术步入大数据时代,传统故障诊断方法通常需要专业知识背景的人员进行数据收集、分析和处理,这使得诊断过程花费的时间成本高,且容易出错,导致通用性不强等缺点,已经不能满足当前轴承故... 详细信息

随着计算机科学技术和互联网的飞速发展,故障诊断技术步入大数据时代,传统故障诊断方法通常需要专业知识背景的人员进行数据收集、分析和处理,这使得诊断过程花费的时间成本高,且容易出错,导致通用性不强等缺点,已经不能满足当前轴承故障智能诊断的需求。为此,本文借助深度学习的特征提取和表征学习能力,开展滚动轴承故障的研究工作,主要内容如下:(1)针对轴承故障诊断模型参数多,在变负载条件下识别效果不佳的问题,构建了一种结合稀疏结构的域自适应轴承故障诊断方法。利用稀疏结构来构建网络模型,可以大幅度的降低网络模型的参数,并且可以扩宽网络结构,提取不同尺度的特征信息,提高模型诊断的准确率,同时加入自适应批标准化(Adaptive Batch Normalization,Ada BN),克服源域与目标域的样本分布差异,增强模型的变负载诊断能力。(2)为了增强网络模型在强噪声、变负载以及同时存在的复杂环境下的故障诊断效果,提出了一种改进残差网络与卷积注意力模块(Convolution Block Attention Module,CBAM)结合的轴承故障诊断方法。利用改进的残差模块提高网络的抗干扰能力,通过CBAM注意力模块生成通道和空间的双重注意力权重,提高网络模型对重要特征的甄别能力,使网络在复杂的故障诊断条件下依然能保持较高的准确率。(3)针对在实际工程中故障数据难以获取,导致网络模型训练不佳的问题,构建了一种基于迁移学习模型在轴承故障诊断中的应用。首先,利用源域数据对搭建好的网络模型进行训练,得到结构和参数确定好的预训练模型;然后结合迁移学习对预训练模型的部分参数进行迁移,并利用少量的目标域数据对模型进行微调;最终获得具有较好的滚动轴承故障诊断效果的网络模型。

关键词：滚动轴承稀疏结构自适应批标准化改进残差网络 CBAM 迁移学习

来源：评论

学校读者我要写书评

暂无评论

基于进化算法的稀疏模糊认知图学习方法研究

基于进化算法的稀疏模糊认知图学习方法研究

引用

作者：王奕岚西安电子科技大学

学位级别：硕士

近年来,模糊认知图由于其简洁的结构,良好的可解释性和快速的推理能力,已经引起了学术界的广泛关注,并且在现实生活中得到了充分的应用。为了将模糊认知图扩展到更多领域,如何通过学习算法得到高精度的模糊认知图成为了核心研究任务。... 详细信息

近年来,模糊认知图由于其简洁的结构,良好的可解释性和快速的推理能力,已经引起了学术界的广泛关注,并且在现实生活中得到了充分的应用。为了将模糊认知图扩展到更多领域,如何通过学习算法得到高精度的模糊认知图成为了核心研究任务。高精度的模糊认知图主要有以下两个特点:高精度的模糊认知图具有很强的数值拟合能力;模糊认知图的模型应该尽量贴合现实模型,其中一个重要特征就是它们往往是稀疏的。目前很多算法都只将目光集中在提升模型的数值拟合能力上,而忽视了现实模型所应有的稀疏结构。除此之外,现实数据往往含有噪声,为了让所学习出的模糊认知图更加实际可用,高精度的模糊认知图也应尽可能地拥有抵抗噪声的能力。本文主要研究如何设计多种学习算法,使得算法在提升模糊认知图的数值拟合能力的同时也能够获得具有稀疏结构的模型。主要工作总结如下:基于烟花算法的稀疏模糊认知图学习方法:目前大多数用于学习模糊认知图的进化算法不够简洁和快速,而烟花算法作为一种新提出的快速简单的进化算法值得应用于该问题上。烟花算法已经应用在非负矩阵分解,图像识别和滤波器设计等方向,然而目前烟花算法还没有应用于模糊认知图的学习,也不能针对稀疏结构进行学习。为此本文提出了一种用于学习稀疏模糊认知图的稀疏烟花算法(SFWA-FCM)。SFWA-FCM运用了新的爆炸变异算子以达到使模型稀疏的效果。在基于人工合成数据以及真实数据的实验中,SFWA-FCM都展现出比较好的建模能力和数值拟合能力。与已有算法的实验结果对比显示出SFWA-FCM的高效和准确。基于密度控制的Memetic算法用于稀疏模糊认知图学习:目前大多数稀疏模糊认知图学习算法使用变异操作来控制模型的密度,而在大多数进化算法中,变异操作通常用来扩大种群多样性,频繁地使用变异操作会导致算法结果的不稳定。为此本文设计出一种基于密度控制的Memetic算法(DC-MA)。DC-MA以交叉算子作为控制密度的操作算子,较好地实现了我们预期的模型密度控制。该算法同样在人工数据和真实数据上进行了大量实验,结果表明DC-MA的数值拟合能力优于大多数稀疏学习算法,模型结构学习能力和数值拟合能力也都优于传统基于进化计算的模糊认知图学习算法,同时DC-MA的稳定性较其他基于进化计算的模糊认知图学习算法也有大幅提升。基于传递熵的两阶段Memetic学习算法用于稀疏模糊认知图学习:随着稀疏学习算法在模糊认知图上应用的不断加深,迫切需求一些更加快速和精确的算法。目前稀疏模糊认知图学习算法可以分为两类,一类是同时学习权重和控制密度的一阶段算法,这类算法的缺陷在于在学习的同时进行稀疏和优化的操作,这样算法需要对巨大的空间进行搜索,而面对越来越大的模糊认知图规模,已有的算法往往在时间上不能达到要求;另一类是先对时间序列预分析得到初始模型,然后再进行相应优化的两阶段学习算法,这类算法在确定初始结构时往往没有遵循模糊认知图模型的因果特性,从而破坏了模糊认知图的可解释性。除此之外,现实数据通常都带有噪声。针对已有算法的不足,本文提出了一种基于传递熵的两阶段Memetic学习算法。算法首先通过传递熵得到模型的初始结构,而传递熵能在一定程度上保证模型的因果性;其次带有修正算子的Memetic算法可以在一定程度上修正初始结构;最后,使用Huber损失函数作为评价函数,提高了模型的抗噪能力,使之更适用于带有噪声的现实数据。

关键词：模糊认知图稀疏结构烟花算法密度控制算子传递熵进化算法

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：