检索结果-内蒙古大学图书馆

教育教学论坛 2020年第24期 342-345页

作者：杨翠丽韩红桂乔俊飞稂时楠贾懋砷北京工业大学信息学部北京100124 计算智能与智能系统北京市重点实验室北京100124

目前,人工智能正以超越人类预想的速度发展,并得到了世界各国领导人的高度重视。同时,人工智能在高校教育领域的应用逐步深入。针对人工智能的发展历程,分析了人工智能时代下高等教育变革,进而探讨了高等教育面临的挑战。高校应直面挑战... 详细信息

目前,人工智能正以超越人类预想的速度发展,并得到了世界各国领导人的高度重视。同时,人工智能在高校教育领域的应用逐步深入。针对人工智能的发展历程,分析了人工智能时代下高等教育变革,进而探讨了高等教育面临的挑战。高校应直面挑战,只有把握住此次技术革命,才能促进高等教育的智能化发展。

关键词：人工智能高等教育变革高等教育挑战

来源：评论

学校读者我要写书评

暂无评论

面向智能回收装备的废旧手机多尺度特征深度森林识别模型

面向智能回收装备的废旧手机多尺度特征深度森林识别模型

引用

第31届中国过程控制会议（CPCC 2020）

作者：汤健王子轩夏恒徐喆韩红桂北京工业大学信息学部北京计算智能与智能系统重点实验室

智能手机更新换代速度的加快使废旧手机回收成为当今热点话题。废旧手机智能回收装备因具有智能化程度高、回收流程简单等特点而成为当前线下回收模式的研究热点。针对智能回收装备采用图像识别手机型号时存在训练的耗时长、识别率低、... 详细信息

智能手机更新换代速度的加快使废旧手机回收成为当今热点话题。废旧手机智能回收装备因具有智能化程度高、回收流程简单等特点而成为当前线下回收模式的研究热点。针对智能回收装备采用图像识别手机型号时存在训练的耗时长、识别率低、难以有效应用等问题,本文提出了面向智能回收装备的废旧手机多尺度特征深度森林(DF)识别模型。首先,对废旧手机图像数据预处理去除背景图像以获取完整的手机图像;接着,提取待识别废旧手机的多尺度梯度直方图(HOG)特征;最后,对上述多尺度HOG特征进行多粒度扫描处理以增强特征多样性,接着采用基于类向量的逐层增强特征构建级联森林,最终获得基于非神经网络模式的废旧手机多尺度特征深度学习识别模型。基于工业和信息化部电信设备认证中心的手机图像典型数据集,与目前流行的图像识别方法相比,验证了所提方法的在预测精度和时间消耗上的有效性。

关键词：智能手机回收装备废旧手机识别多尺度梯度直方图(HOG)特征深度森林(DF) 深度学习

来源：评论

学校读者我要写书评

暂无评论

实践教学基地共建共享模式研究

引用

教育教学论坛 2020年第24期 1-3页

作者：韩红桂杨翠丽伍小龙于建均北京工业大学信息学部北京100124 计算智能与智能系统北京市重点实验室北京100124

在人才培养过程中,实践教学基地作为实践教学的主要场所,其建设和利用水平关系到人才培养的效果。通过分析实践教学基地建设、运行和管理过程中存在的问题,提出校政企共建共享实践教学基地的新模式,同时构建有效的基地运作和管理体系,... 详细信息

在人才培养过程中,实践教学基地作为实践教学的主要场所,其建设和利用水平关系到人才培养的效果。通过分析实践教学基地建设、运行和管理过程中存在的问题,提出校政企共建共享实践教学基地的新模式,同时构建有效的基地运作和管理体系,旨在促进实践教学基地的良性发展,提升优质教育资源的有效利用,最终实现资源互利、优势互补、成果共享、协同共赢。

关键词：人才培养实践教学智能系统

来源：评论

学校读者我要写书评

暂无评论

基于小波TET的滚动轴承故障诊断

基于小波TET的滚动轴承故障诊断

引用

2020中国自动化大会(CAC2020)

作者：高学金魏红飞张海利高慧慧北京工业大学信息学部数字社区教育部工程研究中心城市轨道交通北京实验室计算智能与智能系统北京市重点实验室

针对滚动轴承振动特征多变导致故障特征难以识别的问题,采用基于小波瞬态提取变换(transient extraction transform, TET)的滚动轴承故障诊断。首先对原始轴承振动信号进行小波降噪处理,小波变换在时频分析中具有局部化特性,善于处理非... 详细信息

针对滚动轴承振动特征多变导致故障特征难以识别的问题,采用基于小波瞬态提取变换(transient extraction transform, TET)的滚动轴承故障诊断。首先对原始轴承振动信号进行小波降噪处理,小波变换在时频分析中具有局部化特性,善于处理非平稳信号,能够在去除噪声的同时很好保留信号的突出成分;然后利用瞬态提取变换方法对去噪后的信号进行特征提取,有效处理滚动轴承振动信号的非线性问题;在瞬态特征提取建模的基础上,结合Hilbert包络谱分析方法,利用滚动轴承的特征频率对应的故障频率识别轴承的故障类型。与传统的时频分析方法相比,该方法可以生成更加能量集中的时频表示并允许信号重建。仿真和实验表明所提出的方法可以有效的诊断轴承故障类型。

关键词：小波去噪瞬态提取变换 Hilbert包络谱分析滚动轴承故障诊断

来源：评论

学校读者我要写书评

暂无评论

分层自适应小波阈值轴承故障信号降噪方法

引用

振动工程学报 2019年第3期32卷 548-556页

作者：王普李天垚高学金高慧慧北京工业大学信息学部北京100124 数字社区教育部工程研究中心北京100124 城市轨道交通北京实验室北京100124 计算智能与智能系统北京市重点实验室北京100124

针对轴承振动信号易受到噪声干扰的问题,提出了一种分层自适应小波阈值降噪方法。首先将轴承振动信号进行小波分解,获得各分解层的小波系数;之后保留低频信号的小波系数,对高频信号的小波系数进行分层自适应阈值处理;最后将阈值处理后... 详细信息

针对轴承振动信号易受到噪声干扰的问题,提出了一种分层自适应小波阈值降噪方法。首先将轴承振动信号进行小波分解,获得各分解层的小波系数;之后保留低频信号的小波系数,对高频信号的小波系数进行分层自适应阈值处理;最后将阈值处理后的小波系数进行小波重构,得到降噪后的信号。通过构建一种在阈值处连续且在小波域内可导的分层自适应阈值函数,可以改进传统阈值函数重构偏差和过度降噪的缺陷。轴承故障仿真信号的降噪实验结果表明,该方法的信噪比和均方根误差均优于其他方法,有更好地降噪效果;机械故障模拟实验台的轴承故障信号降噪实验结果表明,该方法在降噪的同时保留了更多的故障信息,能够有效提升故障诊断率,更有利于轴承故障信号的降噪。

关键词：故障诊断轴承信号处理小波阈值函数分层自适应降噪

来源：评论

学校读者我要写书评

暂无评论

基于区间预测模型的污水处理厂传感器故障检测

引用

计算技术与自动化 2020年第1期39卷 23-28页

作者：柴伟池彬彬北京工业大学信息学部自动化学院北京100124 计算智能与智能系统北京市重点实验室北京100124

污水处理厂配备许多传感器用于监测出水水质。传感器的正常工作与否对保证出水水质至关重要。给出了一种污水处理出水变量传感器故障检测方法。该方法根据入水和出水数据,采用径向基函数神经网络构造出水变量预测模型;使用参数线性集员... 详细信息

污水处理厂配备许多传感器用于监测出水水质。传感器的正常工作与否对保证出水水质至关重要。给出了一种污水处理出水变量传感器故障检测方法。该方法根据入水和出水数据,采用径向基函数神经网络构造出水变量预测模型;使用参数线性集员辨识算法得到网络输出权值的集合描述,从而使预测模型能够给出出水变量的置信区间;以此置信区间为基础获得传感器的故障检测策略。由于置信区间描述了出水变量的存在范围,当传感器测量值超出置信区间,则可推断传感器发生故障。此外,在设计传感器故障检测策略时还考虑了污水处理过程异常的影响。实验结果证实所提方法的有效性。

关键词：污水处理传感器故障检测集员辨识区间预测

来源：评论

学校读者我要写书评

暂无评论

污水处理脱氮过程自适应模糊滑模控制

污水处理脱氮过程自适应模糊滑模控制

引用

第31届中国过程控制会议（CPCC 2020）

作者：韩红桂王童伍小龙乔俊飞北京工业大学信息学部计算智能与智能系统北京市重点实验室

针对污水处理生物脱氮过程的非线性时变动态特性,文中提出一种自适应模糊滑动模态控制(AF-SMC)方法。首先基于模糊集和滑模控制理论,建立了适用于污水处理过程的自适应模糊滑模控制框架。其次根据滑模流型参数对系统的动态影响,设计了... 详细信息

针对污水处理生物脱氮过程的非线性时变动态特性,文中提出一种自适应模糊滑动模态控制(AF-SMC)方法。首先基于模糊集和滑模控制理论,建立了适用于污水处理过程的自适应模糊滑模控制框架。其次根据滑模流型参数对系统的动态影响,设计了基于实时状态的模糊参数调整方法。最后依据Lyapunov理论证明了控制方法的稳定性。基于国际标准平台BSM的测试结果验证了方法的优势和应用价值。

关键词：污水处理过程自适应控制模糊控制滑模控制

来源：评论

学校读者我要写书评

暂无评论

基于样本输出与特征空间的概念漂移检测方法与应用

基于样本输出与特征空间的概念漂移检测方法与应用

引用

第31届中国过程控制会议（CPCC 2020）

作者：孙子健乔俊飞汤健北京工业大学信息学部计算智能与智能系统北京市重点实验室

概念漂移是工业过程中常见的工况变化问题,如何使基于历史数据离线构建的工业预测模型在概念漂移环境下保持良好的在线性能是具有实际意义的研究难点。针对真实工业中样本难测参数真值获取难度大的问题,本文提出一种综合样本输出与特征... 详细信息

概念漂移是工业过程中常见的工况变化问题,如何使基于历史数据离线构建的工业预测模型在概念漂移环境下保持良好的在线性能是具有实际意义的研究难点。针对真实工业中样本难测参数真值获取难度大的问题,本文提出一种综合样本输出与特征空间的概念漂移检测方法,在少量真值标注情况下依据检测结果实现模型主动更新。首先,采用PCA识别新样本在特征空间中的漂移可能性;然后,基于时间差分思想对可能漂移的样本进行真值估计;接着,采用基于Page-Hinkley序列检测的改进方法在输出空间中对新样本的漂移情况确认;最后,采用上述步骤中得到的新概念样本对模型更新以提高其面对漂移样本的预测精度。本文基于合成、基准和真实工业过程数据集的仿真结果表明所提方法可在加强模型漂移适应性的同时有效缩减样本标注成本。

关键词：概念漂移检测数据驱动建模工业过程弱监督学习

来源：评论

学校读者我要写书评

暂无评论

基于模块化神经网络的城市固废焚烧过程氮氧化物软测量

基于模块化神经网络的城市固废焚烧过程氮氧化物软测量

引用

第31届中国过程控制会议（CPCC 2020）

作者：段滈杉乔俊飞蒙西汤健北京工业大学信息学部计算智能与智能系统北京市重点实验室

城市固体废物焚烧是当前固废处理的主要技术之一,对MSWI中产生的有毒气体——氮氧化物(NOx)的实时检测能有效控制NOx的排放。工业现场中采用高精密仪器—烟气排放连续监测系统对烟气排放中的NOx浓度进行检测,测量结果受环境影响较大,且... 详细信息

城市固体废物焚烧是当前固废处理的主要技术之一,对MSWI中产生的有毒气体——氮氧化物(NOx)的实时检测能有效控制NOx的排放。工业现场中采用高精密仪器—烟气排放连续监测系统对烟气排放中的NOx浓度进行检测,测量结果受环境影响较大,且设备维护成本高。针对上述问题,文中提出了一种基于模块化神经网络的MSWI过程NOx软测量方法。首先,利用模糊c-均值算法进行任务分解,将任务分解成不同的子任务;其次,针对不同的子任务,采用径向基函数神经网络分别设计软测量子模型,建立特征变量与NOx间的非线性关系;最后通过级联神经网络对子网络输出进行集成。采用基准实验和某MSWI厂实际数据验证了提出方法的有效性。

关键词：城市固废焚烧氮氧化物软测量模块化神经网络

来源：评论

学校读者我要写书评

暂无评论

基于低秩双线性卷积神经网络的手机型号识别方法

基于低秩双线性卷积神经网络的手机型号识别方法

引用

第31届中国过程控制会议（CPCC 2020）

作者：韩红桂甄琪杜永萍乔俊飞北京工业大学信息学部计算智能与智能系统北京市重点实验室

针对废旧手机回收过程中手机型号难以精确识别的问题,文中提出一种基于低秩双线性卷积神经网络的图像识别方法。首先,建立基于双线性卷积神经网络(Bilinear-Convolutional Neural Network, B-CNN)的特征提取模型,自适应提取细粒度图像... 详细信息

针对废旧手机回收过程中手机型号难以精确识别的问题,文中提出一种基于低秩双线性卷积神经网络的图像识别方法。首先,建立基于双线性卷积神经网络(Bilinear-Convolutional Neural Network, B-CNN)的特征提取模型,自适应提取细粒度图像中的局部特征并将其与全局位置特征融合。其次,设计一种基于中心距离和交叉熵的联合损失函数,降低模型学习过程中的类内特征距离。最后,引入基于低秩分解的卷积网络参数降维方法,消除双线性卷积核中的冗余特征并减少过拟合。将文中方法应用于废旧手机回收过程中的型号识别,实验结果表明该方法能够向分类网络提供更丰富的局部细节,具有较好的准确性。

关键词：卷积神经网络低秩分解联合损失细粒度图像识别

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：