期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于球结构支持向量机的多标签分类的主动学习
被引量：
3
1
作者
蒋华
戚玉顺
《计算机应用》
CSCD
北大核心
2012年第5期1359-1361,共3页
为了实现数据的多标签分类,减少多标签训练样本开销,将球结构支持向量机与主动学习方法结合用于多标签分类,依据球重叠区域样本距离差值度确定样本类别,分析多标签分类特性,采用样本近邻方法更新分类器。实验结果表明,该方法可以用较少...
为了实现数据的多标签分类,减少多标签训练样本开销,将球结构支持向量机与主动学习方法结合用于多标签分类,依据球重叠区域样本距离差值度确定样本类别,分析多标签分类特性,采用样本近邻方法更新分类器。实验结果表明,该方法可以用较少的训练样本获得更有效的分类结果。
展开更多
关键词
球结构支持向量机
欧氏距离
多标签分类
多类分类
主动学习方法
在线阅读
下载PDF
职称材料
基于改进卷积神经网络的化纤丝饼表面缺陷识别
被引量：
16
2
作者
王泽霞
陈革
陈振中
《纺织学报》
EI
CAS
CSCD
北大核心
2020年第4期39-44,共6页
针对传统人工检测化纤丝饼表面缺陷方法的不足,提出改进的卷积神经网络对正常以及3种常见缺陷丝饼进行分类识别。首先对采集的丝饼图像进行分块处理,然后利用改进的卷积神经网络进行特征提取,采用全局最大池化层代替全连接层,增强了图...
针对传统人工检测化纤丝饼表面缺陷方法的不足,提出改进的卷积神经网络对正常以及3种常见缺陷丝饼进行分类识别。首先对采集的丝饼图像进行分块处理,然后利用改进的卷积神经网络进行特征提取,采用全局最大池化层代替全连接层,增强了图像对空间变换的鲁棒性,减少了模型参数,并利用softmax分类器进行分类。最后在网络学习过程中提出主动学习方法,用少量标注样本对网络进行训练,选出对提升网络性能最具价值的样本进行标注并加入到训练样本中进行训练检测。结果表明,该方法可有效实现丝饼的缺陷识别,识别准确率达到97.1%,并有效减少了网络所需的标注样本数量,节省大量的标注成本,具有一定的通用性。
展开更多
关键词
化纤丝饼
缺陷识别
图像分块
卷积神经网络
全局最大池化
主动学习方法
在线阅读
下载PDF
职称材料
受内压航空管道弯曲疲劳可靠性
3
作者
沈兴铿
王光强
+5 位作者
杨婧
员婉莹
杨宏伟
张屹尚
戴瑛
贺鹏飞
《同济大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2023年第1期108-116,共9页
引入结合Kriging代理模型法和Monte Carlo抽样法的主动学习可靠性分析方法(AK-MCS),以管道尺寸、作用载荷以及管材属性为基本随机变量,对受内压悬臂管道在给定工况(即28 MPa内压,自由端5.06 mm纵向位移循环载荷)下的疲劳寿命进行可靠性...
引入结合Kriging代理模型法和Monte Carlo抽样法的主动学习可靠性分析方法(AK-MCS),以管道尺寸、作用载荷以及管材属性为基本随机变量,对受内压悬臂管道在给定工况(即28 MPa内压,自由端5.06 mm纵向位移循环载荷)下的疲劳寿命进行可靠性分析。首先根据管道三点弯曲疲劳试验结果,通过线性回归分析建立管道的Manson-Coffin疲劳寿命模型,而后采用AK-MCS方法获得管道的疲劳寿命-失效概率/可靠度曲线,为内压管道的工程应用提供了基于概率的寿命预测结果。根据该曲线进而得到管道的疲劳寿命频数直方图,发现弯曲疲劳寿命总体上呈正态分布。此外,通过与Monte Carlo方法的比较,证实了AK-MCS方法在保证受内压航空管道弯曲疲劳可靠性分析精度的同时,还大大降低了计算量。
展开更多
关键词
内压管道
疲劳可靠性
Kriging代理模型法
Monte
Carlo抽样法
主动学习方法
在线阅读
下载PDF
职称材料
题名
基于球结构支持向量机的多标签分类的主动学习
被引量：
3
1
作者
蒋华
戚玉顺
机构
桂林电子科技大学计算机科学与工程学院
出处
《计算机应用》
CSCD
北大核心
2012年第5期1359-1361,共3页
文摘
为了实现数据的多标签分类,减少多标签训练样本开销,将球结构支持向量机与主动学习方法结合用于多标签分类,依据球重叠区域样本距离差值度确定样本类别,分析多标签分类特性,采用样本近邻方法更新分类器。实验结果表明,该方法可以用较少的训练样本获得更有效的分类结果。
关键词
球结构支持向量机
欧氏距离
多标签分类
多类分类
主动学习方法
Keywords
＇sphere structured support vector machine
Euclidean distance
multi-label classification
muhi-classclassification
active learning method
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
基于改进卷积神经网络的化纤丝饼表面缺陷识别
被引量：
16
2
作者
王泽霞
陈革
陈振中
机构
东华大学机械工程学院
出处
《纺织学报》
EI
CAS
CSCD
北大核心
2020年第4期39-44,共6页
基金
中央高校基本科研业务费专项资金项目(18D110316)
中国博士后科学基金项目(2018M630383)。
文摘
针对传统人工检测化纤丝饼表面缺陷方法的不足,提出改进的卷积神经网络对正常以及3种常见缺陷丝饼进行分类识别。首先对采集的丝饼图像进行分块处理,然后利用改进的卷积神经网络进行特征提取,采用全局最大池化层代替全连接层,增强了图像对空间变换的鲁棒性,减少了模型参数,并利用softmax分类器进行分类。最后在网络学习过程中提出主动学习方法,用少量标注样本对网络进行训练,选出对提升网络性能最具价值的样本进行标注并加入到训练样本中进行训练检测。结果表明,该方法可有效实现丝饼的缺陷识别,识别准确率达到97.1%,并有效减少了网络所需的标注样本数量,节省大量的标注成本,具有一定的通用性。
关键词
化纤丝饼
缺陷识别
图像分块
卷积神经网络
全局最大池化
主动学习方法
Keywords
chemical fiber yarn package
defect recognition
image blocking
convolutional neural network
global maximum pooling
active learning method
分类号
TP391.4 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
受内压航空管道弯曲疲劳可靠性
3
作者
沈兴铿
王光强
杨婧
员婉莹
杨宏伟
张屹尚
戴瑛
贺鹏飞
机构
同济大学航空航天与力学学院
中国航发商用航空发动机有限责任公司研发中心
西北工业大学航空学院
出处
《同济大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2023年第1期108-116,共9页
文摘
引入结合Kriging代理模型法和Monte Carlo抽样法的主动学习可靠性分析方法(AK-MCS),以管道尺寸、作用载荷以及管材属性为基本随机变量,对受内压悬臂管道在给定工况(即28 MPa内压,自由端5.06 mm纵向位移循环载荷)下的疲劳寿命进行可靠性分析。首先根据管道三点弯曲疲劳试验结果,通过线性回归分析建立管道的Manson-Coffin疲劳寿命模型,而后采用AK-MCS方法获得管道的疲劳寿命-失效概率/可靠度曲线,为内压管道的工程应用提供了基于概率的寿命预测结果。根据该曲线进而得到管道的疲劳寿命频数直方图,发现弯曲疲劳寿命总体上呈正态分布。此外,通过与Monte Carlo方法的比较,证实了AK-MCS方法在保证受内压航空管道弯曲疲劳可靠性分析精度的同时,还大大降低了计算量。
关键词
内压管道
疲劳可靠性
Kriging代理模型法
Monte
Carlo抽样法
主动学习方法
Keywords
internal pressured pipeline
fatigue reliability
Kriging surrogate model
Monte Carlo simulation
active learning method
分类号
TE973 [石油与天然气工程—石油机械设备]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于球结构支持向量机的多标签分类的主动学习
蒋华
戚玉顺
《计算机应用》
CSCD
北大核心
2012
3
在线阅读
下载PDF
职称材料
2
基于改进卷积神经网络的化纤丝饼表面缺陷识别
王泽霞
陈革
陈振中
《纺织学报》
EI
CAS
CSCD
北大核心
2020
16
在线阅读
下载PDF
职称材料
3
受内压航空管道弯曲疲劳可靠性
沈兴铿
王光强
杨婧
员婉莹
杨宏伟
张屹尚
戴瑛
贺鹏飞
《同济大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2023
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
