-
题名小样本条件下车削加工工艺碳排放多目标预测研究
被引量：1
- 1
-
-
作者
杨历夏
王宇钢
唐祎晖
张阴硕
穆俊珍
-
机构
辽宁工业大学机械工程与自动化学院
-
出处
《机床与液压》
北大核心
2025年第1期73-79,共7页
-
基金
辽宁省教育厅基本科研项目(LJKMZ20220973)。
-
文摘
针对低碳耗的车削加工工艺数据采集困难以及因数据样本不足造成预测精度不高的问题,提出一种小样本条件下的车削加工工艺碳排放多目标预测方法。通过中心复合实验设计确定样本数量,在保留工艺有效信息的同时减少所需实验数据。基于反向传播神经网络构建以碳排放和加工时间为目标的预测模型,并通过改进麻雀搜索算法对反向传播神经网络的参数寻优,最终得到加工工艺多目标预测模型。最后,通过加工实验验证在小样本条件下该方法的有效性。结果表明:基于ASSA-BP的模型能以较高精度预测车削加工工艺的碳排放量和加工时间;与传统BP神经网络方法相比,文中方法的碳排放量和加工时间的预测精度均得到有效提升。
-
关键词
小样本条件
车削加工工艺
碳排放多目标预测
反向传播神经网络
改进麻雀搜索算法
-
Keywords
small sample conditions
turning processing
multi-objective prediction of carbon emissions
back propagation neural network
improved sparrow search algorithm
-
分类号
TP391.7
[自动化与计算机技术—计算机应用技术]
-
-
题名小样本条件下基于全局和局部特征融合的人脸识别
被引量：3
- 2
-
-
作者
杨欣
费树岷
陈丽娟
-
机构
南京航空航天大学自动化学院
东南大学自动化学院
江苏省电力公司
-
出处
《信号处理》
CSCD
北大核心
2008年第1期49-53,共5页
-
文摘
针对线性判别分析的小样本空间问题,提出了一种基于类向量的融合全局和局部特征的人脸识别算法。首先,提取人脸的全局特征;然后将人脸分割成6个关键部分,并用一种新的基于Gabor小波的方法提取特征;其次,将全局和局部特征融合,得出样本的特征向量;再次,得出每类样本的类向量并据此得出一种新的投影准则;最后,将类向量和试验样本分别进行投影,根据其欧氏距离的大小得出试验人脸的最终类。试验表明本文算法不仅能有效解决小样本空间问题,而且计算速度快,识别率高,应用前景良好。
-
关键词
小样本条件
人脸识别
特征提取
GABOR小波
线性判别分析
-
Keywords
Small Samples
face recognition
feature extraction
Gabor wavelet
LDA
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名小故障样本条件下的风电机组分层贝叶斯可靠性模型
被引量：3
- 3
-
-
作者
王达梦
马志勇
柳亦兵
滕伟
-
机构
华北电力大学电站设备状态监测与控制教育部重点实验室
-
出处
《中国电力》
CSCD
北大核心
2019年第12期97-104,共8页
-
基金
国家自然科学基金资助项目(半监督环境下风电机组群的智能化故障诊断与寿命预测，51775186)~~
-
文摘
建立风电机组部件的可靠性模型,并准确估计模型参数,有利于提高风电机组全寿命周期的健康管理水平。新投运机组的故障样本较少,大样本条件下的传统可靠性建模及其参数估计方法不再适用。将贝叶斯可靠性理论应用于小故障样本条件下的风电机组部件可靠性建模及模型参数估计中。以其他风电场的故障数据为模型参数的先验信息,建立了分层贝叶斯可靠性模型,通过Gibbs算法求解模型并获得模型参数的后验分布,以标准均方根误差及可靠度函数的95%置信区间的平均宽度作为衡量指标,对比了传统可靠性模型、一般贝叶斯可靠性及分层贝叶斯可靠性模型的建模精度。最后以风电机组发电机碳刷为例,验证了小样本故障条件下分层贝叶斯可靠性模型的优越性。
-
关键词
风电机组
可靠性建模
模型参数估计
小样本条件
分层贝叶斯可靠性
-
Keywords
wind turbine
reliability modeling
parameter estimation
condition of small sample size
hierarchical Bayesian reliability model
-
分类号
TM614
[电气工程—电力系统及自动化]
-
-
题名基于半监督矩形网络的通信电台个体识别
被引量：15
- 4
-
-
作者
黄健航
雷迎科
-
机构
国防科技大学电子对抗学院
-
出处
《电子学报》
EI
CAS
CSCD
北大核心
2019年第1期1-8,共8页
-
基金
国家自然科学基金(No.61272333)
国防科技重点实验室基金(No.9140C130502140C13068)
总装预研项目基金(No.9140A33030114JB39470)
-
文摘
通信电台信号的小样本条件造成了电台个体识别准确性欠佳的问题,本文首次提出基于半监督矩形网络进行通信电台个体识别,克服小样本条件对电台个体识别效果的影响.首先提取电台信号的矩形积分双谱特征,人为注入噪声构成污染样本,在半监督矩形网络编码器中有监督训练,其训练结果通过网络径向连接传给解码器,解码器再无监督学习,重构未污染的原始样本,从网络顶层提取电台个体特征,输入softmax分类器实现分类识别.在实际采集的电台数据集上的实验结果说明,本算法在小样本条件下相比现有算法能更准确识别同型号的电台个体.
-
关键词
小样本条件
电台个体识别
半监督学习
矩形积分双谱
自编码器
-
Keywords
small sample condition
radio individual recognition
semi-supervised learning
square integral bispectra
auto-encoder
-
分类号
TN975
[电子电信—信号与信息处理]
TP911.7
[自动化与计算机技术]
-
