部分稳定氧化锆(Partially stabilized zirconia,PSZ)陶瓷因其优越的性能在航空航天工业等领域有广泛的应用。表面粗糙度是评价PSZ陶瓷磨削加工水平的关键指标,为了降低磨削表面粗糙度的预测误差,提出了一种基于相关性分析与卷积-双向...部分稳定氧化锆(Partially stabilized zirconia,PSZ)陶瓷因其优越的性能在航空航天工业等领域有广泛的应用。表面粗糙度是评价PSZ陶瓷磨削加工水平的关键指标,为了降低磨削表面粗糙度的预测误差,提出了一种基于相关性分析与卷积-双向长短期记忆神经网络(Convolution-bidirectional long short term memory neural network,CNN-BiLSTM)的PSZ陶瓷磨削表面粗糙度声发射预测模型。通过分析磨削声发射信号特征值与磨削表面粗糙度值之间相关性,筛选出磨削声发射信号与磨削表面粗糙度之间的最相关频段和特征矩阵,作为CNN-BiLSTM神经网络的输入参数以降低磨削表面粗糙度声发射预测的误差。研究结果表明,基于相关性分析与CNN-BiLSTM神经网络的PSZ陶瓷磨削表面粗糙度的平均预测误差低于3.92%。展开更多
锂离子电池健康状态(State of Health,SOH)是锂电池退役的重要指标之一,为快速估计锂电池SOH,文章利用长短期记忆神经网络对非线性数据的高效预测能力,构建了一种双向神经网络预测模型。根据美国国家航空航天局(National Aeronautics an...锂离子电池健康状态(State of Health,SOH)是锂电池退役的重要指标之一,为快速估计锂电池SOH,文章利用长短期记忆神经网络对非线性数据的高效预测能力,构建了一种双向神经网络预测模型。根据美国国家航空航天局(National Aeronautics and Space Administration,NASA)所提供的现有电池数据,将电容、电压、电流作为输入数据,建立电容、电压和电流之间的联系,再输入未经训练的测试集数据进行预测。实验结果显示,预测值平均绝对误差(Mean Absolute Error,MAE)为1.6%,整体误差较低,实现了SOH的快速估计。展开更多
为了能够准确高效地对离格信号的波达方向(Direction of Arrival, DOA)进行估计,利用卷积神经网络来提取信号协方差矩阵中的深度特征信息,并采用改进型标签策略来确保网络的估计精度和效率。具体来说,通过带小数的标签来注释协方差矩阵...为了能够准确高效地对离格信号的波达方向(Direction of Arrival, DOA)进行估计,利用卷积神经网络来提取信号协方差矩阵中的深度特征信息,并采用改进型标签策略来确保网络的估计精度和效率。具体来说,通过带小数的标签来注释协方差矩阵构成的张量,并配合上改进后的二进制交叉熵损失函数来使得所提出的小数标签能够用于网络训练。针对DOA估计对应的多标签—多分类的问题,使用了包含6层结构的卷积神经网络的输出单元类别以及幅度来分别对离格信号的DOA整数部分与小数部分进行重构。通过与6种现有典型方法的均方根误差(Root Mean Square Error, RMSE)仿真对比,所提方法能够在信噪比为-10 dB的情况下保持着RMSE<0.5°的优秀表现。虽然无法在较少快拍下正常工作,但该方法在快拍数大于8的条件下仍然保持着RMSE<1°的表现性能。同时,在信号数量为5时,所提方法依然具有较高的估计稳定性,且计算速度能够达到毫秒级,用时明显低于其他方法。展开更多
文摘部分稳定氧化锆(Partially stabilized zirconia,PSZ)陶瓷因其优越的性能在航空航天工业等领域有广泛的应用。表面粗糙度是评价PSZ陶瓷磨削加工水平的关键指标,为了降低磨削表面粗糙度的预测误差,提出了一种基于相关性分析与卷积-双向长短期记忆神经网络(Convolution-bidirectional long short term memory neural network,CNN-BiLSTM)的PSZ陶瓷磨削表面粗糙度声发射预测模型。通过分析磨削声发射信号特征值与磨削表面粗糙度值之间相关性,筛选出磨削声发射信号与磨削表面粗糙度之间的最相关频段和特征矩阵,作为CNN-BiLSTM神经网络的输入参数以降低磨削表面粗糙度声发射预测的误差。研究结果表明,基于相关性分析与CNN-BiLSTM神经网络的PSZ陶瓷磨削表面粗糙度的平均预测误差低于3.92%。
文摘锂离子电池健康状态(State of Health,SOH)是锂电池退役的重要指标之一,为快速估计锂电池SOH,文章利用长短期记忆神经网络对非线性数据的高效预测能力,构建了一种双向神经网络预测模型。根据美国国家航空航天局(National Aeronautics and Space Administration,NASA)所提供的现有电池数据,将电容、电压、电流作为输入数据,建立电容、电压和电流之间的联系,再输入未经训练的测试集数据进行预测。实验结果显示,预测值平均绝对误差(Mean Absolute Error,MAE)为1.6%,整体误差较低,实现了SOH的快速估计。
文摘为了能够准确高效地对离格信号的波达方向(Direction of Arrival, DOA)进行估计,利用卷积神经网络来提取信号协方差矩阵中的深度特征信息,并采用改进型标签策略来确保网络的估计精度和效率。具体来说,通过带小数的标签来注释协方差矩阵构成的张量,并配合上改进后的二进制交叉熵损失函数来使得所提出的小数标签能够用于网络训练。针对DOA估计对应的多标签—多分类的问题,使用了包含6层结构的卷积神经网络的输出单元类别以及幅度来分别对离格信号的DOA整数部分与小数部分进行重构。通过与6种现有典型方法的均方根误差(Root Mean Square Error, RMSE)仿真对比,所提方法能够在信噪比为-10 dB的情况下保持着RMSE<0.5°的优秀表现。虽然无法在较少快拍下正常工作,但该方法在快拍数大于8的条件下仍然保持着RMSE<1°的表现性能。同时,在信号数量为5时,所提方法依然具有较高的估计稳定性,且计算速度能够达到毫秒级,用时明显低于其他方法。
