基于特征生成的轴承不均衡数据故障诊断

针对实际生产中难以获得足量的故障样本数据导致训练中样本不均衡、样本不足等问题,提出了一种基于特征聚类的过采样算法,并将其与卷积神经网络相结合的滚动轴承故障诊断模型。该模型将频域信号作为模型的输入,通过卷积神经网络进行特征提取,再通过过采样技术生成新的特征数据实现数据的均衡化,将新生成的特征数据和原有特征一同输入到支持向量机(Support Vector Machine,SVM)分类器中完成样本的分类,实现滚动轴承的故障诊断。通过对比实验,结果表明该方法可以有效解决数据不均衡的问题。     

气体稀薄效应对微机电系统(MEMS)气体轴承-转子系统不平衡响应的影响

为研究气体稀薄效应对微机电系统(MEMS)气体轴承-转子系统不平衡响应的影响,给出了MEMS气体轴承-转子系统运动方程和MEMS气体轴承的雷诺方程;利用双向隐式差分算法,给出了修正雷诺方程的详细数值求解过程;将转子运动方程与雷诺方程相结合,采用4阶龙格-库塔方法计算分析了气体稀薄效应对气体轴承-转子系统不平衡响应的影响。研究结果显示,考虑气体稀薄效应后,当质量偏心距较大时,MEMS气体轴承-转子系统的失稳轴颈转速较大,表明合适的偏心质量有助于改善系统的稳定性;在相同的质量偏心距下,考虑气体稀薄效应时气体轴承-转子系统在较低轴颈转速处出现峰值,表明此时不平衡偏心质量对气体轴承-转子系统运动的影响增大。     

基于心电信号频域特征的身份识别方法

本文提出了一种基于频域特征的心电信号身份识别的方法,利用傅立叶变换对心电信号进行频域分析,得到心电信号的幅频特性图谱,提取包括信号频域斜率、谐波数、幅度差值等特征参数,以及根据傅里叶变换,得到心电信号的能量谱中的低频能量、高频能量占总能量的比率构成代表心电波形的特征向量.分别利用相关分析和神经网络分类器进行识别,其中基于神经网络的身份识别准确率达到96.4%.     

混合智能在递归神经网络软测量中的应用

针对机理不清且具有复杂非线性关系的过程对象,提出一种基于混合智能的递归神经网络的数据驱动软测量建模方法。利用主元分析处理输入变量之间的共线性问题,设计了Hammerstein模型与递归神经网络的混合结构,用于描述过程对象的非线性和动态关系。为了使模型参数估计达到全局最优,提出了基于收缩粒子群优化算法的参数学习算法,不仅能够实现模型参数的更新,而且能够保证建模误差最小化。通过某氧化铝氯酸钠溶液组分浓度软测量问题中的实际应用表明:混合智能方法有效。     

数据挖掘在检测农业补贴中欺诈行为的应用——基于异常检测与神经网络模型

随着国家对农业发展扶持力度的不断加大,农业补贴申请资金得到提高的同时,其种类也在逐渐扩充.因此,如何检测农业补贴申请中的欺诈行为是一项值得关注的研究课题.通过对clementine 12.0中的案例数据分别构建异常检测和神经网络模型,对农业补贴申请记录中的欺诈行为进行检测,并借助clementine12.0的可视化实验平台直观、有效地观察检测结果.实验结果表明:提出的方法可以明显地提高检测欺诈行为的效率及准确率,具有一定的启发和借鉴意义.     

改进型支持向量机在水质分类中的应用研究

文章分别使用BP、RBF等神经网络和支持向量机等非线性方法对相同的水质数据建立分类模型。使用支持向量分类机建立水质分类模型过程中,选用RBF核函数,结合归一、降维等数据预处理手段,利用网格搜索算法对参数进行寻优,得出水质分类模型。实验结果证明在非线性方法中,采用支持向量机并结合相应的数据预处理手段这种方案得出的分类准确率更高,更加具有推广性。     

基于电磁振动与卷积神经网络的玉米品质精选装置

为提高玉米分选自动化水平,针对传统方法特征建模过程繁琐、现有卷积神经网络部署要求高的问题,设计了一种基于电磁振动与卷积神经网络的玉米品质精选分级装置,主要包括玉米粒群落料单元、电磁给料单元、控制单元、分选收集单元和恒定光强视觉单元,可实现玉米粒群自动分离、籽粒自动识别与分选.模型、样机试验结果表明:模型大小仅5.83 MB,对计算机硬件要求低;模型平均检测准确率mAP为88.03%,模型总体分类检测性能良好;模型对优良玉米籽粒的识别能力强,准确率P、召回率R、误报率FPR、加权调和平均值F_1分别为98.75%,94.84%,3.78%,96.85%;样机将玉米籽粒的实际检测准确率提升至96.50%,实际有效分选率为97.51%.