排序方式: 共有21条查询结果,搜索用时 281 毫秒
1.
用混合编码遗传算法实现匹配追踪算法 总被引:10,自引:0,他引:10
在分析总结浮点数编码和格雷码编码各自特点的基础上,提出了一种用浮点数和格雷码混合编码的遗传算法来实现匹配追踪算法.该算法有机结合了遗传算法和匹配追踪算法的优点,不仅能够得到较高精度的最佳匹配参数,而且有效地降低了计算量,克服了匹配追踪算法由于计算量太大而不能广泛应用的缺点.计算机仿真结果表明,该算法提取相位的精度和提取时间均有明显改善,证实了该算法的准确性.最后,将该算法应用于转子实验台的冲击信号特征提取中,提取结果证明了它的实际应用价值. 相似文献
2.
基于神经网络的传感器故障监测与诊断方法研究 总被引:6,自引:0,他引:6
提出了一种基于神经网络的传感器故障监测与诊断的新方法。该方法先用BP网络的预测输出和传感器实际输出之差来判断传感器是否发生了故障,然后用函数型连接神经网络模拟传感器的输出特性函数,通过计算神经元连接权值的变化,确定传感器哪个输出特性参数发生了变化,最终推断传感器发生了哪一类故障。该方法的特点是只需要知道一个传感器的信息。电阻应变式力传感器故障诊断实验结果证明了该方法的实用性,为传感器故障监测与诊断提供了一条新途径。 相似文献
3.
ε不敏感损失函数支持向量机分类性能研究 总被引:6,自引:0,他引:6
将原先用于支持向量回归的ε不敏感损失函数引入到支持向量分类中,提出ε不敏感损失函数支持向量分类算法(-εSVC).同标准支持向量分类方法(C-SVC)和最小二乘支持向量分类方法(LS-SVC)相比较,试验结果表明:当赋予参数ε一个足够大的接近于1的值时,-εSVC的分类正确率略低于C-SVC和LS-SVC,但是-εSVC的训练、测试和参数选择的速度要高于C-SVC和LS-SVC.特别是对于大规模数据集,这种优势将更加明显.另外,通过精确选择参数ε的值,-εSVC能够获得比C-SVC和LS-SVC更高的分类正确率,但是训练、测试和参数选择的速度却随着ε的减小而降低. 相似文献
4.
5.
针对脉宽调制控制器在转子振动信号中产生的强脉冲及其它随机干扰噪声,对信号的滤波方法进行了研究.设计了将中值滤波与小波消噪串联的混合滤波器对非线性信号进行滤波的方案.通过对信号的前后周期延拓,将中值滤波用于滤除信号的强脉冲噪声并消除信号的边缘保持;对线性叠加在中值系列中的平稳随机噪声,用默认软阈值小波消噪平滑中值序列中的随机噪声分量,分析表明,该滤波器对该类振动信号的处理效果好,提取到了转子的本质振动信号并保持了信号的光滑性. 相似文献
6.
采用最新发展的多媒体信息技术、监控技术和通信技术,建立了集计算机监控、视频监控、调度和管理等于一体的计算机综合监控系统,系统包括视频、检测、网络与数据库、优化调度和生产管理与决策5个既相对独立又互有联系的子系统。在大型水利工程中实现了混凝土生产、输送、浇注过程的综合监控和管理,对生产质量和成本进行控制,对经济效益进行分析与评价等,为复杂环境下大型水利施工的生产、调度和管理提供了一套科学而有效的方法。系统已经应用于三峡工程的大坝浇注生产中,并发挥了重要作用 。 相似文献
7.
8.
为了得到机械图像的准确识别和重构,在研究机械图像相互转换原理的基础上,提出了基于知识和邻接关系的机械图像综合识别方法和机械图像的等间距3次样条重构方法,并针对机构图像的特点,对其3次样条重构方法进行了修正。最后,对典型的时域机械图像和频域机械图像实例进行了识别和重构。研究结果表明,该方法是准确和有效的。 相似文献
9.
基于实数编码的自适应伪并行遗传算法 总被引:26,自引:2,他引:26
根据适应度的方差,定义了一种度量种群多样性的指标。在实数编码遗传算法的交叉算子和变异算子中引入该指标,并将该指标用于指导交叉概率和变异概率两个参数的调整,从而使算法在计算过程中能够根据种群多样性的变化自适应地调整其参数。再采用并行计算的思想,在单台计算机上实现了一种类似并行遗传算法的自适应伪并行遗传算法。用这种方法对6个典型的多峰值函数求极值,并和其他方法进行比较,结果表明:所定义的种群多样性指标可以用于遗传算法的自适应调整,该算法具有较强的全局搜索能力和局部搜索能力,能够有效地克服早熟收敛问题。 相似文献
10.
在分析现有神经网络集成构造过程的基础上,提出了一种神经网络紧凑集成模式,集成中成员网络的训练和网络组合权重的优化在同一个学习过程中进行,各参数的调整以提高集成泛化性能为目的.与现有神经网络集成模式相比,集成构造过程更加紧凑,它将个体网络生成阶段与结论合成阶段合二为一,并且网络之间的信息交互建立在实时动态的集成结构基础上,保证了成员网络训练与结论合成之间信息传递的始终一致性.为验证该模式的有效性及优越性,采用4种典型的分类数据集对神经网络紧凑集成模式与CNNE、Bagging、Boosting等现有的集成模式在泛化性能上进行了比较,结果表明神经网络集成模式在测试数据集上的错误率降低了8%~16%. 相似文献