刀具状态的ANN—模糊识别

提出了利用人工神经网络（ＡＮＮ）及模糊识别理论融合多监控参数进行刀具状态识别的方法．该方法首先对各监控参数按刀具不同状态的敏感性进行分组,并利用多个ＡＮＮ子网络建立各组参数与刀具状态的模糊隶属度关系,然后利用模糊决策法对各ＡＮＮ子网络确定的刀具状态模糊隶属度进行综合评判并按最大隶属度判定刀具状态．该方法不仅具有ＡＮＮ的并行运算特点,而且具有模糊综合评判的容错性,从而提高状态识别的实时性和正确率．结合功率信号的多个特征对大量实验数据的测试表明,该方法可将ＡＮＮ的识别正确率从平均８８％提高到９５％．     

刀具切削状态模糊性及识别方法

论述刀具切削状态识别过程中存在的模糊问题及识别方法。方法对刀具切削状态模糊性进行了理论分析,将模糊划分理论与神经网络识别方法相结合,给出神经网络非线性映射作用一般扩展原理的推论以及模糊模式识别及推理规则;结果对不同切削负载,给出相应模糊推理机制和模糊判别规则。     

模糊控制理论在铣刀磨损监控中的应用

研究一种铣刀磨监控方法,信号采集采用声发射传感器,信号特征生成采用小波变换方法,将变换后的尺度系数和各个频段的小波系数作为特征,采用自行设计的Sugeno模糊控制系统进行状态识别,模糊控制系统的输出是刀具磨损值,有利于对刀具磨损进行各种实时补偿,实验表明,模糊控制作为刀具磨损状态识别的方法,取得了良好的效果。     

基于模糊神经网络的刀具磨损识别

为了实现刀具磨损状态的自动识别，采用机床功率法进行了刀具自然磨损和不同切削参数（切削速度、进给量和切削深度）对功率信号影响的实验。在此基础上，建立了功率信号的时序AR模型。在提取作为刀具磨损特征量的AR模型参数时，考虑了切削用量对模型参数的影响，提出了特征量选取的准则，使所提取的特征量更加实用化，通过具体自学习和良好函数逼近能力的神经网络获得了特征量对刀具状态的隶属函数，并利用模糊神经网Fuzzy ART实现了刀具磨损状态的自动识别，识别正确率为95%，说明所提出的方法是有效可行的。     

基于模糊支持向量机的刀具磨损检测

提出一种基于模糊支持向量机(FSVM)的切削过程中刀具磨损检测方法,对切削加工过程中的刀具磨损状态进行诊断与预测。提取切削加工过程中刀杆的振动信号和切削刀具的切削力信号,对其进行分帧处理,提取FFT特征量,对该特征向量进行模糊支持向量机的学习和训练。实验结果表明,该方法能够充分发挥模糊支持向量机的权系数作用,有效检测切削过程刀具的磨损程度,与同类识别方法的识别结果相比较,具有一定的优越性。     

基于模糊支持向量机的刀具磨损检测

提出一种基于模糊支持向量机(FSVM)的切削过程中刀具磨损检测方法,对切削加工过程中的刀具磨损状态进行诊断与预测。提取切削加工过程中刀杆的振动信号和切削刀具的切削力信号,对其进行分帧处理,提取FFT特征量,对该特征向量进行模糊支持向量机的学习和训练。实验结果表明,该方法能够充分发挥模糊支持向量机的权系数作用,有效检测切削过程刀具的磨损程度,与同类识别方法的识别结果相比较,具有一定的优越性。     

基于样本扩充与IDANN的刀具状态识别方法

针对机床刀具磨损数据稀少与刀具磨损状态识别精度低的问题，提出了一种基于样本扩充与改进领域对抗网络(sample expansion and improved domain adversarial training of neural networks, SE-IDANN)的刀具状态识别方法。首先对机床刀具数据进行两次特征提取，并通过Smote算法进行样本扩充，解决机床刀具磨损数据量稀少的问题；其次在领域对抗网络(domain adversarial training of neural networks, DANN)模型特征提取器中加入残差块，进一步提取有效特征信息，解决刀具磨损特征微弱的难题；最后将Wasserstein距离作为目标域与源域的数据分布相似度标准引入DANN模型，实现对刀具磨损量的精确识别。通过对机床刀具数据的分析与仿真试验验证，证明该方法能够有效地识别刀具磨损量。     

产品生命周期定性模拟原型系统的研究

应用模糊数学的理论和方法，选取产品销售量、销售利润率和市场占有率3个指标，同时以企业决策年度为时间变量，根据QSIM定性推理状态转换表，判断相邻时间间隔的产品生命周期变化趋势，建立了产品生命周期的模糊识别模型，并采用VC 实现了产品生命周期模糊识别定性模拟原型系统．该原型系统根据以往年度的产品基础数据，就可以判断多条产品线和各产品线内产品品种的数值状态空间及其发展趋势．     

刀具切削状态的多传感器信息综合法

针对刀具切削状态的监测和识别，讨论了传感信息融合，特征信息融合和决策信息融合三个不同层次的结构，以加工过程中的负载程度给出了三种不同的监测和识别准则及结构，并以神经网络为综合过程的工具，建立了刀具切削状态的多传感器的信息综合方法，实例验证了此方法的可行性和实用性     

模式识别在刀具状态监控中的应用

通过大量试验，研究了刀具磨损、破损对功率信号时域和频域特性的影响．抽取与刀具状态相关的特征量──功率的时域幅值和主轴转频处的幅值，并将模式识别技术应用于刀具状态多特征监控，能较好地识别刀具的磨损和破损，显著提高了监控的准确性．     

融合多特征信息的模式识别方法

研究在有不确定知识的情况下,融合多种类特征信息的模式识别方法.首先用模糊逻辑表示关于对象的具有不确定性的经验知识,通过模糊推理可由特征得到关于对象的用基本概率分配函数表示的具有不确定性的模式分类信息.然后利用D-S证据推理的方法最大程度地消除其不确定性,得到对象的最终分类结果.仿真结果证明,该方法对处理具有多种类特征且带有不确定性知识的一类模式识别问题是有效的.通过将模糊推理方法与证据理论的结合能有效利用多种特征的不确定知识对目标进行分类.     

多目标模糊评价模型与评价等级计算方法

为防止信息丢失,指出了多目标模糊评价应采用加权平均算子·探讨了采用余弦函数及三角形隶属函数的模糊综合评判模型、基于权广义距离平方和最小的模糊模式识别模型、基于模糊熵与权广义距离之和最小的模糊模式识别模型对评价结果模糊度的影响·属性识别理论模型是应用三角形隶属函数的模糊综合评判模型·综述了多目标模糊评价等级的确定方法,指出了属性识别理论的置信度准则与最大隶属原则一样可导致评价结果失真·提出了评价等级模糊特征量的概念和计算方法,从而证明了多目标模糊评价的结果是一个等级区间而不是一个确定点·实例表明,依据评价等级模糊特征量的概念和计算方法所确定的评价等级符合实际·     

区间值模糊集上的粗糙近似

提出了区间值模糊粗糙集的上下近似，并且利用区间值模糊集的截集定义了区间值模糊粗糙度量，在此基础上讨论区间值模糊粗糙集和区间值模糊粗糙度量的性质。     

基于相似度的模糊粗糙近似算子

粗糙集理论是一种新的处理模糊和不确定性知识的数学工具.相似度是用于比较2个相似的模糊粗糙集所包含信息的精确性大小的,是模糊集理论和粗糙集理论的热点问题之一.文章利用一种改进的相似度定义了模糊粗糙近似算子,重新定义了粗糙集的一些概念,给出并证明了模糊粗糙近似算子的几个性质.     

模糊层次决策法及其在学生认知能力评价系统中的应用

对于一类模糊环境下复杂系统的多层次、多属性的决策问题，将层次分析方法与模糊集合理论相结合，建立树状层次结构，给出一种模糊判断的权重计算方法，构造了层次模糊决策模型。     

基于多粒度认知的命名实体识别方法

在数据匮乏的领域,命名实体识别效果受限于欠拟合的字词特征表达,引入常规的多任务学习方法可以有所改善,但需要额外的标注成本.针对这一问题,提出了一种基于多粒度认知的命名实体识别方法,在不产生额外标注成本的前提下,增强字特征信息,提高命名实体识别效果.该方法从多粒度认知理论出发,以BiLSTM和CRF为基础模型,将字粒度下的命名实体识别任务与句子全局粒度下的实体数量预测任务相联合,共同优化字嵌入表达.三个不同类型的数据集上的多组实验表明,引入多粒度认知的方法有效地提升了命名实体识别效果.     

大学生学习效果影响因素的粗糙集分析

粗糙集理论是一种新的用于处理不确定性和模糊性知识的数学工具,它适合于从大量复杂的数据中发现隐含的、潜在有用的规律。研究了一种基于粗糙集理论的学习效果评价方法,通过运用该理论对采集到的大学生学习过程中的大量数据进行分析,对数据进行属性约简,从中得到影响学习效果的关键因素以及各因素间关系的决策规则,提出了一种基于评价学习效果的方法。通过实例,证明该方法是有效的。     

关于模糊证据理论的一个新解释

推广了Dempster所提出的随机集概念，并讨论了模糊信息源的不确定结构与模糊事件空间之间的关系，最后特别地用广义的上、下概率概念给出了模糊证据理论的一种新的解释，同时证明了模糊条件信任函数实际上是Dempster模糊条件规则的推广。     

粗糙模糊数

粗糙集理论和模糊集理论都是研究信息系统中知识的不完善、不准确问题 ,前者基于信息系统中知识的不可分辨性 ,后者基于信息系统中知识的模糊性 ,将二者结合形成了粗糙模糊集 .定义了粗糙模糊数(RFN) ,进而研究了其性质及二RF数间的距离 ,可用于在实际问题中对模糊信息的表述及信息加工 .