高分辨磁旋转编码器磁鼓表露磁场分析与AMR检测磁头设计

应用静磁场理论分析了高分辨磁旋转编码器磁鼓的表露磁场,通过数值计算得到磁鼓表露场分布的直观曲线.设计制作出性能优良的磁旋转编码器AMR检测磁头,理论分析结果与对磁鼓表露磁场的实际测试结果进行了分析对比.结果表明,AMR检测磁头输出信号形状与幅度及其倍频特性与理论计算结果是相符的.     

磁编码器多极磁鼓表露场的理论分析

基于静磁场理论,建立了磁编码器多极磁鼓的表露场分布均匀磁化模型,得到了磁编码器多极磁鼓的表露场分布表达式,为多极磁鼓的参数优化设计提供了理论依据．     

磁编码器多极磁鼓表露场的理论分析

基于静磁场理论，建立了磁编码器多极磁鼓的表露场分布均匀磁化模型，得到了磁编码器多极磁鼓的表露场分布表达式，为多极磁鼓的参数优化设计提供了理论依据。     

天线系统中的数据采集与通信

对采用旋转变压器进行数据采集做了讨论,分析了利用编码器设计的数据采集系统,对利用编码器设计的数据采集系统的结构、数据编码、数据通信进行了讨论.     

光电轴角编码器转角精度检测装置研究

为实现对光电编码器转角精度检测、动态数据采集、实时数据传输与误差矫正,本文提出了一种检查装置可以极大地提高检测效率,并可以在线校正编码器精度。首先,采取了多面体及激光自准直平行光管为检测设备的主要仪器,在计算机自动检测并传输的模式下,完成检测与数据采集的过程;然后,对采集数据进行误差计算,并对数据进行分析矫正;经过多组数据采集实验,装置在检测编码器的转角精度时,能够高速、实时的完成数据的传输及计算工作。本装置具有检查速度快、使用方便等优点,减少了人为误差,提高效率6倍以上,可以用于多种型号编码器的检测。可以在检测编码器转角精度时广泛应用,满足编码器转角精度的检查机数据采集系统设计和使用要求。     

一种编码器实时读出电路设计及处理方法

设计一个编码器实时读出系统。采用FPGA作为处理器对增量式编码器和绝对值编码器进行读值,然后将从编码器读入的数据信息转化为角度值,最后驱动液晶显示模块进行实时读出角度值。硬件部分主要包括一块FPGA控制器、两种编码器接入模块、一个LCD模块,以及外围配置电路。软件部分主要包括编码器数字信号接收、数据处理、LCD驱动显示。电路板可用于检验实验室采购的编码器,保障生产任务按时完成;也可以置于各种平台之上,用于实时显示方位角度值。     

基于残差补偿的极限学习机自编码器

极限学习机自编码器作为无监督降维方法,通过重构输入数据来提取原始样本特征,具有学习速度快、泛化性能高等优势.但经典极限学习机自编码器表示能力有限,使得重构输出和原始样本之间的残差不可避免.因此借鉴残差补偿思想,提出基于残差补偿的极限学习机自编码器,通过不断对重构残差补偿式学习来改善ELM-AE的表示能力.在6个公开数据集上进行K-means聚类实验,结果表明基于残差补偿的极限学习机自编码器(RCELM-AE)能够有效提高聚类准确率.     

互编码器辅助视频的多模态场景分类

为了解决多模态场景分类准确率不高的问题,文中提出一种由互编码器辅助视频的多模态场景分类方法。音频部分首先对输入音频数据进行特征提取并且使用自注意力机制取得关注信息,图像部分首先对视频进行分帧图片提取,然后通过ResNet50网络进行特征提取,随后提取到的双模态信息进入互编码器,互编码器通过提取各个模态隐层特征进行特征融合,融合后的新特征结合attention机制辅助视频特征。在该模型中,互编码器为融合特征的辅助系统。实验基于DCASE2021 Challenge Task 1B数据集进行验证,结果表明互编码器能够提升分类准确率。     

基于自编码器的多模态深度嵌入式聚类

近年来,随着获取信息手段的增多,对高维度数据的聚类变得越来越难.利用深度学习与聚类分析相结合的方式,通过对深度聚类算法的深入调查与研究,提出了基于自编码器的多模态嵌入式聚类模型,该模型分别将自编码器、卷积自编码器、卷积变分自编码器模型提取的特征进行自适应特征融合,再将融合后的特征输入深度聚类层得到聚类结果.多模态数据有助于提取更全面的数据信息,自适应特征融合能够很好地计算每个模态提取特征对融合特征的贡献度,从而提高无监督聚类算法的稳定性.提出的模型在4种公开数据集上进行了实验,验证了该模型的有效性,聚类结果优于现有流行的算法.     

基于去噪自编码器的镜像极限学习机设计

针对极限学习机在高维度、含噪声数据集中需要大量隐含层节点来保证分类性能的问题，设计了镜像极限学习机.该算法使用伪逆法确定输入权值，随机生成输出权值和偏置，在对数据进行分类时，它仅需极少的隐含层节点.为了提升镜像极限学习机的分类性能和抗噪性，将它与去噪自编码器相结合.利用去噪自编码器对输入数据进行特征提取，并将提取到的特征作为镜像极限学习机的输入数据，再进行网络训练.在无噪和含噪声的MNIST，Fashion MNIST，Rectangles和Convex数据集中，将基于去噪自编码器的镜像极限学习机与ELM，PCA-ELM，SAA-2和DAE-ELM作对比实验，结果表明，基于去噪自编码器的镜像极限学习机的综合性能最优，用于分类的网络隐含层节点数最少.     

基于Spark框架的电网运行异常数据辨识与修正方法

由于电网运行数据具有多源、异构、高维等典型大数据特征,使得传统检测方法已无法实现异常数据高效辨识;因此提出一种基于Spark框架的电网运行异常数据辨识与修正新方法。首先,提出了并行化最小生成树方法对待检测数据进行初始聚类;在此基础上结合并行K-means算法对数据进行二次聚类实现异常数据辨识;然后,在Spark框架下设计了基于径向基函数(RBF)神经网络的异常数据修正模型,实现对异常数据修正。最后,利用某省调度中心SCADA数据对方法的有效性进行了验证,结果表明所提方法能够有效处理电网运行异常数据,具有实际应用价值。     

数据驱动下交通异常行为的双层识别模型

为实现对车辆异常行为的准确识别,提高车辆行驶的安全性,提出了一种基于支持向量机(support vector machine, SVM)、监督学习与长短期记忆(long short term memory, LSTM)深度学习的交通异常驾驶行为双层识别模型。首先,对车辆轨迹数据筛除和滤波,构建异常行为数据集;其次,从异常行为轨迹特征中提取出特定异常行为的特征标签,并人为标定在训练集中;再次,构建SVM模型对训练集进行粗识别,基于SVM的二分法原理,从测试集中筛选出异常行为;最后,通过LSTM时间序列模型构建具体种类的异常行为模型,并通过深度学习的方法,从异常行为数据中细分为蛇形驾驶、急速变向、侧滑、大半径转弯、快速U型转弯、急刹车等具体的异常驾驶行为。本次实验选用下一代仿真(next generation simulation, NGSIM)数据中US-101高速公路和peachtree城市道路的数据集的轨迹数据验证SVM和LSTM双层识别模型的性能,包括均方根误差、识别准确率等。结果表明,构建的双层识别模型在第一层有98%的识别准确率,第二层有超过80%的识别准确率,可以较为准确地识...     

基于因子分析的母线负荷异常数据辨识方法

针对现有母线负荷数据异常辨识方法适应性差、辨识精度不高的问题,基于母线负荷数据现状剖析异常数据的基本特征,分析因子分析的理论及其应用于母线负荷异常数据辨识的原理,提出了基于因子分析的母线负荷异常数据辨识方法.该方法引入因子分析将母线负荷曲线分解为表征曲线正常时序变化规律的基本分量和表征曲线数据异常或随机波动特征的随机分量;同时基于负荷曲线随机分量给出了异常数据辨识的3σ判定准则.最后,以重庆某供电公司算例验证了所提方法较现有方法更具合理性、有效性.     

基于改进孤立森林算法的风电机组异常数据清洗

风电机组的风速、功率数据是衡量风电机组正常运行的关键参数,然而其中包含大量的异常数据,需要进行清洗。该文提出一种改进的孤立森林算法,先使用四分位法确定孤立森林正常数据评分与异常数据评分的分界线,再划分风速区间改变边缘数据的异常性,最后使用最小二乘法曲线拟合去误差去除小概率离散型和小概率堆积型异常数据的改进方法来对风速、功率的异常数据进行清洗。结果表明：与传统的孤立森林算法相比,改进的孤立森林算法能够正确界定正常数据评分与异常数据评分的分界线,可以去除堆积型异常数据,且对于数据主带边缘的离散型异常数据具有更好的清洗效果。     

基于特征融合的视频异常事件检测方法

为有效对视频数据进行降维并去除特征集合中的冗余信息, 以提高异常事件的检测效率, 从特征提取和选择的角度提出了融合特征区分度和相关性的视频异常事件检测方法。利用视频数据的时空邻域信息进行特征提取。通过分析特征的判别力和相关性进行特征选择, 从而去除特征集合中的冗余信息, 提高异常事件检测的效率和准确性。实验结果表明, 该方法的检测准确率都优于其他传统方法, 能有效地对场景中发生异常事件的区域进行准确定位。     

渤南洼陷古近系深层异常压力特征及成因

以声波时差资料为基础,结合测井、地质、钻井及试油试采资料,利用等效深度法计算渤南洼陷古近系的地层压力,并综合分析地层压力的分布特征.探讨了异常高压的成因机制,确定形成异常高压的主要原因为不均衡压实作用,烃源岩在埋藏过程中大量生烃进一步促进了异常高压的发育,另外,致密的盐膏层可有效保护异常高压.在此基础上,总结出渤南洼陷异常压力的2种结构模式.     

多项式微商法圈定异常

在处理勘查数据过程中,重点是发现和确定数据异常区域,而异常区域的边界应该是变化幅度最大的点构成的边界.利用二元多项式微商法,找到所有峰顶,对异常数据峰顶的陡峭度和峰值幅度两方面进行综合判断,从而圈定异常峰,提取反映特性变化的峰的边缘,从而圈定异常区域.文中对峰值的算法进行了理论推导和分析,并给出了异常圈定的处理步骤.实际处理数据的结果表明,该方法是有效和准确的.利用文中方法圈定出的异常面积比采用标准方差与等值线圈定异常方法小,表征了真正的异常边界.     

罗非鱼冷链物流中的异常温度检测方法研究

受冷链物流系统和设备的影响,冷链物流中的温度很可能出现异常,导致罗非鱼变质。当前异常温度检测方法检测精度和性能低,不适于实际应用。为此,提出一种新的罗非鱼冷链物流中的异常温度检测方法,给出罗非鱼冷链物流中异常温度数据的判据,介绍了模糊ARHMM的结构。通过中间计算结果从三个不同方面确定罗非鱼冷链物流中的温度数据是否异常,把各部分正确的运算数据集看作一个隶属度函数,以此描述待检测温度数据在该集合的隶属度;通过结合得到的三个检测集确定最终隶属度,从而实现罗非鱼冷链物流中的异常温度检测。实验结果表明,采用所提方法对罗非鱼冷链物流中的异常温度进行检测,检测精度和整体性能均较高。     

基于GANs-LightGBM的序贯三支异常用户检测研究

针对网络中异常数据类别分布的不平衡性和异常用户检测代价的敏感性,在序贯三支决策框架下,提出了一种基于生成式对抗网络和集成学习模型的异常用户检测方法.利用生成式对抗网络(generative adversarial nets,GANs)模型对异常/非异常数据进行类别平衡,并在多层次多粒度的特征空间下训练LightGBM模型,持续地处理不确定域的样本以识别异常用户.实验结果表明,与传统的机器学习算法相比,该方法在异常用户检测中具有较高的AUC值和较低的检测代价.     

小样本数据生成及其在异常检测中的应用

在不平衡数据的应用中,少量的负样本(异常数据)往往是检测准确率低的重要原因,如在主机异常检测领域中,异常样本过少使得检测效果不佳.为解决这一问题,该文改进了深度卷积生成对抗网络,使其更易于收敛和生成样本.再通过将改进的深度卷积生成对抗网络用于入侵检测评测数据集ADFA-LD异常样本的训练,构造出更多的异常样本.最后,为验证生成样本的效果,以多种异常检测方法检测对上述增加样本后的平衡数据进行实验,实验结果发现新增加的异常样本能被全部检测出,而且已测出的异常样本无漏检,实现了高检测率和低误报率.对比实验表明该文提出的小样本数据生成方法能有效解决某些数据不平衡的应用问题.