一种基于F统计量的改进型显著误差检测方法

工业过程采集的数据的可靠性和准确度直接影响到过程控制、调度及优化等。讨论了数据校正的原理及应用,分析了显著误差检测的意义以及显著误差检测的基本原理。在对两种传统的基于统计量的显著误差检测法讨论的基础上,提出了一种基于F统计量的NT-MT显著误差检测方法。该方法将两种传统方法运用其中,仿真结果表明,基于F统计量的改进NT-MT方法给出了很好的检测效果,对显著误差的灵敏度很高。     

对证据理论检测显著误差的研究

针对过程数据所含的显著误差采用证据决策理论进行检测。该文考虑了系统的泄漏情况,并且引入了环境节点这一虚拟节点约束方程,把此虚拟节点作为证据理论中的一个证据,并对此进行了仿真研究。仿真结果表明了所提方法的有效性。     

基于GLR-NT的显著误差检测与数据协调

提出了一种广义似然比法（Generalized Likelihood Ratio,GLR）与节点检测法（NodalTest,NT）组合的显著误差检测和稳态数据协调方法。该方法充分发挥了GLR法和NT法的优点,采用逐次侦破、补偿校正的策略,避免了传统显著误差侦破方法中系数矩阵降秩问题,并且融入了测量变量的上、下限约束,最...     

基于主元分析（PCA）的显著误差检测与校正及应用

在风粉浓度软测量的测量数据中出现显著误差,将会严重恶化测量数据品质,破坏数据统计特性,导致软测量失败,因此显著误差检验和校正是误差处理的首要任务。本文讨论了基于主元分析(PCA)的显著误差检测与校正原理,运用Q统计方法,结合贡献图对某电厂热风送粉系统风粉浓度软测量中可能出现的显著误差进行了仿真分析,结果表明,基于PCA主元分析的显著误差检验和校正方法在风粉浓度软测量工业应用中可行。     

基于扩散的视觉显著目标检测

针对图像背景颜色和视觉显著检测目标信息颜色相近时,显著检测结果的精度和效率不高的问题,提出了一种基于扩散的视觉显著目标检测模型.首先通过对对称矩阵的构造并丢弃常数特征向量和辨别力进行了重新组合扩散矩阵,然后对扩散矩阵中的种子向量进行重新构造,最后将重新组合的扩散矩阵和重新构造的种子向量进行扩散,得出了基于扩散的视觉显著目标检测算法.实验结果表明:该算法较之前的算法有一定的改进,在背景颜色和视觉目标信息颜色相近的情况下,该算法显著目标检测效果有了明显的提升.     

基于区域对比的图像显著目标检测

针对具有杂乱背景图像的显著目标检测问题,提出了一种无需任何先验知识,通过分析计算区域平均显著值的对比度来提取显著目标的方法.根据显著图,计算出显著目标的最小边界框与其周围区域的显著性差异,且通过折半查找的方法加快搜索的收敛速度.结果表明,该算法能迅速检测出与人类视觉感知结果一致性较高的显著目标区域.     

一种基于点监督的显著目标检测方法

提出了一种基于点监督的弱监督显著目标检测方法,设计了一种自适应的掩膜洪水填充算法来生成伪标签,并利用了一个基于变换器的点监督显著性检测模型来生成第1轮的显著图。然而,由于标签的稀疏性,弱监督检测模型往往退化为通用的前景检测模型。为了解决这个问题,进一步提出了一种利用非显著抑制方法修正第1轮中生成的显著图,并利用它们进行第2轮微调。实验结果表明,在ECSSD和PASCAL-S数据集上分别取得了0.035 8和0.064 7的MAE,验证了该方法的有效性。     

控制系统稳态误差的求解方法

阐述自动控制理论中的6种稳态误差求解方法,并分析了各种方法的优点和适用范围。     

一类矩阵的SAOR方法的误差估计

给定线性方程组Ax=b,A为给定的正定对称N×N(N≥4)阶矩阵,其Jacobi“迭代矩阵B为 本文给出这类矩阵的SAOR方法的第m次迭代显式误差估计,即用‖δ~(m)‖,‖δ~(m-1)‖I及(δ~(m),δ~(m 1)估计误差:‖δ~(m)‖其中,δ~(m)=x-x~(m),δ~(m)=x(m)-x~(m-1),这里x为精确解,x~(m)为第m次迭代值。     

误差分析与实验改进

根据多年从事实验技术工作的经验认为:进行误差分析,不仅可以反映实验质量,还可以帮助我们找到提高实验质量的方法,以指导我们对实验做进一步的改造。本文的目的,就是通过对一个力学实验的误差分析,从中找出改进实验的一般方法。     

基于图像边缘和对比度的显著目标检测

为了对自然场景中各类显著目标进行准确的检测,提出了一种结合图像边缘和多尺度对比度信息的检测方法。首先对图像进行快速双边滤波,在对图像平滑去除复杂纹理的同时保留物体结构边缘信息,然后用直线检测算子进行边缘检测得到边缘显著图。再利用对比度检测算子计算图像的区域对比度和全局对比度得到对比度显著图。融合边缘显著图和对比度显著图得到最后的显著目标图。实验表明该方法准确率高于大多数现有的显著目标检测方法。     

圆度误差检测的实时控制方法

介绍了求解圆度误差的三点误差分离原理及其方程的推导和一种在Windows系统下的进行数据采集、数据分析的方法。并把这种方法与三点圆度误差分离原理相结合，运用于实际圆度误差检测系统中，解决了在DOS系统下进行圆度误差检测可视化性不好和操作不便的不足．     

线性模型误差协方差阵的扰动对线性假设F检验显著水平的影响

讨论正态线性模型Y＝Xβ ε,ε-N(0,σ^2V)中关于参数β的假设检验问题H0：Hβ＝0。给出V≠kIn时通常的F检验显水平的上界和下界。     

基于球杆仪的三轴数控机床热误差检测方法

热误差是影响机床加工精度的主要误差项．为了快速检测机床自身热误差，在研究机床综合误差和球杆仪检测原理的基础上，提出了一种快速有效的检测方法——球杆仪法．通过建立三轴数控机床的几何误差和热误差的综合误差模型，提出机床的几何误差和热误差的检测及分离方法，并对影响加工精度较大的主轴与Z导轨的平行度误差、标尺热变形导致的比例误差以及滚珠丝杠变形导致的周期性误差等主要热误差项进行了球杆仪圆轨迹测试法的模拟仿真，通过进行球杆仪检测实验，测得机床空载时的主轴端热漂移误差，得到其变化规律曲线．相对于传统热误差检测法，该方法简捷有效．     

基于普通编码器的高精度位置检测方法

根据普通增量式光电编码器测量转角位置的原理，分析了量化误差的形成原因和编码器脉宽制造误差对测量精度的影响，提出了新的信号处理算法——脉冲细分法，利用该方法减小了量化误差．同时标定出编码器的脉宽系数井以它作为脉宽制造误差的补偿参数，消除对位置测量造成的影响，最终提高了系统的测量精度．     

基于稀疏表示模型的显著目标检测

针对基于鲁棒主成分分析的显著目标检测方法，在显著目标出现不同颜色时不能产生一致的显著值，提出基于稀疏表示模型的显著目标检测方法. 该方法用l₁范数约束显著目标的表示系数，并引入拉普拉斯图正则项保持显著目标超像素的近邻关系，使特征相似的超像素有相似的表示系数，检测出的显著目标内部更平滑，显著值趋于一致. 在2个公开的显著目标数据集上的实验表明，所提方法是有效的.     

利用残差分析的网络异常流量检测方法

针对网络异常流量检测中大数据小异常造成的难题,提出了一种新的基于残差分析的网络异常流量检测方法。从多个角度提取网络流量的特征属性,以准确刻画正常行为和异常行为之间的差异性。利用提取的特征属性构建属性矩阵,采用流之间的相似性构建邻接矩阵。使用属性矩阵和邻接矩阵构建网络异常检测模型,采用CUR矩阵分解方法重构属性矩阵得到主模式,对属性矩阵和重构的属性矩阵进行残差计算进而获得残差矩阵。对残差矩阵中的每一个流计算其残差,根据每个流的残差和预设阈值进行异常判定。采集了西安交通大学校园网流量数据进行实验,实验结果表明:所提方法在不需要任何先验知识的情况下能够使异常检测率达到90%以上;与其他异常检测方法相比,所提方法不仅具有较高的检测率,而且能够实现异常源定位。     

等离子体显示中基于边缘检测的动态误差扩散方法

针对交流等离子体显示器中的常规误差扩散方法因误差扩散系数固定导致反映图像细节轮廓损失的问题，提出了一种基于边缘检测的动态误差扩散方法．该方法在对每个像素的误差扩散处理过程中，先沿误差扩散方向进行边缘检测，再根据边缘检测结果动态地选择误差扩散系数组及调整各个方向的误差扩散系数，使得误差扩散系数与轮廓特征相关，减小了误差扩散过程中造成图像细节轮廓损失的累积误差．仿真结果表明，将新方法应用于交流等离子体显示器中，不仅能够减少因较少子场引起的假轮廓，同时还可以避免由于常规误差扩散方法中固定误差扩散系数引起的轮廓细节损失．     

基于U型残差编解码网络的带钢缺陷检测算法

工业生产中带钢表面缺陷具有缺陷类型多变、背景杂乱和对比度低等特点,现有的缺陷检测方法无法检测出完整的缺陷对象。针对上述问题,提出一种基于U型残差编解码网络的带钢缺陷检测算法。在编码阶段,算法利用全卷积神经网络提取丰富的多尺度缺陷特征,并结合注意力机制加速模型收敛。在解码阶段,使用所提出的U型残差解码网络恢复编码阶段编码的显著性信息。此外,设计了一个残差细化网络,用以进一步优化粗糙的显著图。实验结果表明,所提出的算法具有较强的鲁棒性。     

组合预测误差平方和取值范围研究

应用矩阵理论,对组合预测误差平方和的取值范围进行了研究。给出了简单平均组合预测方法预测误差平方和较精确的取值范围,并得到了一些新结果;还给出了最优组合预测方法预测误差平方和达到上界的一个充要条件的证明。