基于梯度加权类激活热力图的卷积神经网络故障诊断模型鲁棒性分析

深度学习近年来在故障诊断领域受到广泛应用,但基于深度学习的故障诊断模型缺乏工程上的物理解释性,难以保证其故障诊断结果的稳定性。以轴承为例,建立了以小波时频图像为故障诊断依据的卷积神经网络模型(convolutional neural network, CNN),提出了一种基于梯度加权类激活热力图(gradient-weighted class activation map, Grad-CAM)的网络模型鲁棒性分析方法,并利用美国凯斯西储大学(Case Western Reserve University, CWRU)轴承数据集进行验证。首先,将故障直径轴承数据以不同方式混合并训练大、小多个模型。其次,利用Grad-CAM方法,建立时频区域与故障模式之间的联系。最后,利用其他工况下的轴承故障数据,以及含噪数据进行测试,并根据结果结合模型最注重的时频区域进行分析。结果表明,基于深度学习的轴承故障诊断模型在参数较少时更加注重低频区域,并能使其具有更好的鲁棒性。     

图的一种加权邻接矩阵谱半径和能量的界

图G的一种加权邻接矩阵记为A_db(G)=(a^db_ij)_n×n,若顶点v_i和顶点v_j相邻,则$a_{i j}^{d b}=\frac{d_{i}+d_{j}}{d_{i} d_{j}}$, 反之a^db_ij=0.给出图G的加权谱半径的上下界,并在此基础上给出加权谱半径的Nordhaus-Gaddum-type关系.得到了图G的加权能量的几个上下界,并在此基础上给出加权能量的Nordhaus-Gaddum-type关系.     

加权幂平均函数的性质及简单应用

在推广平均不等式的基础上,讨论了幂平均函数和加权幂平均函数的性质,并简化了一类极限的计算。     

关于Dirichlet L-函数的偶次加权均值

利用三角和估计、Gauss 和的定义、特征和估计及其解析方法讨论了Dirichlet L–函数的偶次加权均值分布问题,得到一个有趣的加权均值分布公式:     

在非时齐马氏决策过程中的动态贝叶斯网络研究

提出了用动态贝叶斯网络（DBN）对非时齐马氏决策系统进行建模的改进方法，使动态贝叶斯网络能被更广泛地应用于各种复杂的真实系统中．该方法的基本思路是，将扩展后的隐藏变量引入DBN的演化过程来建立假设条件所要求的马尔可夫模型，给出从不完整的样本数据集以及存在隐藏变量时来学习DBN结构的算法，进而用贝叶斯概率统计方法对后来的时间片的充分统计因子进行估计，并通过当前已存在的和估计的充分统计因子对基于时间变化的转移概率进行学习，以解决假设条件要求的转移概率的时不变性．原理性分析和仿真实验结果也验证了改进方法的有效性．     

非线形模型方差的贝叶斯估计

 在均方误差的条件下,系统地研究了非线形模型方差的贝叶斯估计,提出了共轭和无先验信息的最佳贝叶斯估计和最佳无偏贝叶斯估计以及方差的最佳条件无偏贝叶斯估计.还提出了带有共轭和无先验信息的方差的极大后验估计,最后用一个简单的例子来说明上述结论的可行性.     

建筑工程质量的多目标量化评价方法

依据建筑工程质量综合评价指标体系,利用层次分析法、最小二乘法和属性数学等方法,建立了综合评价模型,对建筑工程质量进行多目标综合量化评价.最后用实例验证了模型和方法的可行性.     

一种SPC控制图的优化算法研究

统计过程控制SPC技术是保证预防原则、实现过程控制的科学管理方法,其应用已不再局限于工业领域.传统的单变量SPC控制图虽能反映整个过程的变化趋势,但只对较大的偏差敏感,对持续的、较小的偏差反应迟钝.提出了一种加权控制图的优化算法,这种算法能够反映较小偏差的变化,并以-X-R控制图为例加以比较.     

加权数据融合算法及其应用举例

建立了一种基于格罗贝斯(Grubbs)准则和聚类分析的加权数据融合算法，即先用格罗贝斯准则剔除所测数据中的疏失误差数据，再用聚类分析的方法对剔除疏失误差数据后的测量数据进行聚类，并由此确定各类别的权数(加权因子)，最后利用所得权数进行加权融合得出被测对象的融合估计值。实验证明，该算法简单有效，且适合计算机编程。     

基于加权残值法的大体积混凝土温度场有限元分析

从热传导方程出发，采用加权残值法原理，推导了便于应用的大体积混凝土温度场有限元计算公式，其结果和变分法一致。