加权马尔可夫链在水稻产量预测上的应用

基于水稻的产量受多种因素的影响,并且具有较大的随机波动性的特点,提出了运用加权马尔可夫链的方法对水稻产量进行预测,并依据黑龙江省历年水稻产量的数据对该省2012年水稻产量进行了预测,验证了其有效性.     

加权马尔可夫链在市场预测中的应用

本文介绍了加权马尔可夫链预测方法的基础,以金星电子公司产品销量资料为例,采用均值-标准分级法进行销量分级,把这21个月的月销量分成5个级别,运用加权马尔可夫链对该公司销量进行预测和分析,得出了符合实际的预测结果,为市场产品销量的预测分析提供了一条新的途径.     

有界随机变量的次高斯性

通过建立一些重要的不等式，研究有界随机变量的性质，得出了重要结果：数学期望为零的有界随机变量是次高斯的，并得出参数τ的精确估计。最后应用这些结果构造一个非对称的次高斯变量，并研究了某些随机三角级数的性质，得到了很好的结果。     

矩阵范数的界和方阵的ρ-条件数

本文给出了长方矩阵的p-范数及更广一类矩阵范数的上、下界又给出了方阵的p-条件数等于1的条件。(1≤p≤ ∞)。文[1]则是p=2的情况。前三节讨论p-条件数,第四节讨论长方矩阵范数的界。     

基于像素特征的路面裂缝图像自适应滤噪

分析了破损路面图像的像素点区域特征，针对不同区域提出加权邻域滤波和自适加权中值滤波算法。其权值是通过对图像中区域特征的推理得到的，所以算法中能根据图像的区域特征自适应的进行滤波。试验表明，本算法能够有效滤除噪声，并具有很好的细节保护能力。     

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。