统计模式识别的研究

模式识别的基本目标就是在有监督和无监督的情况下进行分类,在模式识别的各种模型中,基于统计的方法已经被广泛的研究并应用于实际.一些新的技术和方法的引入（神经网络和支持向量机方法）也促进了该领域发展,文章研究了基于统计的模式识别的进展情况,给出了模式识别的概念、原理、方法并对各种方法进行了相关的评述.     

英语精读课堂教学步骤谈

在大学英语精读课程的教学中,不少教师认为应该在字、词、句、篇等各方面精讲细练,此做法容易导致教师难讲、学生厌听的现象。按照自由发言、导读、课文讲解和教学反馈的教学步骤能调动学生学习的积极性、主动性和创造性。     

基于神经网络的无刷直流电机预测控制的仿真研究

在无刷直流电动机高性能速度跟踪系统中，由于PI控制的滞后性，无法根据未来动态行为产生较为理想的PWM波形。针对PWM发生器一无刷直流电动机系统，提出基于神经网络的PWM预测控制方法。采用离线训练和在线修正的方法，通过对PWM发生器-无刷直流电动机系统动态行为的在线估计，建立了系统的神经网络模型。最优控制器根据神经网络模型的输入、输出响应产生合适的PWM波形。在Matlab／Simulink环境建立了模型并进行了仿真，结果表明，较之PI控制器，神经网络预测控制具有更好的动态响应性能。     

广义线性系统的输出反馈和极点配置

研究了广义线性系统的输出反馈和极点配置问题。引入“正常化”概念,从而推导出类似于正常线性系统有关输出反馈和极点配置问题的一些重要结论。     

变量泵电液比例恒压调节器的开发研制

本文利用一种结构新颖的径向柱塞变量汞为基泵,将电液比例技术应用于恒压变量泵的控制上,开发了一种电-液一体化节能液压元件。该电液比例恒压调节器采用“压力直接检测反馈”和“级问动压反馈”两项新原理,改善了泵的非线性度、滞环、恒压误差及其稳定性。文中不仅在理论上分析了泵的结构参数对调节系统的影响,并且实验研究了恒压调节器的三个结构参数对恒压泵动态特性的影响。结果表明,该泵具有优良的静动态性能,可作为恒压源应用于液压系统中,有着显著的节能意义。     

基于预先补偿和全状态反馈控制的车-轨耦合振动抑制

以高速磁浮列车为研究对象,探讨了弹性轨道下的车-轨耦合振动问题。建立了能反映实际问题的车-轨耦合最小悬浮单元模型,并进行了开环系统稳定性和耦合振动机理分析。以弥补比例-积分-微分（PID）控制器有效信息利用不足为出发点,设计了基于预先补偿的全状态反馈控制器。通过仿真分析了反馈增益矩阵对系统跟踪性能和振动抑制能力的影响,提出了适当降低对悬浮间隙的要求换取振动抑制能力提升的思路。进一步分析了反馈系数对悬浮系统性能的影响规律,基于此得到了优化的预先补偿和全状态反馈控制框架。最后,通过实验验证了基于预先补偿的全状态反馈控制对抑制车-轨弹性耦合振动的有效性。     

基于预训练模型和混合神经网络的医疗实体关系抽取

医疗文本具有实体密度高、句式冗长等特点,简单的神经网络方法不能很好地捕获其语义特征,因此提出一种基于预训练模型的混合神经网络方法。首先使用预训练模型获取动态词向量,并提取实体标记特征;然后通过双向长短期记忆网络获取医疗文本的上下文特征,同时使用卷积神经网络获取文本的局部特征;再使用注意力机制对序列特征进行加权,获取文本全局语义特征;最后将实体标记特征与全局语义特征融合,并通过分类器得到抽取结果。在医疗领域数据集上的实体关系抽取实验结果表明,新提出的混合神经网络模型的性能比主流模型均有提升,说明这种多特征融合的方式可以提升实体关系抽取的效果。     

基于频域降采样和CNN的轴承故障诊断方法

在工业领域,设备运行过程中采集的原始故障信号具有强噪声以及多工况的特点,现有的基于数据的轴承故障诊断模型的抗噪能力与泛化能力相对较弱。针对以上问题,提出一种基于频域降采样(down-sampling)和卷积神经网络(CNN)的轴承故障诊断方法 Ds-CNN。频域降采样包含最大偏移降采样和噪声横截断两个部分,可以实现样本增强,降低样本在频域的差异性,同时减弱噪声对频域信号的影响。基于频域信号建立的CNN模型能够自动提取降采样后频域信号的故障特征,并完成对轴承故障的识别分类。实验结果表明,在强噪声环境和多工况条件下,与目前常用模型相比, Ds-CNN具有更高的识别准确率。     

基于特征类内紧凑性的不平衡医学图像分类方法

近些年,基于深度学习的算法和模型在各种图像分析任务中都取得了显著的成功,与常见的自然图像相比,医学图像数据集依然面临高度不平衡的问题,不平衡数据会导致特征空间里的决策边缘倾向样本多的类别,导致分类效果的下降.为了解决该问题,提出一种基于卷积神经网络考虑特征类内紧凑性的不平衡医学图像分类方法（Z-Score Compactness-based Convolutional Neural Network,ZC3NC）.首先,从一个卷积神经网络的最后一层卷积层提取训练集样本与测试集样本的特征图,随后引入一个新的Z分数来度量测试集数据的特征图相对训练集每个类在特征空间上的偏离度,偏离度的度量基于类内的紧凑度,其主要关注样本的分布特性,对各类样本数量的不平衡性不敏感.最终,根据计算的偏离度,对测试集的数据进行分类.在DermaMNIST数据集上的实验表明,在不对数据和神经网络模型做任何额外增强的情况下,该方法的平衡准确率比原卷积神经网络模型平均提高11.15%,最多提高14.08%,证明提出的分类方法能有效地提高多种卷积神经网络对不平衡医学图像数据的分类性能.此外,和最先进的不平衡分类方法 Und...