热点排行

正(新闻时段2014-05-20至2014-05-31)1美国"龙"货运飞船携实验样本返回地球[核心媒体报道频次:17/30]21日消息,美国太空探索技术公司的"龙"货运飞船18日携太空实验样本和一些陈旧设备从国际空间站返回地球,为其第3次空间站送货任务画上句号。美国东部时间18日15时5分,在从空间站脱离约5.5 h后,"龙"货运飞船坠入加利福尼亚海岸以西约480 km的太平洋海域,太空探索技术公司人员将其打捞上船后送到洛杉矶附近的港口。     

数控机床不完全维修的贝叶斯可靠性评估

提出了在少样本故障数据情况下,数控机床不完全维修的贝叶斯可靠性评估方法,分析了广义更新过程虚龄模型参数的验前分布和后验分布,利用马尔科夫链蒙特卡洛仿真方法获得了模型参数、累计故障数、故障强度和可靠度等可靠性指标的贝叶斯点估计和区间估计,并分析了某一现场数控机床不完全维修的可靠性.结果表明,与极大似然估计方法相比,贝叶斯可靠性评估方法具有较高的精度.     

可测量潜在故障模式的特种设备可靠寿命预测

由于失效样本少,传统的可靠性分析方法并不适用于特种设备的寿命预测.根据产品研制阶段的实验数据和同类产品的相关历史记录确定可靠性评估的验前信息.结合小样本现场试验数据,应用Bayes方法融合产品的验前信息和现场信息,得到产品寿命的验后分布,进而建立产品可靠寿命的预测模型.以桥式起重机为例,针对具有可测量退化量的潜在故障模式——主梁下挠超标,推导了主梁两阶段可靠寿命的退化规律,得出了在给定可信度下主梁从下挠值为0至发生潜在故障和发生潜在故障后继续使用至发生功能故障的工作时间,进而为主梁的检测和维修提供理论基础.该研究对于缺乏大样本试验数据的特种设备的可靠寿命预测与风险预防具有借鉴意义.     

融合样本选择与特征选择的AdaBoost支持向量机集成算法

为提高AdaBoost分类器集成算法的分类精确度并简化分类系统的复杂度,提出一种融合样本选择与特征选择的AdaBoost支持向量机集成算法(IFSelect-SVME)。该算法在AdaBoost算法的每个循环中利用加权免疫克隆样本选择算法进行样本选择,并用互信息顺序向前特征选择算法进行特征选择,再利用每个循环优化选择得到的特征样本子集训练个体SVM分类器,并对其进行加权集成,生成最终的决策系统。对实验所用9组UCI数据集的仿真结果表明:与支持向量机集成(SVME)算法相比,IFSelect-SVME算法的正确分类率有所提高,且样本数可减少30.8%~80.0%,特征数可减少32.2%~81.5%,简化了集成结构,缩短了测试样本的分类时间,所得到的分类系统具有更好的分类精度。     

谐波小波样本熵与HMM模型的轴承故障模式识别

根据谐波小波分解非平稳振动信号优良特性与隐马尔科夫(HMM)模型的时序模式分类能力,提出了一种基于谐波小波样本熵与HMM模型结合的轴承故障模式识别方法.该方法首先利用谐波小波对轴承各个状态故障信号进行分解,进而由谐波小波三维时频网格图的频率层数特征计算合理的样本熵维数和阈值,依次提取轴承振动信号各层的样本熵构成特征向量序列;然后将序列前120组输入HMM模型中进行训练得到对应故障模型,剩余80组进行测试与识别,通过对比对数似然估计概率输出值确定轴承故障类型.实验通过与BP和RBF神经网络模型进行不同训练组数的正确识别率对比,验证了该组合方法具有识别准确率高,稳定性强的优点.     

Weibull分布族参数的经验Bayes检验问题

在NA样本下研究了Weibull分布族刻度参数经验Bayes(EB)单侧检验问题,利用概率密度函数的核估计,构造了刻度参数的EB检验函数,并证明了所提出的经验Bayes检验函数的渐近最优(a.o.)性,获得了其收敛速度.     

基于智能优化粒子滤波算法的人体运动目标跟踪

粒子滤波算法应用于目标跟踪时,存在样本贫化和计算量大的问题,提出了一种基于智能优化粒子滤波算法.利用粒子群算法良好的局部寻优和全局寻优能力对重采样之后的粒子集进行操作,使粒子可以智能地合作起来,减轻样本贫化.实验结果表明,该算法实时性强,提高目标状态的估计精度,缩短了计算时间,其滤波性能优于常规粒子滤波算法.     

神经网络BP算法用于三类基本波形分类时训练样本输入方式的研究

为了进一步研究神径网络BP葬法用于摸式分类时网络的性能,本文采用了四种方式向多层神经网络提供训练样本,并相互进行比较,结果衣明:随机输入法和部分输入法的输入方式为较佳,从而说明了训练样本的翰入方式对神经网络的性能有着直接的影响.     

基于概率建模的分层产液劈分方法

传统产液劈分方法无法考虑层间干扰及注水井和邻井的影响,难以准确判断井下实际状况。同时,海上油田产液剖面测试成本高,常规的机器学习方法面临样本数量少的问题。基于此,提出一种基于贝叶斯神经网络和极限梯度提升算法的多层合采产液劈分混合学习模型。概率方法可以识别预测中的不确定性,通过将神经网络与概率建模结合,进行分层产液数据分布特征挖掘,结合主控因素分析,混合学习算法可以实现小层产液量的准确预测,可以依据较少的数据获得更为稳健的模型。为验证所提方法的有效性,将其应用于实际油田某区块进行产液剖面预测。结果表明：相比KH劈分方法在计算中劈分系数固定,不会随着生产过程波动,所提出的方法可从历史数据中学习,预测精度达到87.9%,预测结果更加逼近真实单层产液量。