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。     

基于三支决策的密度敏感谱聚类

将三支决策与密度敏感谱聚类结合,提出了一种基于三支决策的密度敏感谱聚类算法。该算法通过在密度敏感谱聚类的聚类过程引入容差参数得到每个类的上界,然后通过扰动分析算法从上界中分离出核心域,上界和核心域的差值被认定为该类的边界域。聚类结果用核心域和边界域来表示每个类簇,可以更全面地展示数据的结构信息。与传统的硬聚类算法在UCI数据集的实验结果相比较,本文使用核心域计算聚类的评价指标DBI、AS和ACC都有所提升,较好地解决了不确定性对象的聚类问题。     

潜在表示学习框架下的低冗余多视图聚类算法

基于潜在空间学习的多视图聚类研究得到了较大发展,但其通常忽略了原始数据中冗余信息的存在可能会带来不理想的聚类结果。为解决这个问题,提出一种潜在表示学习框架下的低冗余多视图聚类算法。基于k-means的方法,直接从各视图数据学习其低维表示,由于该低维表示的各个特征相互正交,学习到的低维表示通常含有较少的冗余信息。基于潜在空间的假设,各视图的低维表示可由同一个潜在表示投影得到。将两者结合,就能得到一个具有低冗余信息的统一的潜在表示。设计了一个优化算法来求解目标问题,在多个公开数据集上的实验表明了该算法的有效性。     

模糊聚类应用于MIS子系统划分的研究

本文介绍了模糊聚类应用于ＭＩＳ子系统划分的新方法,包括基于模糊等价关系的方法和基于模糊相似关系的“最大树”方法．     

论朱熹对《黄帝内经》自然哲学方法的继承与发展

朱熹在构筑自己博大精深的自然哲学体系中多处借鉴了《黄帝内经》的“取象比类”方法,本文侧重从宇宙生成、万物化育、物质运动等方面就此进行了较为深入的探析     

一个新的单调类定理

定义了集类的ｗ类的概念,给出了ｗ类的单调类定理．     

浅析英文报纸标题的特点

读英文报纸是我们提高英文水平、扩大视野的有效途径,而看懂英文标题往往可领会文章中心思想.然而英文报纸标题有其特点,把握好与否关系重大,为此,笔者就英文报纸标题的词汇、语法、类型及符号使用等方面作了些阐释、希望对大学生有所帮助.     

科技先导加快都市农业建设

上海是国际型的大都市,上海农业在全市国民经济中的比重虽仅占百分之一、二,但是它的作用却是百分之百的。上海农业同样是上海建设“一个龙头、三个中心”的重要组成部分。这些年上海二、三产业的不断发展,整个经济持续稳定增长,人均GDP占有份额不断提高,1997年底人均GDP超过3000美元,至2000年人均GDP将达5000美元,使上海农业的发展基础越来越好。如何在世纪之交实现上海农业新的腾飞,从根本上实现传统农业向现代农业转变,城郊型农业向都市型农业转变,正成为摆在我们面前的重要课题。     

结构化面向对象形式规格说明语言OOZS——设计原理

形式方法与面向对象方法的综合使用可以使它们各自的优点得到充分体现：形式方法使目标软件系统的需求规格说明简明、精确,面向对象方法使目标软件系统的组织和分解工作更加系统、自然．本文讨论了Ｚ规格说明语言的应用限制,并在Ｚ语言的基础上介绍了结构化面向对象形式规格说明语言——ＯＯＺＳ的设计方法．该语言吸收了面向对象程序设计语言ＳｍａｌＴａｌｋ、Ｃ＋＋以及形式规格说明语言ＶＤＭ、Ｚｃ、Ｚ．Ｓ等的优点,引入了类、继承、入口、出口、Ｐｒｅ谓词、Ｐｏｓｔ谓词等机制,并对Ｚ语言的符号进行结构化处理,提高了形式规格说明的层次性和模块化能力,可用于大型面向对象软件系统需求规格说明的编写     

算法复杂性函数等价类A[F]中的分解性定理

证明了算法复杂性函数渐近优超等价类数学结构Ａ［Ｆ］中的分解性定理。对任意非免费算法复杂性函数类［ｆ］∈Ａ［Ｆ］及正整数ｎ,存在类［ｇ１］,［ｇ２］,…,［ｇｎ］∈Ａ［Ｆ］满足［ｇｉ］〈［ｆ］（ｉ＝１,２,…,ｎ）且［ｆ］＝Ｖｉ＝１＾ｎ［ｇｉ］。