基于机器学习的裂纹识别研究现状及发展趋势

裂纹识别一直是机器视觉领域的重要研究内容,尤其是与之相关的自动检测算法在近年来备受关注.深度学习作为机器学习的一个分支,其在裂纹识别方面已显现出强大的功能和灵活性.本文对基于机器学习的裂纹识别技术的发展情况、研究现状以及典型方法进行详细介绍:首先介绍了多种机器学习方法在裂纹识别领域的应用,并从特征提取算法和应用对象等方...     

新型无接触电能传输系统多负载解耦控制研究

利用无接触感应耦合电能传输系统互感数学模型,研究了多负载时系统的功率传输问题.提出了一种解耦控制策略,在能量拾取侧中增加一个Boost电路.在负载轻载时,以较低开关频率控制Boost电路中功率开关管的通断.当功率开关管关断时,系统向负载传输功率;当功率开关管导通时,系统屏蔽副边负载,实现原边线圈与副边线圈的解耦控制.针对系统有无Boost电路分别进行了PSpice仿真分析.理论分析与仿真结果表明,该控制方法能在多负载系统的单一负载轻载时实现副边线圈与原边线圈的电磁解耦,为多负载无接触感应耦合电能传输系统的稳定运行提供保障.     

线性区域数量与PLNN表达能力的相关性

使用分段线性激活函数的神经网络(PLNN)在机器学习中得到广泛应用.本文给出了一种PLNN模型表达能力的度量值——线性区域数量,并给出了线性区域的数学表示.分析了线性区域之间的关系并计算合并后的线性区域数量,同时给出一种基于Z曲线的线性区域数量的计算方法.针对一个任务实例进行分析,计算不同网络结构的线性区域数量及合并后...     

CMAC神经网络用于分析和设计非线性过程控制系统(Ⅱ)——控制策略

本文是基于 CMAC神经网络分析和设计复杂控制系统的第二部分 ,提出了基于评价函数和CMAC预测器的控制器的设计方法 ,通过分析控制算法的收敛性和控制系统的稳定性 ,得出了控制器参数的选取方法 .该方案适用于过程的输入输出数据是可测的 ,并且可用第一部分提出的方法得到对象的 CMA C预测器 .仿真实例证明该方案是正确和实用的.     

模糊系统研究

模糊系统是模拟人类思维、执行智能信息处理的有效工具。本文概要讨论模糊系统的若干问题,包括模糊识别、模糊学习、模糊检索以及模糊决策等.     

预测支持系统中的人机界面Agent及其机器学习

人机界面 agent是一种具有一定智能性 ,并能增强应用系统与用户间交互的计算机程序 .通过机器学习机制 ,这种 agent能够适应用户的习惯 ,使系统更有效的服务于用户 .本文将界面 agent( Interface agent)技术应用于预测支持系统 ( FSS:Forecasting Support System)中 ,并采用适当的学习方法 ,可以很好地解决其中的复杂人机交互问题     

广义计算理论研究

概要讨论广义计算的一般化理论 ,包括广义计算模型、广义计算系统、广义学习模型等 ,同时介绍广义计算系统实例 .     

An Adaptive Multiscale Ensemble Learning Paradigm for Nonstationary and Nonlinear Energy Price Time Series Forecasting

For forecasting nonstationary and nonlinear energy prices time series, a novel adaptive multiscale ensemble learning paradigm incorporating ensemble empirical mode decomposition (EEMD), particle swarm optimization (PSO) and least square support vector machines (LSSVM) with kernel function prototype is developed. Firstly, the extrema symmetry expansion EEMD, which can effectively restrain the mode mixing and end effects, is used to decompose the energy price into simple modes. Secondly, by using the fine‐to‐coarse reconstruction algorithm, the high‐frequency, low‐frequency and trend components are identified. Furthermore, autoregressive integrated moving average is applicable to predicting the high‐frequency components. LSSVM is suitable for forecasting the low‐frequency and trend components. At the same time, a universal kernel function prototype is introduced for making up the drawbacks of single kernel function, which can adaptively select the optimal kernel function type and model parameters according to the specific data using the PSO algorithm. Finally, the prediction results of all the components are aggregated into the forecasting values of energy price time series. The empirical results show that, compared with the popular prediction methods, the proposed method can significantly improve the prediction accuracy of energy prices, with high accuracy both in the level and directional predictions. Copyright © 2016 John Wiley & Sons, Ltd.     

A Time‐Simultaneous Prediction Box for a Multivariate Time Series

A sample‐based method in Kolsrud (Journal of Forecasting 2007; 26 (3): 171–188) for the construction of a time‐simultaneous prediction band for a univariate time series is extended to produce a variable‐ and time‐simultaneous prediction box for a multivariate time series. A measure of distance based on the L_∞ ‐norm is applied to a learning sample of multivariate time trajectories, which can be mean‐ and/or variance‐nonstationary. Based on the ranking of distances to the centre of the sample, a subsample of the most central multivariate trajectories is selected. A prediction box is constructed by circumscribing the subsample with a hyperrectangle. The fraction of central trajectories selected into the subsample can be calibrated by bootstrap such that the expected coverage of the box equals a prescribed nominal level. The method is related to the concept of data depth, and thence modified to increase coverage. Applications to simulated and empirical data illustrate the method, which is also compared to several other methods in the literature adapted to the multivariate setting. Copyright © 2015 John Wiley & Sons, Ltd.     

基于协方差矩阵的主动学习方法及应用研究

由于工业过程采集的数据中常包含大量的无标签样本,而有标签样本数量少且人工标记成本较高,因此,提出一种基于协方差矩阵的主动学习方法。利用有标签样本建立高斯过程回归模型,并构建无标签样本之间的协方差矩阵,以协方差矩阵行列式的值作为评价指标。在挑选信息量较大的无标签样本的同时,衡量样本间的相似性,避免样本的冗余添加,最终在相同标记代价下提升模型预测精度。基于工业过程数据进行算法的应用仿真,验证了所提方法的可行性和有效性。