摘要：考虑到深度神经网络具备优异的故障识别性能,针对柱塞泵压力与流量信号特征提取难度大问题,设计了一种综合运用小波变换与希尔伯特-黄变换来实现的特征提取方法,建立了RBM-BP网络来达到优化原始特征的作用,利用高级融合特征诊断柱塞泵泄漏状态。高级特征散点表明,深度置信网络在学习原始特征方面表现出了较强学习能力,实现原始特征的抽象提取,确保高级特征能够更准确完成柱塞泵内泄分级与诊断过程。研究结果表明:所有正常泄漏样本都被准确预测,微弱泄漏与严重泄漏都出现了1个样本发生错误预测情况。相比较SSAE与H-ELM,RBM-BP在各层中都表现出比更低的识别。RBM-BP方法获得了比SSAE与H-ELM更高的准确率,准确率波动性也更小,表明RBM-BP模型达到了更优的稳定性,表现出了对柱塞泵内泄状态更强辨识能力与稳定性。

摘要：词性赋码是对语料库进行句法分析的必要前提,可极大地拓宽语料库研究范围。而现有的英语自动词性赋码器多为本族语的书面语设计,能否准确地为学习者口语语料进行自动赋码尚未见到研究报告。本研究采用Brill和CLAWS7两种词性赋码器分别为高低分组学习者口语语料进行自动赋码,统计赋码准确率,并比较两种赋码器对学习者口语特征的处理能力,目的在于考察基于规则的词性赋码器和基于概率的词性赋码器对学习者口语语料进行自动词性赋码的适用度,以期为中介语口语的句法特点研究提供依据。研究结果与梁茂成对中国学生书面语赋码准确率的考察结果基本一致,基于概率的词性赋码器更适用于为学习者口语语料进行自动赋码,赋码准确率较高且性能稳定,其赋码准确率受学习者口语语言水平影响不大,而基于规则的词性赋码器受学习者语言水平和口语特征(停顿、重复、缺乏语法性等)的影响较大。本研究为学习者口语句法特点研究提供重要依据,对误码编辑(tagediting)也有一定意义。

摘要：舰船辐射噪声DEMON谱(调制解调谱)线谱要素提取是舰船螺旋桨轴频估计中的关键步骤。现有的线谱提取技术主要用于功率谱线谱检测,侧重于线谱频率的确定,不能满足舰船螺旋桨轴频估计需求。本文根据DEMON谱线谱的特点及人工提取线谱的过程,设计了一种新的线谱要素提取算法,改进了谱峰筛选技术,将多时刻的DEMON线谱基于最大似然估计和谱峰序列相似度加以融合决策,最终确定了线谱频率和幅值(峰值)及边界。通过实际数据验证,此线谱要素提取算法更适用于螺旋桨轴频估计,可提高轴频估计的准确率。

摘要：随着网络信息的迅猛发展,信息处理已经成为人们获取有用信息不可缺少的工具,文本自动分类系统是信息处理的重要研究方向。对文本分类关键技术中的特征选择算法进行了探讨,并结合网页特性,对特征权重算法及互信息算法进行了改进。实验结果证明,改进算法是可行的。

摘要：光泽是决定珍珠品质的重要因素,传统分选方法未考虑珍珠光泽的不均匀特性,分选效果难以满足实际需要。为改善此状况,提出一种基于光谱模式识别的多区域联合判决方法和配套设计的专用光谱测量系统。从每颗珍珠表面h个随机位置测量得到光谱数据,经筛除、矫正等处理,优选训练KPCA+PSO-SVM回归预测模型,根据待测珍珠h组光谱的预测值均值判决其光泽等级。实验用分属“优,中,弱”3级光泽的252颗珍珠为样本,训练多组对照模型。实验对比表明,参数(h,Δ,ω,φ)取值恰当时,上述方法能有效提高各模型的分选准确率和稳定性,且以KPCA+PSO-SVM所建模型表现最佳。

摘要：提出一种改进的KNN算法,该算法最大的优点是不需要K值,同时具有较好的分类性能。自编程序设计了改进的算法,并将其用于煤样所属煤种的快速分类。通过实验预测了煤样所属煤种。结果表明与经典KNN算法相比,改进的算法实现简单,分类准确率高,适用于煤种的快速分类。

摘要：针对人体活动识别,现有的研究更多关注于传感器之间的融合,较少将研究方向转移到三轴加速度计等传感器内轴之间的相关性方面。为有效利用轴之间的相关性,提出一种基于数据融合的卷积神经网络方法。借助利用轴之间的相关性的单通道数据融合方法得到融合数据,将融合数据输入到卷积神经网络中提取特征。在WISDM数据集上的实验结果表明,该方法的准确率达到了98.80%,优于不使用数据融合的卷积神经网络方法。

摘要：针对由于风速变化因素复杂导致的风速预测模型准确率低的问题,提出一种多特征嵌入的Seq2Seq(序列到序列)风速预测模型。以Seq2Seq为基础,将影响风速的多种因素数据进行多特征嵌入编码,实现对未来若干个小时风速的预测。通过准确率、预测评分和平均绝对误差等指标的实验评价,验证Seq2Seq模型相比当前最优模型达到了更好的预测稳定性,风速多特征嵌入编码方法的加入显著提高了Seq2Seq模型的预测准确性。实验结果验证了该模型的有效性。

摘要：为解决海量数据环境下,出现分类准确率降低、模型参数训练时间较长等问题,提出一种基于限定模糊规则的多分类器。对确定规则分类过程进行分析和改进,认为确定规则训练过程中后期过于追求精确是导致模型收敛速度下降的关键原因;在此基础上建立总体模型,对收敛程度进行模糊处理,降低模型参数训练时间。通过对确定规则进行正反向规则的补充,减少模糊操作误差,保证分类准确率。通过在Spark计算框架下,与确定规则进行实验对比,验证了该分类器能够有效减少计算迭代次数,提高分类准确率。

摘要：自然场景中的文字受光照、污迹、文字较小等方面的影响,其检测难度较大,且传统的检测方法效果不好.在研究目标检测方法Faster RCNN的基础上,提出一种针对自然场景文字的改进方法.改进的模型由卷积神经网络特征提取模块,嵌套LSTM(nested long short-term memory,NLSTM)模块和区域候选网络(region proposal network,RPN)模块3部分组成,改进点主要是卷积神经网络特征提取模块增加了不同卷积层的空间特征融合,能够提取多层次的特征;增加嵌套LSTM模块能够学习长序列文本的序列特征,便于检测不定长度的文本序列;RPN模块通过设置宽为8像素,高度不定的锚点(anchor),可以提取一系列可能存在的目标建议框,其对小目标文字效果较好.在实验部分,通过对标准数据集(ICDAR 2013,Multilingual)的实验结果对比表明,所提出的改进算法在准确率和效率方面明显优于改进前的算法.通过实列测试,改进的模型对小目标文字检测效果也有所提升.