基于抗噪多核卷积神经网络的轴承故障诊断方法

针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于抗噪多核卷积神经网络（anti-noise multi-core convolutional neural network,AMCNN）的轴承故障识别新方法。首先,对滚动轴承振动信号进行预处理,得到数据样本,分为训练集和测试集;然后建立轴承寿命状态识别模型,将标签化的训练集数据样本输入AMCNN中进行训练;最后,将训练后的AMCNN模型应用于测试集,输出故障识别结果。在训练过程中,为抑制过拟合,对原始训练样本进行加噪处理;为提高模型抗干扰能力,将dropout层作为AMCNN的第一层。运用轴承实验数据对识别模型进行检验,通过对比验证,结果表明所提出的识别方法在高噪声环境下能更准确地实现轴承故障状态识别。     

基于循环神经网络的微地震数据降噪方法

针对微地震信号中存在大量噪声干扰, 导致其识别困难的问题, 提出一种深度双向门控循环单元循环神经网络的方法, 并将其应用于微地震数据降噪中. 首先, 构建多层双向门控循环单元循环神经网络模型, 并设计该模型的网络结构及训练算法; 然后, 采用Ricker子波正演模拟微地震数据验证模型的有效性, 并将该方法与其他4种方法进行对比; 最后, 将真实的含噪声微地震数据输入到训练好的模型中, 即可得到降噪后的微地震数据. 仿真实验结果表明, 利用该方法降噪后与降噪前信号的峰值信噪比相比约提高36 dB, 且信号之间的相关系数值由0.088 6上升至0.933 5. 实际应用结果也表明, 该方法可有效降低实际微地震数据中的噪声.     

基于小波分解的DIF-RBFNN超短期风速组合预测方法

提出了一种基于小波分解(wavelet-decomposition)的数据输入格式-径向基神经网络(data input format-radial basis functional neural network)超短期风速组合预测模型.该模型首先将风速时间序列数据进行小波分解,减缓风速时间序列的波动性,然后将分解后的低频、高频部分分别建立数据输入格式(风速输入矩阵),并通过径向基神经网络模型进行预测,最后通过自适应叠加得到最终预测结果.结合宁夏某风场实测数据,将该预测模型和其他三种预测模型的仿真实验结果与实测值进行对比,表明该组合预测模型具有较高的预测精度.     

一种基于数据驱动模型的VirtualDOM树的构建方法

针对传统Web技术开发中开发繁琐复杂、周期长、性能低等问题,提出一种基于数据驱动模型的VirtualDOM树的构建方法。以数据驱动模型为基础,扩展DOM功能,增强渲染能力,提高DOM节点的灵活性、开发效率和应用性能。分别基于原生DOM和VirtualDOM开发相同功能的应用,对其开发效率和页面的渲染速度进行测试,测试结果表明,使用基于数据驱动模型的VirtualDOM构建方法搭建的页面渲染速度更快,可提高开发速度。     

基于RBF神经网络的Web服务QoS短期预测

针对Web服务QoS的预测问题,将RBF神经网络及其相关算法应用到Web服务QoS的短期预测中,首先对RBF神经网络的结构进行介绍,并将该网络应用于Web服务的QoS预测,然后运用MATLAB工具箱函数建立QoS预测网络模型,通过计算机仿真验证了RBF神经网络在Web服务QoS预测中是可行且有效的。     

基于特征模型和Web服务的工程知识库共享

为了实现协同产品开发中的知识共享,在开放式标准的基础上,提出了一种基于特征模型和网络(Web)服务的工程知识库共享机制.以各类工程数据库、专家知识等作为底层资源而建立工程知识库,并将知识库中的知识对外包装成标准的Web服务;同时,提出了基于异构计算机辅助(CAX)系统特征的产品模型数据转换方法,并将其转换为可扩展标记语言(XML)表述而作为平台无关的信息集成方式;将产品模型的XML表述作为输入,利用Web服务的发布、发现与共享机制来选用合适的Web服务而获取相关的领域知识,以对产品模型进行评估与优化.结果表明,所得数据可以在产品模型和Web服务之间进行交互与转换,可实现高效的知识共享.     

面向油田企业网的智能客户端系统应用研究

结合原油集输信息系统的开发,介绍了智能客户端技术及其在油田企业网中的应用.设计了一种新的智能客户端在线状态的应用模型.改进了面向服务的离线解决方案,提出了基于XML与Web服务的数据同步策略.运行结果表明系统的性能良好,响应时间和数据一致性均能满足实际应用需求.     

面向油田企业网的智能客户端系统应用研究

结合原油集输信息系统的开发，介绍了智能客户端技术及其在油田企业网中的应用。设计了一种新的智能客户端在线状态的应用模型。改进了面向服务的离线解决方案，提出了基于XML与Web服务的数据同步策略。运行结果表明系统的性能良好，响应时间和数据一致性均能满足实际应用需求。     

一种基于卷积神经网络的结构损伤检测方法

针对结构健康监测系统产生的海量数据难以高效分析的问题,采用了一种基于二维卷积神经网络的损伤识别检测方法,该方法直接将结构在外界激励作用下的加速度时程数据作为输入信息,通过卷积神经网络自动提取加速度数据中的隐含特征,识别结构的损伤.以板的损伤识别为例,给出了卷积神经网络损伤识别模型的输入数据格式、网络结构和训练方法,分析了卷积神经网络分别在不含噪声,含噪声5%、10%以及混合噪声情况下的损伤识别能力.测试结果显示这种基于加速度输入的卷积神经网络具有较高的损伤识别精度和抗噪能力,从而为结构健康监测系统数据分析和损伤识别提供了一种新的途径.     

基于深度神经网络-近似线性网络混合模型的电力系统状态估计方法

为提高电力系统实时状态估计的精度和计算效率,解决电网电压波动频发、潮流分布的不确定性剧增等问题,通过提出一种基于深度神经网络和近似线性网络模型的电力系统状态估计方法,研究了其在电网的应用。该方法将混合系统量测数据通过粒子滤波算法得到样本集,利用训练样本训练所提出的混合神经网络模型,最后将测试样本输入已建立的模型中获得系统状态的估计结果。通过IEEE118节点系统进行的负载数据仿真实验表明：基于混合神经网络模型的电力系统状态估计方法不仅能快速进行海量数据训练,还能有效避免过拟合;在实时状态估计的精度和计算效率方面相较于高斯-牛顿法均有提高。可见所提方法在电力系统实时状态估计方面具有一定的应用价值。     

基于深度学习的页岩储层总有机碳含量预测方法

页岩储层总有机碳（Total Organic Carbon,TOC ）含量的地震预测普遍采用密度回归拟合法,仅考虑了单因素的线性关系,预测结果误差较大。针对常规方法的不足,提出基于深度学习的TOC含量预测方法。首先,从测井资料中优选出与TOC含量曲线相关度相对较高的多个弹性参数曲线作为样本集输入数据,TOC含量曲线作为样本集输出数据,构建针对TOC含量预测的深度前馈神经网络模型;然后,调试网络模型结构,并利用共轭梯度法进行网络参数寻优;最后,将叠前振幅随偏移距变化（Amplitude Versus Offset,AVO ）反演得到的弹性参数数据体输入到深度前馈神经网络模型,预测得到最终的TOC含量数据体。通过四川盆地页岩储层实际测井、地震资料的应用,对比了该方法相对于常规回归拟合法的优越性,验证了方法的实用性和可行性,为页岩储层TOC含量预测提供了新思路。     

基于 KPCA-AGRU 神经网络的火电机组 NO x排放预测

针对火电机组锅炉燃烧过程中预测 NOx 排放过程存在的非线性和时序性特点,提出一种基于核主成分分析 (KPCA)和注意力机制(AM)的门控循环神经网络(GRU)氮氧化物预测模型。 首先选用 KPCA 对模型的输入变量 进行降维,消除冗余变量;其次,将筛选的变量数据作为 GRU 的输入,并采用网格搜索优化 GRU 的超参数;最后, 引入 AM 计算权值,实现区分输入特征功能,提高 NOx 预测模型精度。 通过某 330 MW 电站锅炉实际数据对 AGRU 预测模型仿真验证,并将 AGRU 模型、GRU 模型和 BP 神经网络模型的预测结果进行对比。 结果表明:基于 AGRU 的 NOx 预测模型的均方根误差和平均绝对误差较 BP 神经网络和 GRU 模型均有减少,可精准预测非线性时序燃 烧过程的 NO x 排放。     

基于深度神经网络的WiFi室内定位系统设计

针对地下停车场、地下矿井等用户场景定位服务的高精度需求,设计了一种基于WiFi信号的室内定位系统.系统的设计引入了深度神经网络算法,对WiFi指纹数据进行训练,得到一种室内定位模型.通过对UJIIndoorLoc数据进行实验仿真,结果表明,该室内定位模型的楼层定位准确率较传统机器学习模型提升约6%,位置定位精度较传统模型提升约7%.通过对实际应用场景进行测试,测试结果表明该室内定位模型的定位精度优于传统机器学习模型,提升约5%.     

基于神经网络的中文语音识别技术

研究一种基于神经网络的端到端中文语音识别算法.算法将语音信息处理为频谱图,基于频谱图,设计和实现一种基于卷积神经网络和循环神经网络的深度学习模型结构用于中文语音识别.模型以汉字作为标签样本,运用训练算法和序列损失函数进行模型迭代训练最终模型;采用开源数据集,通过实验验证网络结构对识别效果的影响,同时对比传统的语音识别算...     

基于深度学习的端到端乐谱音符识别

光学乐谱识别是音乐信息检索中一项重要技术,音符识别是乐谱识别及其关键的部分.针对目前乐谱图像音符识别精度低、步骤冗杂等问题,设计了基于深度学习的端到端音符识别模型.该模型利用深度卷积神经网络,以整张乐谱图像为输入,直接输出音符的时值和音高.在数据预处理上,通过解析Music XML文件获得模型训练所需的乐谱图像和对应的标签数据,标签数据是由音符音高、音符时值和音符坐标组成的向量,因此模型通过训练来学习标签向量将音符识别任务转化为检测、分类任务.之后添加噪声、随机裁剪等数据增强方法来增加数据的多样性,使得训练出的模型更加鲁棒;在模型设计上,基于darknet53基础网络和特征融合技术,设计端到端的目标检测模型来识别音符.用深度神经网络darknet53提取乐谱图像特征图,让该特征图上的音符有足够大的感受野,之后将神经网络上层特征图和该特征图进行拼接,完成特征融合使得音符有更明显的特征纹理,从而让模型能够检测到音符这类小物体.该模型采用多任务学习,同时学习音高、时值的分类任务和音符坐标的回归任务,提高了模型的泛化能力.最后在Muse Score生成的测试集上对该模型进行测试,音符识别精度高,可以达到0.96的时值准确率和0.98的音高准确率.     

交通信息标准条款BLSTM和CNN链式模型分类方法

为了有效获取交通运输信息标准中的一致性条款,简化标准测试方法,针对现有文本分类方法中卷积神经网络存在的缺少上下文含义和循环神经网络存在的梯度消失及梯度弥散等问题,提出一种基于BLSTM的文本增强表示方法和基于CNN网络的语句分类相结合的方法进行一致性条款分类.其核心思想是将BLSTM前向和后向过程产生的向量相加,然后与原文本向量拼接作为文本的向量表示,将文本向量作为CNN网络的输入进行文本分类.为验证所提模型的有效性,设置了与传统机器模型TF-IDF+SVM、单CNN、BLSTM神经网络模型及经典混合模型的对比试验.通过构造的交通运输信息标准条款数据集测试表明,基于改进的BLSTM和CNN的链式混合神经网络模型准确率达到93.77%.     

基于偏差补偿的T-S模糊神经网络

将T-S模糊神经网络应用于化工生产过程的软测量,并针对提高软测量精度的问题,提出了一种基于偏差补偿的改进型T-S模糊神经网络模型。将网络模型输出与样本输出比较后所得的偏差,作为校正网络的样本数据输出,以样本输入数据为输入,对校正网络进行训练,建立了关于偏差的模糊系统模型,将校正网络的输出对软测量系统模型的误差进行修正。经过实际测量,取得了较好的应用效果。     

基于5层体系结构的Web应用模型

目的针对Windows DNA开发3层Web应用的不足，提出一种5层体系结构的Web应用模型。方法基于ASP．NET组件技术。结果建立了一种基于ASP．NET组件技术的5层体系结构Web应用模型，并给出了安全层和数据访问层的实现方法。结论利用此Web模型实现的应用系统具有更好的安全性、灵活性、伸缩性和可维护性。     

开源Web自动化测试框架的改进研究

目前,Web应用“捕捉/回放”式测试复用率不高,而编写测试脚本的测试方法对测试人员的程序设计能力又有较高要求。针对这个问题,根据Web应用的特性提出了一套自动化测试框架的设计,并基于开源Web自动化测试工具Selenium为此框架设计了一套“私有语言”,即基于XML的数据驱动文件的解析规则,最后实现了基于此数据驱动文件的Web自动化测试框架。数据驱动文件描述了Web应用行为的多请求/响应的模型,清晰地定义了外部测试数据以避免数据“硬编码”的缺陷。利用此框架,测试人员仅仅通过编写XML数据驱动文件就能进行测试工程的开发,有效降低测试门槛,提高测试效率。     

基于近红外光谱特性分析的花生含水率检测

以花生检测国家标准GB/T 5497为基础，采用近红外光谱检测技术对花生含水率是否达标进行检测. 实验配制了30个不同含水率的花生样本，其中18个样本含水率达到国家标准，12个未达标，将样本分为训练集和测试集，通过近红外实验获取不同含水率的花生对不同波长光的吸收情况，将采集的数据作为BP神经网络的输入参数，在训练集对神经网络进行学习和训练，然后采用该模型，对测试集花生含水率是否达标进行测试. 实验表明，基于近红外光谱技术和神经网络的识别方法可全部正确识别测试集样本.