基于流形正则化域适应随机权神经网络的湿式球磨机负荷参数软测量

针对湿式球磨机多工况运行过程中标签样本难以获取和工况改变导致的原测量模型失准问题,本文引入域适应随机权神经网络（Domain adaptive random weight neural network,DARWNN）,实现待测工况中少量标签样本与原工况样本共同进行迁移学习.DARWNN网络解决了不同工况间难以共同进行机器学习的问题,但其只考虑经验风险,而未考虑结构风险,从而泛化性能较差,预测精度较低.在此基础上,本文引入流形正则化,并构建基于流形正则化的域适应随机权神经网络（Domain adaptive manifold regularization random weight neural network,DAMRRWNN）,以保持数据几何结构,提高相应模型性能.实验结果表明,所提方法可以有效提高DARWNN的学习精度,解决多工况情况下湿式球磨机负荷参数软测量问题.     

基于流形结构的多源自适应迁移学习算法及应用研究

迁移学习是将源域的知识迁移解决目标域问题的方法,能有效解决数据分布不一致的问题.针对多源域迁移时传统方法缺乏对多源域的可迁移性的合理分析和迁移效果的有效处理问题,提出一种基于流形结构的多源自适应迁移学习的方法,旨在提高单源域迁移效果的同时实现多源域的有效迁移.首先,对多源域进行可迁移性分析,选择可迁移的源域;然后,适配边缘分布和条件分布并引入均衡因子得到均衡分布适配,同时利用流形正则化约束数据结构,使单源域的信息使用最大化;最后,通过加权因子对不同源域分类器进行自适应加权,充分利用多源域的信息求解目标域问题.将该算法应用于滚磨光整加工中滚抛磨块的优选,通过建立滚抛磨块的相似度匹配方法,构建基于流形结构的多源自适应迁移学习的滚抛磨块优选模型.大量对比实验表明所提出方法表现更佳,准确率最高至73.44%,可以为滚磨光整中滚抛磨块的选择提供更有效的决策指导.     

融合动态残差的多源域自适应算法研究

多源域自适应问题通常是指拥有多个源域与单个目标域的场景。常见做法是依据域标签两两对齐源域与目标域分布,通过减小域间距离,将分布映射到共同隐空间内,去预测未知目标域的数据分类。源数据集通常需要域标签,且模型在经过训练阶段后,参数固定,这就很难达到拟合未知目标域分布的目的。基于动态残差块的多源域自适应算法不是从域的角度而是从数据自身特征映射生成神经网络参数,不需要域标签,将多源域自适应问题转化为单源域问题。而且动态残差块能够跨阶段的根据输入数据特征改变网络参数,更好地让网络参数拟合未经训练的目标域数据分布,简化了多源域自适应的模型设计复杂程度,减少了数据准备工作量。实验结果表明,在模型中引入动态残差块,与静态模型相比准确率提高了8.1%,同时也节约了模型运行的时间和空间。     

基于动态卷积多层域自适应的轴承故障诊断

现有基于深度学习的轴承故障诊断方法对数据具有一定的依赖性,要求训练数据与测试数据具有相同的分布。在变工况的条件下,网络模型的故障诊断精度会因数据分布发生变化而下降。为保证网络模型能够在变工况条件下对轴承的健康状态进行准确识别,基于无监督域自适应理论,提出一种新颖的智能故障诊断网络模型——动态卷积多层域自适应网络。该网络一方面充分利用动态卷积强有力的特征提取能力,提取更多有效的故障特征;另一方面采用相关对齐实施非线性变换,同时对齐多层故障特征分布的二阶统计量,促进源域的诊断知识向目标域迁移,提高了模型在目标域无故障标签条件下的故障识别准确率。最后,在两个数据集共14个迁移任务下进行实验,实验结果表明,动态卷积多层域自适应网络能够实现较高的故障诊断识别精度。     

面向旋转机械故障诊断的深度流形迁移学习

深度学习因强大的特征提取能力已逐渐成为旋转机械故障诊断的主要方法。但深层模型缺乏领域适应能力,工况变化时性能衰退严重。迁移学习为解决变工况诊断问题提供新的途径。然而现有深度迁移学习方法大多仅对齐不同领域分布的均值中心,未考虑特征分布的流形结构,其适配性能仍难以应对不同工况复杂的机械故障信号。针对该问题,提出一种深度流形迁移学习方法,以堆叠自编码器为框架,在无监督预训练阶段同时利用源域和目标域样本训练,充分挖掘数据本质特征;针对模型微调,提出流行迁移框架,在适配分布差异同时还保持领域间特征分布结构的一致性。将新方法与现有迁移学习方法在旋转机械故障诊断案例进行充分的比较实验,结果表明,新方法优于现有方法,能显著提高变工况故障诊断精度。通过有效性分析在机理上进一步证明了融合目标域数据的无监督预训练策略和流形迁移微调策略对提高变工况故障诊断的有效性。     

基于低秩表示判别域适应的多中心自闭症诊断

自闭症的诊断主要依靠患者的病史与临床症状表现,尚缺乏客观的评价指标,因此挖掘与疾病相关的生物标记,对于实现自闭症的早期识别与干预至关重要。尽管多中心脑影像数据增加了样本数量并提高了数据的统计能力,有助于提高自闭症的诊断性能,但目前的研究常受到数据异质性的困扰。为此本文提出基于低秩表示判别域适应的诊断模型,实现对多中心自闭症的预测分析。首先将源域数据和目标域数据映射到公共空间,并在空间用目标域数据对源域数据进行重新表示,从而降低源域和目标域之间的分布差异;其次通过学习正交重构矩阵使得源域数据在公共空间中的表示能够保留主要能量,从而适合于随后的学习任务;最后使用源域数据的标签信息将分类损失整合到训练过程中,从而保证公共空间表示的判别能力。为了求解所提出的模型,提出了基于交替方向乘子算法的优化策略。实验结果表明,该模型能够降低多中心数据分布差异,实现知识的有效迁移,从而提高多中心自闭症的诊断性能。     

基于深度时序特征迁移的轴承剩余寿命预测方法

不同工况下轴承退化数据分布不一致导致深度学习等方法对剩余寿命预测效果有限,而已有迁移学习预测方法未能充分挖掘不同工况退化序列的内在趋势性,为此,提出一种基于深度时序特征迁移的轴承剩余寿命预测方法.首先,提出一种深度时序特征融合的健康指标构建模型,利用时间卷积网络挖掘退化趋势的内在时序特征,得到源域多轴承的健康指标;然后,提出一种最小化序列相似度的领域自适应算法,利用源域健康指标作为退化趋势元信息,选取目标域与源域之间的公共敏感特征;最后,采用支持向量机构建预测模型.在IEEE PHM Challenge 2012 轴承全寿命数据集上进行实验,结果表明,所提出方法构建的健康指标可更有效地反映退化趋势,同时明显提升剩余寿命预测的准确度.     

多源域混淆的双流深度迁移学习

目的 针对深度学习严重依赖大样本的问题,提出多源域混淆的双流深度迁移学习方法,提升了传统深度迁移学习中迁移特征的适用性。方法 采用多源域的迁移策略,增大源域对目标域迁移特征的覆盖率。提出两阶段适配学习的方法,获得域不变的深层特征表示和域间分类器相似的识别结果,将自然光图像2维特征和深度图像3维特征进行融合,提高小样本数据特征维度的同时抑制了复杂背景对目标识别的干扰。此外,为改善小样本机器学习中分类器的识别性能,在传统的softmax损失中引入中心损失,增强分类损失函数的惩罚监督能力。结果 在公开的少量手势样本数据集上进行对比实验,结果表明,相对于传统的识别模型和迁移模型,基于本文模型进行识别准确率更高,在以DenseNet-169为预训练网络的模型中,识别率达到了97.17%。结论 利用多源域数据集、两阶段适配学习、双流卷积融合以及复合损失函数,构建了多源域混淆的双流深度迁移学习模型。所提模型可增大源域和目标域的数据分布匹配率、丰富目标样本特征维度、提升损失函数的监督性能,改进任意小样本场景迁移特征的适用性。     

基于迁移子空间学习的偏最小二乘回归软测量方法

针对流程工业中工况改变易导致当前样本与历史样本分布失配,传统软测量模型失准的问题,考虑工业数据时序性、动态性以及存在过程漂移等特性对建模的影响,提出一种基于迁移子空间学习的偏最小二乘回归软测量方法.首先,回归框架采用非线性迭代偏最小二乘方法,对其求解映射向量的目标函数施加基于子空间重构的域适应正则项,映射过程中保证当前工况中每个样本能够被历史工况样本线性重构.在此基础上对重构矩阵施加低秩稀疏约束,保持数据结构的同时使重构矩阵具备块状结构以应对过程漂移特性.将所提出方法在1个数值案例和3个不同的多工况数据集中进行实验,并与现有域适应回归方法进行对比分析.实验表明,所提出方法能够有效提高模型在跨工况条件下的预测精度,减少工况间数据分布差异对模型性能的影响.     

基于跨域流形正则化特征域适应的浮选工况识别

针对浮选过程的故障工况信息不足难以建立准确识别模型,导致调整浮选生产工况不及时,从而无法正常稳定运行的问题,提出一种基于跨域流形正则化特征域适应方法.该方法将已有相似完备浮选过程积累的丰富工况信息作为源域迁移至未建模的不完备浮选过程的目标域中,首先,通过最大域内类密度和局部流形正则化约束分别保留原始判别信息和维持域内邻域结构信息不变,从而提取完备工况与不完备工况域间的特征并投影至公共子空间;然后,由最大均值差异缩小源域与目标域间分布差异,建立分类识别模型,再结合D-S证据理论,融合浮选过程泡沫的静态特征与动态特征信息,提高对不完备浮选过程工况识别的泛化能力,保证得到较好的识别分类效果;最后,通过仿真实验验证所提出方法的有效性.     

基于深度迁移自编码器的变工况下滚动轴承故障诊断方法

在实际工业场景下的轴承故障诊断,存在轴承故障样本不足,训练样本与实际信号样本存在分布差异的问题;文章提出一种新的基于深度迁移自编码器的故障诊断方法FS-DTAE,应用于不同工况下的轴承故障诊断;该方法首先采用小波包变换进行信号处理与特征提取;其次,采用提出的基于朴素贝叶斯与域间差异的特征选取(FSBD)方法对统计特征进行评估,选取更有利于跨域故障诊断和迁移学习的特征;然后,利用源域特征数据训练深度自编码器,将训练得到的模型参数迁移至目标域,再利用目标域正常状态样本对深度迁移自编码器模型进行微调,微调后的模型用于目标域无标签特征数据的故障分类;最后,基于CWRU轴承故障数据开展不同工况下故障诊断实验,结果表明,所提出的FS-DTAE方法能够有效提高不同工况下的故障诊断准确率。     

改进顶点聚类方法的并行核外模型简化算法

面向大型网格模型的简化问题,提出了一种基于顶点聚类方法采用多数据流策略的并行核外模型简化算法。算法首先将传统顶点聚类简化算法中的代表点计算方法改进为顶点筛选方法,进而设计了一种适用于分布式计算环境的数据外存储策略,最后采用多数据流的思想改进单元筛选与顶点筛选两个方法的执行过程,从而形成完整的并行核外模型简化算法。实验结果表明,该算法有效避免了基于区域分解的并行算法对模型结构的破坏,提高了模型简化的质量;相比于多种现有的并行算法,该算法极大程度优化了并行资源的负载分配问题,具备更为理想的加速比和并行效率。     

基于图卷积网络的迁移学习轴承服役故障诊断

深度学习方法被广泛应用于轴承故障诊断,但在实际工程应用中,轴承服役期间的真实服役故障数据不易收集,缺乏数据标签,难以进行充分的训练。针对轴承服役故障诊断困难的问题,提出了一种基于图卷积网络（GCN）的迁移学习轴承服役故障诊断模型。该模型从数据充足的人工模拟损伤故障数据中学习故障知识,并迁移到真实的服役故障上,以提高服役故障的诊断准确率。具体来说,通过将人工模拟损伤故障数据和服役故障数据的原始振动信号由小波变换转换为同时具有时间和频率信息的时频图,并将得到的时频图输入到图卷积层中进行学习,从而有效地提取源域和目标域的故障特征表示;然后计算源域和目标域的数据分布之间的Wasserstein距离来度量两个数据分布之间的差异,通过最小化数据分布差异,构建了一个能诊断轴承服役故障的故障诊断模型。在不同的轴承故障数据集和不同工作条件下设计了多种不同的任务进行实验,实验结果表明,该模型具有诊断轴承服役故障的能力,同时也能从一个工作条件迁移到另一工作条件,在不同组件类型和不同工作条件之间进行故障诊断。     

基于信息融合与CNN的齿轮箱故障诊断方法

齿轮箱在实际生产中面临复杂多变的工况,其部件的故障特征随工况发生改变,常规方法在变工况下难以有效识别故障。针对该问题,提出一种基于信息融合和卷积神经网络(IFCNN)的故障诊断方法。IFCNN使用多传感器信息融合和多域特征融合改进卷积神经网络(CNN),首先将不同位置的加速度传感器采集到的振动信号转换成频域、时频域信息,将来自不同传感器的信息融合,然后用CNN对故障信号的频域、时频域信息分别进行特征提取和多域特征融合,结合注意力机制选择重要特征进行故障分类。多组实验结果表明,IFCNN在变工况场景下,可有效提取齿轮箱振动信号的故障特征,12组变工况实验平均识别准确率为98.38%,明显高于所提出的对比方法。     

基于被动微波与时空联合算法的云下像元LST重建

地表温度作为衡量地球表面水热平衡的关键参数,具有两大时空分布特征:第一,空间分布一致性,即属性相近的像元地表温度与其地表亮温间的相关关系相对稳定;第二,时间序列周期性,且同一地区时间越接近地表温度值越相似。基于这两大特征将空间统计模型与时间序列滤波相结合,提出了用于云下像元地表温度重建的时空联合算法。以2008年MODIS地表温度产品为研究对象,采用Landsat TM数据和AMSR_E地表亮温数据重建中国9个省份的地表温度值,并与基于MODIS地表分类产品的多通道统计模型重建结果进行对比。实验结果表明,所提算法实用性强,能有效实现大面积复杂下垫面区域的地表温度重建;平均重建误差约为1.2 K,相较于基于下垫面分类的多通道统计模型下降了76%,算法精度明显提高。
     

基于天基信息系统的数据分发技术研究

针对在天基多域信息系统中，各类电子设备不断增加和推陈出新，进而使得天基多域信息系统中数据量更大、数据类型更多、数据复杂性更高的特点，对数据分发服务（DDS）技术进行研究，提出了一种应用在天基多域信息系统网关上的基于国产操作系统的数据分发服务实现技术；基于PowerPC P1022平台，完成国产化自主可控嵌入式操作系统风云翼辉（AIC-OS）嵌入式操作系统的移植适配，同时联合VxWorks、Windows平台，搭建起一套基于DDS技术的天基多域信息分发系统；之后针对天地网络一体化通信的背景需求，分别对本系统的联通性、可靠性、在线感知能力、通信时延等多方面能力进行实验测试；实验结果表明，可以有效实现天基多域信息系统的互联互通，实现数据在不同用户间的发布和订阅。     

基于多Agent技术的多运营终端自适应负载均衡算法

当前网络用户数量、多运营终端节点数量增长趋势明显,导致网络计算资源很难达到均衡状态。提出基于多Agent技术的多运营终端自适应负载均衡算法。定义多运营终端负载状态,采集多运营终端负载信息,并量化处理负载信息。以此为基础,搭建Agent负载均衡结构,引入多Agent技术,结合多运营终端节点工作特点,构建网络资源模型,设计...     

有源电光调制式高功率瞬态电场传感器的研制

瞬态电场防护及应用技术的研究离不开瞬态电场测试系统;文中基于有源电光调制法,研制了一种高功率瞬态电场传感器;通过建立该传感器的等效电路模型,并借助CST仿真建模,分别从频域和时域角度分析了传感器的接收特性,并得到了一致的结果;最后利用脉冲噪声模拟器和吉赫兹横电磁波小室对研制的传感器性能进行了测试;结果表明:接收天线为单极子天线,天线负载采用高阻时响应电压与被测电场场强成正比;研制的传感器带宽为10kHz～314MHz,可用于纳秒级高功率瞬态电场的时域测试。