一种改进的无监督网络图词义消歧方法研究（英文）

词义消歧是一项根据上下文自动选择正确词义的任务,并且成为了计算语言学领域中最重要最有挑战性的难题之一,在各种自然语言处理应用程序中起了至关重要的作用。因此,为了提高词义消歧的准确率,提出一种改进的无监督网络图词义消歧方法。使用《知网》HowNet作为知识库,运用一种新的词语间高阶关系的相似性度量方法,来给图的边分配适当的权值。然后,使用中心度计算并且结合相邻词义,来选择最适合目标词的方法。在数据集Senseval-3中进行了具体测试。实验结果显示:提出的方法的准确率达到46.1%,优于相同测试集下其他无监督词义消歧方法。     

基于3D视觉的机械零件位姿分析

针对工业制造领域中存在的弱纹理或无纹理的机械零件位姿估计问题，以DenseFusion网络为基础，提出了一种基于3D视觉的机械零件位姿估计方法。首先，依照工业制造场景构建了用于网络训练和测试的机械零件仿真数据集；其次，使用目标零件分割出的深度图像构建点云，对其进行曲率下采样处理，提高关键点的质量；最后，将颜色特征、点云特征和法线特征融合，使用融合特征回归目标零件的6D位姿。在构建的机械零件仿真数据集和LineMod公共数据集进行了实验和比较，其结果表明了所提出的方法相较于同类其他方法具有更高的准确率，更好的收敛性能，对于弱纹理或无纹理的机械零件有较好的位姿估计效果。     

基于声发射与关键帧选择的LSP表面硬度监测

目的 提高激光冲击强化(Laser Shock Peening,LSP)表面硬度的在线检测能力,探究声发射信号关键帧对LSP表面硬度分类识别性能的影响。方法 在LSP处理期间声发射弹性波(Acoustic Emission,AE)具有与材料内部晶格位错和塑性变形密切相关的动态信息,是激光冲击强化在线监测的一种极具潜力的手段。但其高采样频率导致大量的实时计算,对在线监测技术的工业应用提出了巨大的挑战。为解决这一问题,提出了注意力权重统计方法获取激光冲击强化过程中声发射信号的关键帧。结果 四通道传感器各自的关键帧信号长度相比原始信号的有效长度均大幅度减少,最大可减少83.74%,相比原始数据每一轮测试(350个冲击样本),最大可减少57.37%的测试时间。关键帧信号的模型识别准确率最高可达到97.04%,相比原始数据集提升了2.93%。结论 与原始声发射信号相比,关键帧信号得到了更高的测试准确率,同时有效地减少了数据量。基于关键帧数据集的最高准确率和最短测试时间,评价了4种不同传感器中信号采集的最佳传感器,其结果可作为LSP质量监测领域的参考。     

基于相关与时耗复合维归约的弧焊电源动特性自适应在线监测

提出了相关与时耗复合维归约方法,可实现多种弧焊电源动特性自适应在线监测.其核心思想是从一个大的特征库中选择出最贴近监测对象的若干特征.该方法充分考虑特征间的相关性,以及在线监测的时效性.搭建了较为完善的焊接试验数据采集平台,共采集189次焊接过程的电压电流数据作为样本,并以人工评定结果作为文中维归约方法教师信号,即类的标签.随机选择150个样本组成训练集,剩余39个组成测试集.运用文中维归约方法的寻找最优的特征子集.结果表明,找到的最优特征子集的自动化评定准确率达97.435 9%,接近应用要求.     

基于CLPSO-IDBN的风电机组轴承故障诊断

针对风电机组轴承故障诊断时的数据特征复杂难以提取，故障诊断准确率低，耗费时间长等问题，提出一种综合型学习粒子群算法(comprehensive learning particle swarm optimization, CLPSO)与改进深度置信网络(improved deep belief network, IDBN)相结合的故障诊断方法。首先在DBN内部添加了迭代误差阈值优化策略构建IDBN,大大减少了训练时间；然后利用CLPSO算法优选IDBN网络结构，运用具有最优结构的IDBN模型从原始信号中提取故障特征，识别轴承的故障类型。仿真实验结果表明，CLPSO-IDBN算法模型具有更高的准确率以及在相同情况时更少的训练时间，在训练集和测试集上的诊断准确率分别达到了98.28%与97%,并且可以平均节省约30%的训练时间，与4种其他方法相比较，证实了新方法的有效性与准确性。     

基于卷积神经网络与虚拟训练集的零件识别

针对工业环境中零件识别效率低,准确率不高以及难以获取大量训练集的问题,对基于深度学习的零件识别进行了研究,提出一种基于卷积神经网络与虚拟训练集的零件识别方法。首先,通过OpenSceneGraph(OSG)在虚拟场景内渲染大量深度图像训练集;然后,构建了两种不同深度与结构的卷积神经网络模型并使用虚拟深度图像进行训练;最后,使用深度相机采集零件真实深度图像对网络模型进行测试并选择适合的零件分类模型。结果表明,该方法使用虚拟训练集训练,实现了对真实零件的精准识别,使用深度图像对于零件反光和少纹理情况具有一定的鲁棒性,为工业自动化分拣装配提供稳定的信息基础。     

多尺度加权CEEMD-1DCNN旋转机械故障诊断

旋转机械振动信号具有较强的非线性、非平稳性的特点，互补集合经验模态分解（CEEMD）克服了传统EEMD的缺陷，提供了对信号从粗到精不同尺度的刻画。针对不同尺度对故障特性描述的差异，提出一种基于多尺度加权CEEMD的一维卷积神经网络（1DCNN）故障诊断方法。利用互补集合经验模态将振动信号分解成一系列本征模态函数（IMFs），然后求取各个IMF分量的峭度值，计算各分量峭度所占权重，根据各个分量权重值对信号进行重构。将数据样本划分为训练集、验证集和测试集，将训练集输入到一维卷积神经网络中学习更新网络参数，然后用验证集进行验证得到最优诊断模型，最后利用测试集对诊断模型进行测试。通过电机轴承数据集和齿轮箱数据集两组实验进行了模型验证，诊断精度分别为99.98%和99.73%，表明所提方法能够快速准确地诊断出不同故障类型，并且具有较高的故障诊断准确率和鲁棒性。     

基于改进VGG13的冲压件表面缺陷识别方法研究

针对现有冲压件制品缺陷检测方法准确率低的问题,分析深度学习的原理与方法,以VGG13网络为基准模型,通过在特征提取层之后增加CBAM模块进行改进,提出5种基于VGG13与CBAM注意力机制模块相结合的网络模型（VGG13-CBAM）,将改进后的新模型与改进前原VGG13模型分别在武汉某制造车间采集的冲压件缺陷数据集上进行实验研究。将数据集以6∶2∶2划分为训练集、验证集、测试集,并使用数据增强进一步扩充训练集,增加模型泛化性能,对比数据增强前后效果的提升。实验结果表明：在改进后的VGG13-CBAM03网络与VGG13-CBAM04网络上效果明显提升,测试集正确率由79.65%分别提高到了81.55%和81.40%,在使用数据增强对训练集进行扩充后,测试集正确率分别达到84.25%和84.15%,有效提升了冲压件缺陷检测准确率。     

融合空间和通道特征的等离子弧焊熔池熔透状态预测方法

为了提高等离子弧焊熔池熔透状态预测的准确率,满足工业应用的需求,提出了一种融合图像空间和通道特征的熔池熔透状态预测模型PCSCNet.在该模型中对残差网络(residual network, ResNet50)结构进行改造,并融入压缩和激励网络来同时提取熔池正面图像的空间和通道特征信息.采用恒定电流等离子弧焊试验的数据集进行测试,建立了熔池正面图像与熔池熔透状态的对应关系.结果表明,模型预测准确率提升到95%以上.采用GradCAM方法对模型进行可视化,分析并揭示了模型预测的聚焦区域,与实际熔池的图像特征进行对比,验证了模型的合理性.     

基于深度神经网络的粗糙度分类检测

现有的机器视觉测量表面粗糙度的方法依赖于特征提取来量化表面形态并建立预测模型,并且图片样本采集时高度依赖光源环境和拍摄角度。提出利用Swin-Transformer模型直接从表面纹理的数字图像中评估表面粗糙度并进行分类,避免了特征提取。实验中采用了不同的光源亮度和不同的角度进行拍摄,旨在模拟工业生产在线检测的环境。实验分类结果表明该方法对光源和拍摄角度具有良好的鲁棒性,测试集样本准确率可达97.54%。     

Word sense disambiguation in evolutionary manner

The task of assigning proper meaning to an ambiguous word in a particular context is termed word sense disambiguation (WSD). We propose a genetic algorithm, improved by local search techniques, to maximise the overall semantic similarity or relatedness of a given text. Local search is used because of the inefficiency of population-based algorithms (e.g. genetic algorithm) in exploiting the search space. Firstly, the proposed method assigns all potential senses for each word using a WordNet sense inventory. Then, the improved genetic algorithm is applied to determine a coherent set of senses that carries maximum similarity or relatedness score based on information content and gloss overlap methods, namely extended Lesk algorithm and Jiang and Conrath (jcn). The obtained results outperformed other unsupervised methods, which are related to the proposed method, when tested on the same benchmark dataset. It can be concluded that the proposed method is an effective solution for unsupervised WSD.     

基于无监督深度学习的声发射信号聚类分析

为提高声发射信号检测诊断的自动化程度,直接从声发射波形出发,提出了一种基于深度神经网络与聚类分析的声发射信号分类方法。针对声发射信号标签数据难以获取的问题,采用无监督学习方式,根据大量声发射实测波形进行深度一维卷积自编码器训练,实现了声发射信号特征的自动提取,进而结合K均值聚类算法准确区分不同类型的声发射信号。铅芯在复合材料板上突然断裂和摩擦的声发射试验表明,提出的方法能自动识别不同类别的声发射信号,识别效果优于基于人为设定声发射信号特征的聚类方法。     

基于Android平台的人脸跟踪系统设计与实现

针对现阶段大多数Android平台下人脸检测与跟踪系统精度不高的问题，设计了一种基于Android平台的无监督人脸目标检测与跟踪系统来解决这个问题。该系统采用基于粒子滤波和背景减除的方法，能够在无先验知识的情况下自动探测和跟踪视频监控序列中移动人脸目标。采用 VC+〖KG-*2〗+和Open CV对该方法进行了具体实现，并介绍了开发环境搭建，最后成功移植到Android平台上。实验测试结果表明，该方法可以成功地检测并跟踪人脸目标。与其他方法进行比较，提出的方法的实时性和稳健性能更高，即跟踪效果更好。     

Modeling system error in batch machining based on genetic algorithms

During batch machining under a static cutting-tool setting, machining errors of workpieces always have an ascending trend with the order of workpieces. Here the error trend is called the system error in batch machining. To compensate for the machining system error and enhance machining accuracy, modeling the system error is the key process. This paper first analyses several popular modeling methods and identifies their deficiencies when used in system error modeling. Subsequently, a new method of system error modeling based on Genetic Algorithms (GA) is introduced. Finally, a real-life application example using the new method and a comparison with other modeling methods are given, which indicate that the proposed GA based method is good. The paper also points out the essence that the proposed modeling method is a polynomial regression one in a broad sense, and is useful in the modeling of non-uniform error series.     

基于视觉注意机制的射线图像缺陷检测方法

针对铸件、焊缝等缺陷在复杂背景射线图像中提取准确度较低的情况,提出一种基于视觉注意机制的射线图像缺陷检测方法。根据缺陷的不同性质,将射线图像按照区域或者线段划分成若干子区域;通过模拟视觉注意机制,利用中央-周边差算子分割出可疑区域;设置显著性阈值排除图像其他部分的干扰,并极大减少了算法处理量,然后以阈值法即可准确提取出各类缺陷。实验结果表明:该方法可在复杂背景下的射线图像中准确高效提取出缺陷,准确率可达94.6%,且适应性强、通用性好。     

基于实时气象信息的智能衣架伸缩控制研究

为了提高无人状态下智能衣架自动晾晒和回收衣物的稳定性和准确性,提出一种新的基于实时气象信息的智能衣架伸缩控制方法。介绍了智能衣架工作原理。通过NHZD10光照传感器对光照情况进行感知,通过雨量传感器对雨水进行检测,给出光照和雨量传感器参数。驱动部分选用L298N电机驱动模块,当集成运放输出高电平时,电机驱动模块驱动改进粒子群前馈PID控制器,实现对智能衣架伸缩的控制。分析了前馈PID控制器的控制原理,介绍了粒子群算法,针对其早熟收敛的弊端对其进行调整,通过改进粒子群方法获取最优PID控制参数,提高控制精度,给出改进粒子群前馈PID控制器。实验结果表明：所提方法控制精度和稳定性高,抗参数失配能力强。     

堆叠稀疏自编码深度神经网络算法及其在滚动轴承故障诊断中的应用

针对目前机械设备故障数据量大、多样性且主要采用监督式学习提取故障特征的现状，提出一种堆叠稀疏自编码深度神经网络，实现无监督学习提取振动信号内在特征，并用于滚动轴承故障诊断。将频谱包络线作为低层输入逐层训练网络，获取故障特征表达，输入Softmax分类器实现故障分类；通过优化算法对整个深度神经网络进行微调，提高分类精度。滚动轴承故障诊断实验结果表明：所提出的深度神经网络能更准确地实现故障诊断，且在保证准确率的同时将频谱包络线作为低层输入，能够提高计算效率     

基于遗传神经网络的直线伺服系统定位误差补偿

针对数控直线伺服系统的定位误差补偿,采用激光干涉仪测量工作台的定位误差,建立基于RBF算法的神经网络误差模型.提出遗传算法的训练方案优化RBF的网络参数,为了评价优化后RBF网络预测的精度,运用部分误差样本进行训练和仿真.构建了以DSP为核心的直线电机定位误差实验平台,根据误差校正值进行误差实时补偿实验.仿真和实验结果表明:经过遗传算法训练的神经网络模型对工作台的误差具有良好的学习能力和泛化能力,工作台定位精度显著提高.     

基于改进邻域粗糙集与S_Kohonen神经网络的滚动轴承故障诊断研究

针对现有滚动轴承故障诊断技术中,存在输入属性冗余过多、故障识别率不高等缺点,提出了基于改进邻域粗糙集与S_Kohonen神经网络的故障诊断方法。由于传感器采集的故障信息大多为数值型数据且数据维数较大,文中引入邻域粗糙集理论并对基于邻域粗糙集的经典前向贪心算法进行改进,利用改进算法约简故障数据,大大减小了算法复杂度;对Kohonen神经网络进行改进,在其原有结构基础上添加输出层构成S_Kohonen神经网络,使其输出类别满足给定分类要求;分别采用前向贪心算法、改进算法约简故障数据,将约简前、后的故障数据分别输入S_Kohonen神经网络、BP神经网络识别滚动轴承故障状态,试验结果证明邻域粗糙集可有效消除属性之间的重复信息,改进算法提取故障属性信息更能反映故障状态的本质,S_Kohonen神经网络具有良好的故障识别能力,两者配合使用,改进邻域粗糙集——S_Kohonen神经网络模型具有很好的故障诊断能力。