基于量子神经网络的模拟电路的软故障诊断

提出了基于小渡与量子神经网络的客差模拟电路的软故障诊断方法,它能将故障的不确定性数据合理地分配到各类中,从而减少故障检测的不确定度,提高故障检测的诊断率,克服了BP在模糊分类方面的局限性.通过实验,采用QNN与白适应BP神经网络相比,故障诊断率可提高11.11%.     

基于量子神经网络的容差模拟电路的软故障诊断

给出了容差模拟电路软故障诊断的量子神经网络方法,将传统的模拟电路故障诊断方法与量子神经网络结合起来,多层激励函数的量子神经网络不仅具有BP网络所有的优点,还克服了BP网络在模糊分类方面的缺点,即利用量子神经网络对其输入的容错能力在一定程度上克服了模拟元件的参数容差的影响,模拟电路故障的复杂性及广泛非线性也能利用量子神经网络的非线性映射能力加以解决,同时还可对模糊数据进行模糊分类;通过应用量子神经网络,实现了容差模拟电路单软、多软软故障的诊断。     

基于LatLRR与NSP分解的红外与可见光图像融合北大核心CSCD

针对现有红外与可见光图像融合过程中存在的图像对比度低、红外特征不明显等问题,提出了一种基于非采样金字塔滤波(Nonsubsampled Pyramid,NSP)与潜在低秩表示(Latent Low Rank Representation,LatLRR)分解的红外与可见光图像融合算法。首先,对红外与可见光图像进行分解,采用NSP分解提取源图像的低频信息,LatLRR分解提取源图像的局部结构信息;其次,根据红外低频信息与可见光低频信息的特征及融合结果图像中低频分量占比,利用红外像素强度权重调控策略完成对低频信息的融合,同时,为使红外与可见光的局部结构信息在融合时保持均衡,使用基于像素灰度值求和的策略进行1∶1融合;最后,图像重构中引入非线性变换思想,使局部结构信息与低频信息有更加完美的契合。实验结果表明,融合结果图像在极大保留红外特征的同时又能兼顾可见光图像中的细节信息,该算法能够对红外与可见光图像进行有效融合。     

基于学习的图像超分辨重建方法综述

全面综述了基于学习的单帧图像超分辨重建技术的研究与发展。基于学习的单帧图像超分辨重建借助机器学习技术,通过学习低分辨与高分辨图像之间的映射关系估计低分辨图像中丢失的高频细节,以获得边缘清晰、纹理细节丰富的高质量图像。根据超分辨重建过程中实例样本使用方式和学习算法的不同,已有基于学习的超分辨重建方法可分为五种类型,包括基于[k]近邻学习的方法、基于流形学习的方法、基于字典学习的方法、基于实例多线性回归的方法和基于深度学习的方法。对每类方法的主要思想和具有代表性的方法进行了详细介绍,对六种具有代表性的基于学习的超分辨重建方法的重建结果进行了比较和分析。最后,对基于学习的超分辨重建技术的未来发展趋势进行了展望。     

智能电液执行机构控制器的设计

针对具有新型阀门的电液执行机构,设计了以单片机ATmega16L为控制和接收远程控制信号的核心部件,有效地实现了阀门控制、实时显示阀位、阀门状态监测、故障诊断、失效保护及给定值无扰动切换的软件判定等多种功能.     

一种诊断容差模拟电路软故障的新方法

提出了基于Pspice、小波包与量子神经网络的容差模拟电路的单软、多软软故障诊断,这种方法能克服BP在模糊分类方面的局限性。通过实验,采用QNN与自适应BP神经网络相比,故障诊断率得到了提高。     

谈场逆程资源的开发利用

谈场逆程资源的开发利用□李云红王向武（河北唐山有线电视台０６３０００）１引言在我国现行的电视标准中，一幅画面由两场组成，共计６２５行。而其中用于传送画面和场同步、场均衡等不可缺少的信息占５９３行，其余在场消隐期仍有３２行的时间可供利用。国外对此早有研...     

建筑铝材表面处理及其性能研究

选用建筑铝材6063-T6作为基体,分别采用硬质阳极氧化和草酸阳极氧化进行表面处理.比较了未处理及处理后试样的微观形貌、物相、显微硬度、耐磨性能和耐蚀性能,结果表明:硬质阳极氧化和草酸阳极氧化处理后铝材的微观形貌和表面粗糙度与未处理铝材相比有所不同,硬质氧化膜与草酸氧化膜相比较为平整致密.未处理铝材的表面成分以Al元素为主,主要物相为Al相,处理后铝材的表面成分以Al和O元素为主,主要物相为Al相、α-Al2O3相和γ-Al2O3相.硬质阳极氧化和草酸阳极氧化处理后铝材的显微硬度较未处理铝材分别提高了约274 HV、191 HV,摩擦系数明显减小,耐蚀性能有较大程度提高.硬质阳极氧化是提高建筑铝材表面性能的有效措施,在提高建筑铝材的耐蚀性能方面,草酸阳极氧化替代硬质阳极氧化具有可行性.     

基于激光诱导击穿光谱技术的煤灰分特征研究

灰分是衡量煤炭质量优劣的关键指标,是衡量煤矿和选煤厂煤炭产品质量的主要指标之一。针对传统煤灰分含量识别效率低、煤样本质量不高的问题,本文基于粒子群优化算法(PSO)和BP神经网络,提出了基于粒子群神经网络的煤炭灰分预测模型。目的是快速识别出煤炭产品中灰分的含量,为煤炭开采提供技术支撑。研究选取了180个标准煤粉样品,1～140号样本数据用于训练集,141～180号样本数据作为测试集。应用PSO BP模型对煤炭灰分特性进行了研究,仿真结果表明:优化后的6维BP神经网络模型,决定系数R2为088501越接近1,表明建立的PSO BP模型具有较好的预测性能,灰分预测值与灰分真值无限逼近。进而表明所构建的灰分预测模型具有较高的预测精度,提升了模型的泛化能力和预测精度,为后续的LIBS术应用于煤炭检测提供一定的理论依据。