排序方式: 共有130条查询结果,搜索用时 15 毫秒
71.
为了系统揭示流域水资源管理研究的现状、趋势和热点,以Web of Science数据库收录的关于流域水资源管理研究的论文为数据源,利用美国汤森路透公司的数据分析工具TDA,对全世界流域水资源管理研究的论文进行计量分析。结果表明:流域水资源管理研究的论文数量呈稳步增长态势,1991年以后的论文数量增加迅速;美国、中国、澳大利亚和欧洲国家的论文数量比较多,这些国家在此领域的研究比较活跃;2002年是国际流域水资源管理研究的转折年,之前的研究主题比较分散,之后的研究主题比较集中。 相似文献
72.
图像通用盲检测技术主要通过机器学习实现,隐写分析特征直接决定了盲检测技术的性能。基于图像信源在多尺度和多方向性的统计特性,文章将Contourlet变换与隐写分析相结合提出一种盲检测方法。首先通过分析不同内容的图像细节分量隐写前后特征函数的变化,选用带通特征函数矩。通过分析比较两种不同的图像预测方法对隐写检测性能的影响,提取待检测图像及其预测误差高频子带系数的特征函数矩作为检测特征,通过支持向量机进行分类。以BOWS和UCID图像库为测试图像的实验结果表明,该方法较现有典型方法具有更好的检测性能。 相似文献
73.
针对山区河流中自然形成的阶梯-深潭系统消能研究相对滞后的现状,归纳总结阶梯-深潭系统及台阶式溢洪道已有消能研究成果,从总流能量守恒方程出发,分析阶梯-深潭系统消能机理及消能率影响因素。认为台阶式溢洪道与阶梯-深潭系统的消能方式具有相似性和可比性。研究表明,在不同流量情况下,阶梯-深潭系统消能方式有显著区别,消能率存在较大差异;阶梯-深潭系统消能率的影响因素有坡降、糙率、粒径、阶梯高度和上游来流量,其中阶梯高度、坡降、糙率和粒径与消能率成正比,上游来流量与消能率成反比。认为阶梯-深潭系统消能的进一步研究需要结合大量野外调查数据,研究阶梯-深潭系统的几何特征,测量阶梯-深潭系统流场,进而得到水流能量的传递和耗散规律。 相似文献
74.
为了解决大型回转支承背景噪声大,特征信号微弱,寿命状态难以识别等问题,提出了一种基于改进深度信念网络(Deep Belief Network,DBN)的回转支承寿命状态识别方法。DBN网络拥有强大的深度学习能力,能够有效挖掘回转支承运行状态信息,解决了传统浅层网络过度依赖特征提取效果和识别精度不高的问题。在DBN学习训练中,采用新的优化学习方法FEPCD(Free Energy in Persistent Contrastive Divergence),解决了DBN在长期学习中近似和分类能力下降的问题。然后利用自主研发试验台的试验数据对所提方法的优越性进行验证。将改进的DBN算法与浅层分类算法的识别结果进行比较。结果表明改进DBN网络比原始DBN网络和浅层算法能更精确反映回转支承寿命特征,所提方法具有稳定性和智能性的特点。 相似文献
75.
本文介绍了随机平均原理的研究现状和发展趋势,探讨了基于非高斯列维噪声、分数高斯噪声、Markov切换的随机复杂动力学系统随机平均原理研究中的若干问题及进展. 相似文献
76.
针对机械大数据因故障类内离散度和类间相似度较大而导致诊断精度低的问题,提出一种深度度量学习故障诊断方法,采用深度神经网络(Deep Neural Network, DNN)对故障特征进行自适应提取,并利用基于欧氏距离的边际Fisher分析(Marginal Fisher Analysis, MFA)方法进行了优选,在构建的深度度量网络(Deep Metric Network, DMN)顶层特征输出层添加BPNN(Back Propagation Neural Network, BPNN)分类器对网络参数进行微调,并实现故障的分类识别。通过对不同类型和严重程度的轴承故障进行了诊断分析,验证了该方法可以有效地对轴承故障进行高精度诊断,效果优于传统深度信念网络(Deep Belief Network, DBN)故障诊断方法以及常用时域统计特征结合支持向量机(Support Vector Machine, SVM)分类的故障诊断方法。 相似文献
77.
78.
79.
80.
针对高压隔膜泵机械结构复杂,单向阀故障特征信息分布在多尺度上,单一尺度难以全面提取特征的问题,提出了一种基于参数优化变分模态分解(Variational Mode Decomposition,VMD)和增强多尺度排列熵(Enhanced Multi-scale Permutation Entropy,EMPE)的单向阀故障诊断方法。对单向阀振动信号进行VMD分解,以包络熵最小原则对其进行参数优化,获得既定的若干本征模态函数(Intrinsic Mode Function,IMF)分量;计算IMF分量的增强多尺度排列熵,构建故障特征值向量;利用基于变量预测模型的模式识别(Variable Predictive Model Based Class Discriminate,VPMCD)方法对故障特征值向量进行训练和识别,进而实现单向阀的故障诊断。仿真信号和工程实验分析表明,该方法可以准确地识别单向阀的故障类型,具有一定的可靠性和工程应用价值。 相似文献