基于融合特征的双通道CNN滚动轴承故障识别

针对传统的滚动轴承故障识别方法效果较差,对专家经验依赖较高的问题,提出一种基于融合特征的双通道CNN滚动轴承故障识别方法.该方法首先将原始信号采用小波分解方法生成时频图,再将时频图和原始故障信号融合输入到Lenet-５网络中,进一步对故障特征进行准确提取,在输出层对数据进行融合,使用Softmax分类器对轴承故障进行分类.实验结果表明,该方法对不同种类的滚动轴承故障的识别均能做出准确的判断,识别准确率高.     

深度学习在电网智能调控系统中应用研究

基于对人工智能深度学习的研究,将该技术与电力智能调控深入融合,实现以数据、知识为基础的实时在线分析控制型电力调控。首先,分析深度学习的发展及其对电网调度的影响,针对深度学习在出力预测、状态估计和故障诊断方面的应用进行说明;然后,提出基于人工智能深度学习的电力调控系统构架,分析其与传统调控系统的区别,突出了该系统所实现的功能;接着,采用基于多核图像处理器（MGP）系统,阐明了所提出的智能调控系统实现的方法;最后,通过分析人工智能化调控系统的应用案例,说明该系统具有广泛的应用性。     

基于超材料声屏障的 １０kV 开关站噪声控制

对 １０kV 开关站噪音特性进行了测试,在此基础上从声学理论出发设计了分形声学噪声屏障,对具有良好低频隔声性能的三阶隔声屏障进行了仿真分析,通过试验测量了噪声屏障对各频段噪声的衰减效果,验证了此声学超材料的降噪有效性;并且提出了一种结合超材料声屏障的有源噪声控制方法,来补偿声屏障边缘附近的绕射声波以进一步提升降噪性能.最后,设计搭建了一套结合超材料声屏障的噪声实验系统,并进行了试验验证.     

硅锭电火花线切割对称式张力控制研究

针对半导体材料电火花加工过程中加工区域电极丝张力波动的现象,从数学模型的角度指出了传统的非对称式单边张力控制策略的不足,提出了一种新型的对称式双边张力控制方案,并给出基于此方案进行“分时切换控制”的具体实施流程,建立了张力控制系统数学模型,采用PID控制方法对对称式双边张力控制系统进行仿真。仿真结果表明,此控制方案在分时切换瞬间可以在30 ms内完成对目标值的快速追踪,并且超调量控制在5%以内。进行了恒张力控制对比实验,实验结果表明,此方案所得的张力波动率仅为非对称式单边控制方案的50%,改善了加工区域的张力波动情况,解决了因走丝方向不同导致的加工区域张力不一致的问题。     

无线视频监控系统人脸跟踪功能的实现

为实现视频监控的人脸跟踪功能,结合计算机视觉与舵机云台控制技术,设计了一种基于嵌入式处理器的无线视频监控系统.利用 MicroPython 计算机视觉库对采集图像进行滤波处理,以增强图像效果.采用改进卷积神经网络模型进行机器学习和人脸识别,将处理后的监控图像上传至服务器,用户可通过查看浏览器进行实时监控.测试结果表明,当有人脸出现在视频监控范围内时,系统可驱动舵机云台进行有效的人脸识别与追踪.     

稀疏特征空间嵌入正则化：鲁棒的半监督学习框架

在机器学习领域,半监督学习作为一种有力工具吸引了越来越多的关注,其利用少量带标签数据和大量无标签数据进行有效学习,其中基于图的半监督学习方法因其优雅的数学形式和良好的学习性能而引起更广泛的研究。针对现有基于图的半监督学习方法所存在的模型参数敏感和数据判别信息不充分等问题,提出一种稀疏特征空间嵌入正则化（Sparse Feature Space embedding Regularization ,SFSR ）半监督学习框架,其主要思想为：首先分别将原始数据嵌入到线性特征空间,然后利用特征空间嵌入投影点集来稀疏重构原始数据,随后在由原始数据线性张成的标签空间通过保留这种稀疏表示关系来构建一个Laplacian正则化项,或称SFSR ,最后提出一个鲁棒的基于SFSR的半监督学习框架,在几个实际基准数据库上的综合实验结果证实了所提框架的鲁棒有效性。     

基于ELM和MA的微型四频天线设计

提出一个基于极限学习机ELM（Extreme Learning Machine）和文化基因算法MA（Memetic Algorithm）的微型四频（0.92/2.4/3.5/5.8GHz）天线设计算法AntMA-ELM.为了提高天线的性能,算法在MA框架下引入基于综合学习粒子群优化算法CLPSO（Comprehensive Learning Particle Swarm Optimizer）全局搜索和DSCG（Davies,Swann,and Campey with Gram-schmidt）局部搜索,用于确定天线的几何参数.同时,建立ELM回归模型用于直接评估MA优化的适应值函数.实验结果表明,ELM回归模型能够根据输入参数正确估算天线的回波损耗,使MA算法有效提高设计性能和加速优化过程.天线在四个目标频段的回波损耗值均优于-10dB,满足设计要求.     

ECOC多类分类研究综述

纠错输出编码能有效地将多类问题转化为二类问题进行求解,已受到国内外从事机器学习的研究者们的重视,并使其成为多类分类领域的研究热点.本文首先分析了ECOC多类分类的原理和框架,指出解决ECOC多类分类问题的关键在于解码策略和编码策略的确定;然后从这两个关键点出发综述了ECOC多类分类的最新进展和应用领域;最后指出了目前存在的问题以及下一步研究方向.论文研究成果将为基于ECOC多类分类方法在实际应用过程中起借鉴和参考作用.     

Passivity-based reinforcement learning control of a 2-DOF manipulator arm

Passivity-based control (PBC) is commonly used for the stabilization of port-Hamiltonian (PH) systems. The PH framework is suitable for multi-domain systems, for example mechatronic devices or micro-electro-mechanical systems. Passivity-based control synthesis for PH systems involves solving partial differential equations, which can be cumbersome. Rather than explicitly solving these equations, in our approach the control law is parameterized and the unknown parameter vector is learned using an actor–critic reinforcement learning algorithm. The key advantages of combining learning with PBC are: (i) the complexity of the control design procedure is reduced, (ii) prior knowledge about the system, given in the form of a PH model, speeds up the learning process, (iii) physical meaning can be attributed to the learned control law. In this paper we extended the learning-based PBC method to a regulation problem and present the experimental results for a two-degree-of-freedom manipulator. We show that the learning algorithm is capable of achieving feedback regulation in the presence of model uncertainties.