首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   4篇
  电工技术   4篇
  2017年   1篇
  2013年   1篇
  2012年   1篇
  2009年   1篇
排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
齿轮故障诊断中的选择性集成技术   总被引:1,自引:0,他引:1  
齿轮故障数据的建模因为数据复杂有一定的挑战性.提出将选择性集成学习技术引入到该领域,并将聚类算法用于选择性神经网络集成学习技术.对已有的选择性集成学习技术进行改进,构建了一个基于聚类的选择性神经网络.应用实际数据进行实验,结果表明新算法提高了对齿轮故障诊断的精度,同时诊断效率比基于遗传算法的选择性神经网络集成算法有了显著提高.  相似文献
2.
Boosting算法是近年来在学习领域出现的用于提高算法精度的方法.由于它的算法简单实用,执行效率高,现已广泛应用于目标识别中.与其他算法不同的是:它不是直接构建一个高精度的算法,而是通过多次学习将弱分类器组成一个强分类器.针对传统识别方法检测率低的特点,提出一种基于集成学习的方法:利用图像目标的片段作为特征,用Boosting方法训练的分类器对目标进行分类.实验结果表明算法具有鲁棒性,对复杂场景中的目标具有较高的识别精度.  相似文献
3.
针对图像的特性,提出了1种视觉单词集成学习方法.该方法建立在3种初始映射方法的基础上,并充分利用图像的矩、纹理直方图、图像傅里叶描述子等图像视觉特征来分类图像语义.相对于3种初始映射方法,采用Boosting集成学习方法生成的视觉单词集合在图像语义分类上比单独使用任意1种映射方法生成的视觉单词集合有明显的提高.实验结果表明,本文所提出的视觉单词Boosting集成学习方法在图像语义区分性和描述能力方面是有效的,能充分反映人对图像内容的理解,具有很好的应用价值.  相似文献
4.
针对单一模型软测量算法在动液面预测应用过程中存在泛化能力弱、自适应性差等问题,提出利用AdaBoost集成学习的思想,突出预测误差在建模样本权重及弱学习机权重中的作用,使之更加适合回归模型预测.针对油井工况动态多变导致软测量模型随生产进行逐渐失效的问题,提出利用油田生产过程中定期巡检的少量动液面数据评估原有集成模型,利用相似度原理在保留原有模型信息的基础上增加新信息,并在此基础上根据新样本权重更新弱学习机模型,集成为强学习机模型以动态适应新的油田生产工况.通过对油田生产现场实际数据验证结果表明,该方法对油田生产波动的自适应能力强,能够提高动液面软测量模型的泛化能力及预测精度.  相似文献
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号