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   11篇
  国内免费   2篇
  完全免费   8篇
  机械仪表   21篇
  2020年   3篇
  2019年   3篇
  2018年   1篇
  2017年   2篇
  2015年   4篇
  2014年   4篇
  2013年   4篇
排序方式: 共有21条查询结果,搜索用时 46 毫秒
1.
近红外光谱结合极限学习机识别贮藏期的损伤猕猴桃   总被引:1,自引:0,他引:1  
为了及时、准确地识别采摘后贮藏期间的损伤猕猴桃,降低果实腐烂及交叉感染带来的损失,采用近红外漫反射光谱技术结合极限学习机(ELM)建立了采摘后2℃冷藏下10天内的碰撞损伤猕猴桃、挤压损伤猕猴桃与无损猕猴桃的动态判别模型.分别比较了无信息变量消除法(UVE)与连续投影算法(SPA)结合UVE优选特征波数建模对简化模型、提高预测性能的影响.结果表明,碰撞损伤猕猴桃比挤压损伤猕猴桃更容易同无损猕猴桃区分开来,且随着贮藏时间的延长,损伤猕猴桃更容易被识别;UVE-SPA-ELM模型的判别效果最好,在采后贮藏10天内预测集中损伤猕猴桃和无损猕猴桃的总正确识别率为92.4%.该检测技术具有较高的检测精度和适用性,可用于快速、无损鉴别损伤猕猴桃.  相似文献
2.
为了求解不确定生产环境下的半导体生产线调度问题,提出一种基于极限学习机的性能指标驱动的动态派工方法。首先通过半导体生产线仿真系统仿真,得到所需样本,进而通过极限学习机建立半导体生产线性能指标预测模型;然后通过预测出的性能指标,结合生产线的实时状态信息,学习产生调度过程中的动态派工规则算法所需的最佳系数,驱动生产线派工决策,使其性能指标趋向预测值,最终达到提高生产线整体性能的目的。通过仿真平台验证了该方法能够有效提高生产线的性能指标。  相似文献
3.
为了在光电跟踪伺服系统中实现共轴跟踪,采用神经网络极限学习机(ELM)对光电跟踪系统设备的运动状态及脱靶量进行了学习、训练和融合,得到了目标的速度和加速度信息.通过算法优化减少了ELM系统大约50%的运算量,使运算周期约为3.5 ms,满足光电跟踪系统的实时性要求.仿真结果表明,当目标运动速度为50°/s、加速度为30(°)/s2时,预测的目标速度在峰值时的误差大约为±3(°)/s.最后,通过跟踪光学动态靶标进行了共轴跟踪实验验证.结果显示,系统最大跟踪误差由速度、位置闭环时的11.35'减小到0.88',随机误差由8.2″减少到7.6″.与其它控制方法相比,提出的方法具有更高的实时性和精确度,能有效提高系统的跟踪精度.  相似文献
4.
提出了一种基于主成分分析(PCA)和多变量极限学习机(MELM)的轴承剩余寿命预测方法。该方法首先利用PCA技术融合多个表征轴承运行状态与衰退趋势的时域频域特征指标来消除特征间的冗余性和相关性;进一步在单变量极限学习机(ELM)的基础上构建多变量极限学习机模型来预测轴承剩余寿命。该方法克服了传统单变量极限学习机结构简单、信息匮乏等缺点,能有效提高轴承剩余寿命的预测精度。运用全寿命轴承振动数据对模型进行验证,结果表明,相比单独应用ELM模型或MELM模型,基于PCA和MELM剩余寿命预测方法具有更高的预测精度和稳定性。  相似文献
5.
针对缸盖振动信号的非平稳特性,提出了基于小波包相关系数和极限学习机的汽车发动机失火故障诊断系统.首先,对原始信号进行小波包分解,然后计算得到每个样本的能量熵和每个样本各子频带重构信号与原始信号的相关性系数.分别利用相关系数法和能量熵融合峭度的方法建立特征向量,随后输入到BP神经网络和极限学习机中进行训练和测试.实验结果表明,该方法可以有效地反映故障产生的差异并准确地识别单缸失火故障,具有精度高、训练时间短的优点.  相似文献
6.
高效地建立起板形模型有利于提高板带轧制过程中的板形精度和有效实现板形控制。提出了一种基于极限学习机(ELM)的板带轧制过程中板形预测模型,不但可以简化参数选择过程,在核函数选择上可以根据训练样本值自动选择无须手动选择,而且可以提高模型的训练速度。结合铝板带四连轧机组在线实测数据进行模型训练,实现对轧制过程板形的预测且得到实验验证。本算法与支持向量机(SVM)模型预测对比,在训练样本数量较少的情况下,模型预测精度都能达到期望精度值,且具有同样甚至更高的预测精度,还具有急速的特点和更强的泛化能力。  相似文献
7.
结合近红外高光谱成像技术和不同的判别分析模型对4种国产咖啡豆品种进行了快速无损判别。通过高光谱成像仪提取874~1 734 nm波段内的光谱数据,去除首尾噪声波段后,分别基于925~1 680 nm波段的全谱波段和通过连续投影算法(SPA)选择的特征波长,建立了偏最小二乘判别分析(PLS-DA)、随机森林(RF)、K最邻近算法(KNN)、支持向量机(SVM)模型和极限学习机(ELM)5种判别分析模型。基于上述判别模型对咖啡豆品种进行鉴别;然后通过准确率、命中率和否定率3个参数对鉴别结果进行了评价。实验显示,基于全谱和特征波段建立的模型均取得了较好的判别效果,其中ELM模型效果均为最优,每个品种建模集和预测集的准确率、命中率和否定率均在93.5%以上。研究结果表明,基于近红外高光谱成像技术结合模型判别分析方法可以实现对国产咖啡豆品种的识别,特征波长的选择减少了变量数,但判别效果与全谱相当。  相似文献
8.
为从含有较强噪声的缸盖振动信号中提取有效的故障特征并进行故障分类,提出了采用独立变分模态分解(independent variational mode decomposition,简称IVMD)与改进核极限学习机(improved kernel extreme learning machine,简称IKELM)的发动机故障诊断方法。首先,根据频谱循环相干系数选取匹配波形对信号进行端点延拓,并利用变分模态分解(variational mode decomposition,简称VMD)将延拓后信号分解为一系列固有模态分量,有效抑制了VMD中的端点效应;其次,选取有效分量作为输入观测信号,进行核独立成分分析,进一步分离干扰噪声与有效信号,并消除模态混叠,得到相互独立的有效故障特征频带,进而提取各频带的自回归模型参数、多尺度模糊熵和标准化能量矩构建故障特征向量集;最后,建立基于社会情感优化算法的IKELM分类模型,对故障特征进行分类,实现发动机故障诊断。仿真和实验结果表明,所提出的方法可有效抑制VMD的端点效应,提高信号分解精度,消除噪声干扰并分离出相互独立的有效故障特征频带,增强特征参数辨识度,最终提高发动机故障诊断速度与精度,发动机故障诊断平均准确率达到99.85%。  相似文献
9.
采用自适应的变分模态分解(adaptive variational modal decomposition, 简称AVMD)与核极限学习机(kernel extreme learning machine, 简称KELM)联合的方法对水闸在泄流过程中的监测信号进行振动预测分析,用以辅助决策和及时预警。首先,基于互信息准则确定AVMD的分解模态数,克服变分模态分解(variatronal modal decomposition, 简称VMD)盲目选取分解参数的缺点,利用AVMD把水闸振动信号分解K个固态模量(intrinsic mode function, 简称IMF);其次,通过KELM对各IMF分量分别进行预测;最后,将各测点对应的IMFs预测结果相加作为最终的预测值。结合某水闸自由泄流工况下的振动数据,分别采用AVMD KELM和KELM模型、支持向量机(support vector machine, 简称SVM)模型对其振动趋势进行预测,并将预测结果进行对比分析。结果表明,AVMD KELM模型得到的预测结果与实测值更加接近,计算速度更快,精度更高,且误较小,该方法可有效预测水闸结构的振动趋势。  相似文献
10.
为提高下肢假肢步态识别的准确性,提出一种基于鱼群(fish swarm ,简称FA)算法优化极限学习机(extreme learning machine,简称 ELM)的模式识别方法。首先,提取张量投影特征,分析了特征值选取的合理性;其次,采用主成分分析法降维;最后,利用鱼群算法进化极限学习机分类识别平地行走、上楼、下楼、上坡及下坡5种步态,识别准确率达到 97.45%。通过实验比较了该算法与极限学习机等分类器在假肢步态分类上的识别准确率与识别时间,结果表明,FA-ELM方法识别准确率优于其他方法。  相似文献
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