基于全连接层卷积神经网络识别手写数字的研究

手写体识别信息程序直接运用计算机进行识别录入可以提高对于手写体数字的录入效率。目前，手写体数字的识别在MNIST这种大型标准数据集上的研究是人工智能领域的基础研究。该系统是基于TensorFlow的手写识别系统，TensorFlow机器学习框架技术已经逐渐成熟，对于目前人工智能发展的浪潮，人们越来越热衷于将一些以前机器不能实现的、难以理解的工作通过机器学习的方式来实现。该系统研究的是对于手写体数字的识别，采用TensorFlow框架以及机器学习的方法，详细讨论如何建立全连接层以及对数据模型进行优化，并使用数据集对计算机进行训练，形成参数文件，详细通过对手写体数字形成图像文件进行识别并输出识别数字。总体来说，手写体数字识别是对于手写体信息的一次创新尝试。     

从符号学角度探研品牌识别

在技术质量日趋同质化的今天,市场竞争的关键就是品牌的竞争,品牌识别是品牌的核心,品牌识别是以符号为裁体的,本文结合实例从符号学角度对品牌识别进行了剖析,阐述了品牌识别的符号化及如何构建差异化的品牌识别符号系统.     

基于梅尔倒谱系数的微细铣削颤振监测研究

微细铣削过程中的颤振是一种加工不稳定现象,会导致加工表面恶化、刀具快速磨损甚至刀具破损。本文提出了一种基于梅尔倒谱系数—隐马尔可夫模型改进的声音信号机器学习模型,更适用于加工过程的状态识别。开展Ti-6Al-4V钛合金微细铣削在不同加工状态下的声音信号采集试验,用于训练机器学习模型并获得模式库。通过对铣削过程中的不同声音信号与模式库进行比较,验证了所提出的机器学习模型的准确性。研究表明,基于合理的特征选取和模型参数优化,所提出的机器学习模型对加工状态的识别准确率达到82%。本研究可为改进微细铣削过程中的在线监测技术提供指导。     

基于机器学习的多类目标识别方法分析

本文基于机器学习的多类目标识别方法进行有效分析,简要阐述了机器学习的基本理论,其中包括统计学习理论、深度学习理论。然后主要强调了在机器学习的基础上目标识别的具体方法。如虚拟数据目标识别方法、增强迁移学习目标识别方法、复用特征目标识别方法,从而增强目标物体的识别率,以供参考。     

基于视频的学生动作识别方法研究

本文介绍了一种根据课堂中采集到的视频数据构成数据集,利用深度学习框架及机器学习分类算法进行学生课堂动作识别的方法。     

面向品牌识别的中小企业产品造型DNA设计研究

为满足中小型企业产品DNA设计的需求,提高中小企业产品的品牌识别度,提出面向品牌识别的中小型企业产品DNA设计方法与关键技术。以高压清洗机为例,分析了品牌约束下产品DNA设计意象词汇与高压清洗机典型造型特征的提取过程,通过高压清洗机产品DNA的设计与运用,验证了面向品牌识别的中小型企业产品DNA设计方法。     

见证玛连尼的高效与环保

正德清县三中交通工程有限公司隶属杭州三中集团,业务涵盖市政工程、道路工程、园林绿化工程,桥梁工程的设计、施工、维护,沥青混凝土的生产、销售。2015年年底,三中集团综合考虑市场、选址、配套服务等种种因素,决定在德清县新建年产50万t级沥青混凝土生产基地,于是主设备品牌及型号选择成了项目方案落实的重中之重。凭实力脱颖而出三中集团对沥青搅拌站的整体要求如下:设备品牌在行业内卓著影响力,具备卓越的技术     

基于树莓派和离散小波SVM的眨眼识别模块

眼电信号的识别和分类在机电控制领域应用十分广泛。眨眼信号识别是其中的一条重要分支。提出一种基于树莓派和离散小波SVM的眨眼识别模块,凭借树莓派的运算能力和机器学习算法库,利用离散小波变换对眨眼信号进行特征提取,使用支持向量机(SVM)分类器对其分类。为工程控制领域提供了一种快速、识别率高、轻便的眨眼识别模块设计思路和流程。     

基于持续同调机器学习的尾轴承黏滑振动研究

为了研究尾轴承黏滑振动,首先,采用机器视觉技术采集水润滑橡胶尾轴承黏滑振动图像;其次,运用持续同调机器学习及单纯复形同调群分析图像,计算振动图像单纯复形的同调获得相应的条码图;然后,基于条码图获取振动图像的拓扑特征;最后,用改进型支持向量机机器学习法对拓扑特征进行研究,完成水润滑橡胶尾轴承黏滑振动鸣音的分类与识别.研究...     

铁拓十年从追赶者到引领者

从追赶者到引领者,从名不见经传到与国际大牌并驾齐驱,铁拓十年,花开正艳。2004年7月,福建铁拓机械有限公司成立,进入沥青搅拌、沥青再生设备领域。十年里,铁拓走过了从小型移动式沥青搅拌设备到大型沥青搅拌设备,再到拥有国内系列最齐全的沥青再生设备;从一个沥青搅拌设备行业新军,到国内沥青厂拌热再生设备技术领先、销量第一品牌的发展历程。十年来,铁拓已形成自主的核心技术开发体系,拥有实用新型和发明专利共计66项,并获“国家重点新产品”、“省市科学技术进步奖”等诸多殊荣。其中,     

改进的布谷鸟算法优化极限学习机的石化轴承故障分类

针对通用的智能故障诊断方法在石化滚动轴承中准确率不理想的问题,提出一种通过改进的布谷鸟算法( CS )优化极限学习机( ELM )使诊断准确率提高的模型。将实测轴承振动信号降噪处理,计算不同嵌入维度下的关联维数作为 ELM 的输入信号;通过改进的布谷鸟算法获取极限学习机最优的隐含层偏置、输入权重,最后输出诊断结果。经过实验证明,该方法可以有效地克服测量信号时的干扰,可以对不同故障下的滚动轴承准确识别,并与多种模型对比,该方法的故障诊断准确率为 97.5% 。     

基于核超限学习机的轴向柱塞泵故障诊断

由于柱塞泵内部结构复杂且结构之间相互耦合, 致使对其进行故障诊断的难度也随之增加。为了提高算法的可靠性和诊断速度, 将核函数与超限学习机结合的方法用于柱塞泵故障诊断。首先, 通过加速度计和流量计采集到泵在正常和不同故障工况下的振动和流量信号, 同时对其采用小波包分解进行去噪;然后提取了时域无量纲指标和小波包分解的频带能量值中最大频带能量和系统中流量计的流量值, 共8维特征向量;最后用核超限学习机对4种故障(滑靴磨损、配油盘磨损、中心弹簧失效、松靴)进行识别与诊断。结果表明, 将核超限学习机用于故障诊断, 相比于超限学习机和传统的智能诊断算法支持向量机、BP神经网络有明显的优势。     

基于支持向量机和模态频率的结构损伤诊断

支持向量机（support vector machine,SVM）是一种基于统计学习理论的机器学习算法,能够较好地解决小样本的学习问题。文中介绍支持向量机回归算法,并应用于结构损伤诊断领域;构造基于模态频率的损伤标识量,作为特征参数训练支持向量机实现对结构损伤的定位和程度标识;最后以梁的损伤识别为例进行验证。结果表明,支持向量机在结构损伤诊断领域中具有很好的应用前景。     

基于SVM的传感器非线性特性校正新方法

介绍了一种基于支持向量机的解决传感器系统非线性特性问题的新方法。支持向量机是Vapnik教授提出的基于统计学习理论的新一代机器学习技术，它有效地解决了小样本学习问题，因此该方法对样本数量没有特殊的要求。实验证明该方法有效，同时研究表明该方法也能用于其他系统的非线性校正。     

数控插补算法实训系统的研究与设计

介绍了一个能用于教学演示的插补算法实训系统。该演示系统在ARM+DSP新型数控系统支持下,可驱动机床运动,真实再现数控中插补算法插补过程。在教学中,可进行数控插补算法演示,使教与学可灵活结合应用。     

基于多重分形去趋势波动分析算法的表面磨损形式特征研究

为了识别表面的磨损形式以研究零件表面的摩擦学特性,以不同载荷下的磨料磨损和黏着磨损2种磨损形式的表面为研究对象,应用LSTM-1型磨损表面形貌测量仪和稳健高斯滤波方法对磨损表面形貌进行数据采集和滤波处理后,使用多重分形去趋势波动分析算法(MF-DFA)计算磨损表面高频信息的广义赫斯特指数,并通过分析该指数与表面形貌磨损纹理特征之间的关系,使用主成分分析法提取用于识别2种磨损形式的特征,然后采用K-means聚类、支持向量机(SVM)和BP神经网络方法,分别对所提取的特征参数进行分类,比较不同分类器识别结果的准确率。研究结果表明：广义赫斯特指数可用于区分磨损表面犁沟类和凹坑类纹理特征的指标,作为机器学习特征对表面磨损形式识别分类。     

拉曼光谱结合深度学习算法的塑料分类的研究

拉曼光谱法能识别塑料制品光谱特征峰,但操作流程繁琐且准确率有待提升,对此提出了基于一维卷积神经网络 (one-dimensional convolution neural network, 1-D CNN) 的塑料制品分类算法,首先建立以聚乙烯 (polyethylene, PE) 、聚丙烯 (polypropylene, PP) 、聚对苯二甲酸乙二醇酯 (polyethylene terephthalate, PET) 和聚苯乙烯 (polystyrene, PS) 为原材料的40种塑料包装样本数据集;然后设计1-D CNN、K近邻 (KNN) 、决策树 (DT) 和支持向量机 (SVM) 4种算法模型进行训练,并在光谱分类流程、模型准确率和鲁棒性等方面进行对比。实验结果表明,1-D CNN在不经过预处理条件下分类准确率达到98.62%,且在60 dB噪声下仍有96.42%的准确率,优于另外3种传统机器学习算法模型。该结果证实,拉曼光谱融合神经网络的多分类方法可提升塑料制品检测性能。     

基于GMKL-SVM的模拟电路故障诊断方法

提出了一种新颖的基于广义多核支持向量机(GMKL-SVM)的模拟电路故障诊断方法。首先,应用Haar小波分析提取被测电路时域响应信号的小波系数作为特征参量,并生成样本数据;然后,基于样本数据,应用量子粒子群算法对GMKL-SVM的参数进行优化,并以此建立基于GMKL-SVM的故障诊断模型,用于区分模拟电路的各个故障。实例电路的单故障和双故障诊断实验结果表明,所提出的GMKL-SVM方法能较好地实现模拟电路故障诊断,与传统的GMKL-SVM方法相比,表现出了更好的性能,获得了更高的故障诊断正确率。     

基于加权排列熵和DE-ELM的滚动轴承故障诊断

针对滚动轴承振动信号非平稳非线性的特征,提出一种基于加权排列熵和差分进化算法优化极限学习机(DE-ELM)的滚动轴承故障诊断方法。首先利用自适应噪声的完全集合经验模态分解处理轴承振动信号得到固有模态函数(IMF),然后计算主要IMF分量的加权排列熵组成故障特征向量,最后利用差分优化算法(DE)优化极限学习机隐含层输入权值和偏置,并将故障特征向量作为DE-ELM的输入。实验证明,加权排列熵能够精确提取故障特征,DE-ELM算法能有效提高故障分类精度。与多种方法相比,该方法更加准确可靠。     

XGBoost机器学习在光电编码器误差补偿中的应用

光电编码器检测系统的误差主要受基准光电编码器测角误差、数据采集误差、检测系统同轴误差影响。其中，基准光电编码器的测角误差可进行补偿。因此设计了一种基于极度梯度提升树（extreme gradient boosting,XGBoost）机器学习的算法用来补偿基准光电编码器的误差。经该算法补偿后，静态精度提高了35倍，标准差由3.62″减小至0.13″，最大误差值由5.53″降低至0.39″。与传统的误差反传（back progagation,BP）神经网络算法以及径向基函数（radial basis function,RBF）神经网络算法补偿效果相比，XGBoost的补偿效果更优。XGBoost机器学习算法有效降低了基准光电编码器的测量误差，提高了光电编码器检测系统的检测精度。