小电流接地系统的新判据在检测工程应用分析

针对当前在小电流接地系统中,尤其是经消弧线圈接地的系统中,所装设的接地检测(选线)装置正确动作率不高的问题,根据系统的特点,对小电流接地系统的选线设备原理、采样误差等方面问题进行剖析,提出了减小综合测量误差,提高选线准确性、可靠性的措施。     

动态小波在变压器励磁涌流识别中的应用研究

电力变压器的励磁涌流识别一直是变压器保护的一个重要问题。动态小波是小波函数和傅里叶函数的组合,固此与常规小波变换相比。检测故障突变信号的能力更强。文中将动态小波运用于励磁涌流识别中,通过仿真实验证明了该方法提高了勋磁涌流鉴别的可靠性。     

动画演示与算法教学研究

算法南来就是计算机教学中的难点,一般算法教学方法很难有效帮助学生理解算法.通过分析算法动函演示的认知作用,强调只有好的算法动画演示才能有效促进算法学习,然后从认知主体需要出发,提出设计好算法动画演示的四个原则,说明只有认真调查研究每一个算法的演示目标和重点,合理安排演示内容和形式,才能设计出一个好的算法动画演示系统.     

多类支持向量机推广性能分析

为了分析多类支持向量机(Multi-category support vector machines,M-SVMs)的推广性能,对常用的M-SVMs算法加以概述,推导、总结了理论推广误差公式.对于给定的样本集,可以设计合理的编码来提高ECOCSVMs的推广性能,通过构造合理的层次结构来提高H-SVMs推广性能,其余M-SVMs算法的推广性能均取决于样本空间.研究结果为有效使用M-SVMs提供了依据,为改进M-SVMs指明了方向.     

基于熵和蚁群聚类算法的模糊支持向量机

摘 要: 模糊支持向量机(FSVM)对传统支持向量机(SVM)在对外围点和噪声数据敏感的缺陷做了重要改进。选取合适的聚类中心计算符合数据本身特征分布的隶属度,能使分类更加准确,提高测试精度。论文基于模糊支持向量机思想,提出一种新的模糊聚类模型—基于熵和蚁群聚类算法的模糊支持向量机(EAFSVM),为聚类中心和隶属度的计算提出了新方法。实验对比传统SVM和FSVM,结果表明EAFSVM测试精度较高,尤其对多类数据、大规模数据具有较好的分类能力。     

人工智能实验教学探讨

本文一方面简单介绍人工智能的基本理论及知识体系结构,另一方面则结合笔者的理论实践与实验教学经验,总结出目前在整个教学过程所存在的一些问题,目的在于不断总结经验,力争能更好地完成人工智能的整个教学工作,从而提高人才培养的质量,同时也可以为其他高校提供参考。     

武警机关办公自动化工作流协同模型研究

根据工作流管理系统参考模型的规范和武警机关办公实际,提出基于工作流管理系统规范的武警工作流协同模型的思想,并将其应用到网上公文审批的过程,实现了网上公文审批流程的自动化执行,提高公文审批效率,解决了网上审批中无法进行业务流程之间的有效协同问题。     

考虑磁致伸缩逆效应的非晶合金开关磁阻电机减振方法

非晶合金用于电机铁心可极大地提高电机效率,然而,其较大的磁致伸缩系数和极强的应力敏感性（即磁致伸缩逆效应）在增大铁心振动噪声的同时,限制电信号对铁心磁性能的精确控制能力。该文提出采用磁致伸缩逆效应对铁心磁化状态进行调制,以抑制非晶合金开关磁阻电机电磁振动的减振思路。首先,基于宏观热力学理论,建立考虑磁致伸缩及其逆效应的非晶合金材料力-磁耦合本构关系;其次,提出非晶合金开关磁阻电机的定子齿加压结构,并考虑静态预应力、脉动电磁应力对非晶合金磁特性的影响,构建开关磁阻电机力-磁双向动态耦合模型并求解;最后,计算应力作用前后定子铁心的磁通密度分布。通过实验与仿真对比发现,定子齿加压结构的径向电磁应力可减小44.5%,因此该减振方法具有可行性。     

基于信号特征提取和卷积神经网络的轴承故障诊断研究

轴承是机械设备主要零部件之一,也是机械设备主要故障零部件之一。轴承故障问题为机械设备的重点,机械设备的使用受到故障轴承的直接影响。针对传统的卷积神经网络算法轴承故障诊断效率低下问题,本文提出了一种基于信号特征提取和卷积神经网络的优化方法。首先对原始数据信号进行时域和频域的信号特征提取,获得有效的故障特征值。之后,使用卷积神经网络对提取的特征值进行故障诊断,完成故障分类。本文使用美国凯斯西储大学的滚动轴承振动加速度信号作为数据集,对提出的方法进行验证,得到的故障诊断平均准确率为74.37%,准确率的方差为0.0001;传统的卷积神经网络算法故障诊断平均准确率为65.6%;准确率的方差为0.0019。实验结果表明,相比传统的卷积神经网络,提出的方法对轴承故障诊断的准确率有显著的提高,并且该方法的稳定性更佳,计算时间更少,综合性能更佳。     

基于卷积神经网络的末敏弹复合探测信号识别方法北大核心CSCD

为了进一步提升末敏弹的目标识别性能,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的复合探测信号识别方法。首先针对毫米波辐射计、激光测距雷达和红外敏感器的复合探测信号特点,提出了3种构造输入样本的方法;然后根据不同的信息融合方式,提出了3种基本网络架构,分别构建了单通道、多通道CNN模型对输入信号进行特征提取和分类;最后通过高塔试验数据对模型进行训练和评估。测试结果表明,基于样本构造方案2和网络结构3的识别方法表现最佳,测试准确率达到了97.26%,所提样本构造方法和识别方法能够有效提取复合探测信号的特征,具有较高的识别精度。