改进的RBF神经网络的具体应用研究

传统的RBF神经网络在逼近能力、分类能力和学习速度等方面均优于BP网络,但为了使RBF神经网络的收敛速度和网络精度等更好地满足实际需求,用到一个线性非线性并列新型结构的RBF神经网络模型,并将该模型应用到纺织物品的染色配色问题上。应用该模型对染料的浓度与CMY值进行配色计算,实验表明具有较好的效果。改进后的RBF神经网络所表现出的良好性能,为其在该领域的应用提供了参考。     

电感耦合等离子体质谱法测定模拟玻璃固化体中Cs2O的含量

建立了一种电感耦合等离子体质谱法（ICP-MS）测定玻璃固化体中铯含量的方法。该方法从ICP-MS的背景控制、内标物选择、质谱干扰等方面进行了优化。试验结果表明，该方法检出限为0.18mg/kg，相对标准偏差（n=12）为0.48%～4.11%，加标回收率为98%～102%，可用于玻璃固化体中铯含量的测定。     

基于CS-LSTM-attention的轴承故障诊断

作为旋转机械设备的常用部件,轴承容易受到损伤而影响整个机械设备的运行,因此对其进行故障监测和诊断十分重要。轴承振动信号是一种时间序列数据,基于卷积神经网络的故障诊断模型对时序特征的提取具有局限性。针对上述问题,文中提出了一种基于卷积神经网络(CNN)、改进长短时记忆神经网络(LSTM)和注意力机制(Attention)的轴承故障诊断模型。首先,利用卷积神经网络初步提取经小波变换处理后的时频数据的特征,对数据等段均分后输入LSTM,进一步提取时序特征,再加入Attention模块对不同时刻的特征进行权重参数学习,最后结合全连接层与激活函数完成故障诊断。