排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
基于并行PSVM(proximal support vector machine)分类法,利用ε-支持向量与原数据集等价的特点,将PSVM和cascade SVM模型高效结合,加速训练入侵数据集.提出一种新的PSVM增量学习方法,它能快捷更新分类器.通过大量基于著名的KDD CUP1999数据集实验,研究表明,该算法相对其他SVM方法,在保证较高检测率和较低误报率的同时,其训练时间降低80%,且能通过增量学习新数据集来有效更新分类器. 相似文献
2.
3.
为提高锂钴充电蓄电池使用的安全性,提出基于深度学习的蓄电池检测系统,并建立蓄电池异常故障检测与分类模型。试验结果表明,窗口尺寸越大,输入数据包含的故障信息越多,蓄电池故障检测效率越高,且延迟故障检测效果最好,精度及准确率等指标均达到100%,其次为蓄电池重放故障。且基于深度学习模型可以检测到电池之间发生连接故障,并可预测电池的故障发生率会进一步增加。且随着检测时间,测量值和检测值之间的误差逐渐增大,进一步说明所建立的深度学习模型,可以检测到电池退化特征,从而为电池健康状况检测提供参考。 相似文献
1