城市燃气管道泄漏诊断方法

为了提高管道泄漏诊断的正确率和稳定性,提出一种将卷积神经网络用于管道泄漏诊断领域,并与softmax分类器结合进行管道泄漏诊断的方法。选取合适的声发射特征参数,进行声发射信号的提取,用时频和DFT处理将得到的声发射传感器信号转换为时频图和频谱图,将原始信号、时频图和频谱图输入卷积神经网络进行分类诊断。通过分析比较诊断结果可知,频谱图作为输入信息时CNN模型正确率高达99.5%,高于其他两种样本及BP神经网络的管道泄漏诊断率。     

高精度失真仪检定装置的研制

随着电声及无线电技术的发展以及失真度测量仪技术性能的不断提高,对失真仪检定装置的工作频带、输出失真度范围及系统准确度提出了越来越高的要求,为此,我们研制了ZQ4100型失真仪检定装置。图1为其工作原理图,该检定装置的工作原理与一般失真仪检定装置基本相同,因此就不在此地赘述。本文着重介绍如何提高装置的准确度。一、提高装置精确度的措施失真仪检定装置的误差的定量表达式为(K≥2C_f时) △=K'-K/K=(a_h-a_f)+△K-(B_h-B_f)+△F+(L_h-L_f)+r(1)式中,△——输出信号的失真度误差(装置总     

基于深度学习的大数据管网风险评价方法

为了从管道大数据中挖掘有效信息,高效准确地识别管道存在的风险,建立城市管网风险预测体系,结合深度置信网络,提出了基于深度置信网络的管道风险预测方法。以某燃气公司12段管网为例,其预测结果与实际情况相符,进一步选取未评级管道,利用多层次模糊风险分析法与所建立模型同时进行风险评估,二者结果一致。研究结果表明,该模型稳定性强、诊断速度快、识别准确率高,可较好地实现城市燃气管道的风险模式识别。     

Keras在燃气管道阀门故障诊断中的应用

针对燃气管道阀门故障诊断存在的诊断准确率低，鲁棒性差和容易陷入过拟合等问题，结合深度学习理论，基于谷歌人工智能学习系统Keras，构建多层感知器MLP神经网络模型，用于预测阀门故障程度。选取阀门故障中的8种特征参数作为模型的原始输入量，经过多层感知器的特征提取、参数重构、Adam优化、Softmax分类，并加入Dropout模块避免过度拟合，最终得到具有较高预测精度的多层感知器模型。将得到的多层感知器模型应用在实验室的燃气管道阀门故障诊断系统中，结果表明，这种模型具有更高的准确性和鲁棒性。     

Al基非晶合金表征参数的支持向量回归分析

根据一系列Al基非晶合金薄带实测数据集,应用粒子群优化支持向量回归方法(PSO-SVR),建立一个通过相关表征参数来预测Al基非晶合金晶化温度(Tx)的模型。利用该模型对不同类型铝基非晶合金的晶化温度(Tx)进行建模和预测研究,并与反向传播神经网络(BPNN)预测方法进行比较。结果表明:基于留一交叉验证法(LOOCV)的PSO-SVR模型预测的晶化温度误差要比BPNN模型预测的小得多,这说明模型中所采用的特征参数能很好地描述该系列Al基非晶合金的晶化行为和热稳定性。     

基于 KVM 虚拟化技术的 Hadoop 架构

本文提出并实现了一种 Hadoop 与虚拟化技术相结合的模型.该模型将多核计算机虚拟成多节点集群,最大限度地利用计算资源.在实验测试的基础上,通过分析任务在 Hadoop 环境中的并行机制,弄清计算任务在节点中与核中的分配方式,以达到提高并行效率、降低硬件开销的目的,最后通过对典型应用问题进行计算,从而对本文所提出模型的正确性和有效性进行了验证.     

基于Python的新浪微博数据爬虫

目前很多的社交网络研究都是采用国外的平台数据,而国内的新浪微博没有很好的接口方便研究人员采集数据进行分析。为了快速地获取到微博中的数据,开发了一款支持并行的微博数据抓取工具。该工具可以实时抓取微博中指定用户的粉丝信息、微博正文等内容;该工具利用关键字匹配技术,匹配符合规定条件的微博,并抓取相关内容;该工具支持并行抓取,可以同时抓取多个用户的信息。最后将串行微博爬虫工具和其并行版本进行对比,并使用该工具对部分微博数据作了一个关于流感问题的分析。实验结果显示:并行爬虫拥有较好的加速比,可以快速地获取数据,并且这些数据具有实时性和准确性。