排序方式: 共有26条查询结果,搜索用时 15 毫秒
1.
针对风电机组齿轮箱传统故障诊断方法以全局误诊断率最小化为目标,忽略了误分类型之间的差别的问题,提出基于代价敏感最小二乘支持向量机(Cost-sensitive Least Squares Support Vector Machine,CLSSVM)的风电机组齿轮箱故障诊断方法。该方法在最小二乘支持向量机原始最优化问题中二次损失函数中嵌入不同样本的误分类代价,建立以误分类代价最小化为目标的CLSSVM故障诊断模型,并同最小二乘支持向量机和代价敏感支持向量机比较。实验结果表明,该方法能提高误分类代价高的故障类样本的诊断正确率,具有代价敏感性,其训练速度也足以满足风电机组齿轮箱故障诊断实时性的需求。 相似文献
2.
渗碳体分解对高碳钢丝分层的影响 总被引:1,自引:1,他引:0
根据拉丝过程中渗碳体分解的观点,并通过实验数据,对高碳钢丝发生分层现象进行研究。当钢丝中铁素体的最高碳原子分数超过1%,钢丝就会发生分层;高碳钢丝的渗碳体在因拉拔而温度升高的表层附近及拉丝后的片层间距小的区域更易分解;拉拔加工导致的强度不均匀性增大是发生分层的主要原因。 相似文献
3.
4.
衷敬波唐明珠李娜何荣希 《光通信技术》2017,(9):1-4
针对长距离无源光网络(LR-PON)ONU传播时延差异明显易产生信道空隙的问题,提出一种在线调度部分多线程轮询算法(ON-PMTP),给出了算法的具体描述和仿真评测结果。 相似文献
5.
一种改进的支持向量数据描述故障诊断方法 总被引:2,自引:0,他引:2
针对故障诊断中故障类样本难于获取以及不均衡类问题,提出了基于粒子群和滑动窗口的支持向量数据描述(M-SVDD)故障诊断方法.该方法利用粒子群优化支持向量数据描述的核参数,同时引入滑动窗口技术,通过大窗口大小来控制故障诊断模型的训练样本数,根据小窗口的预测误差变化动态调整大窗口的大小.采用该方法对铜转炉吹炼过程进行故障诊断的实验结果表明,该方法能有效抑制过拟合现象,具有故障敏感性高、泛化能力强等特点. 相似文献
6.
早在2002年,关系数据库中的关键字搜索问题就已经有了很多代表性的研究成果,其中的Discover系统由于其算法经典,在后来的文章中被广泛引用.但是Discover中实验数据并不充分,如关键字个数设定过少、没有给出关键字个数对结果集大小的影响、只在AND语义下进行实验等.由于存在上述问题,使得对关键字搜索问题的研究得不到一些真正有意义的数据.文中实现了Discover中的关键字搜索算法,并对实验进行了进一步的完善,并对实验结果进行了分析和阐述,为关键字搜索提供了更有价值的实验数据和分析结果. 相似文献
7.
关系数据库中的关键词搜索技术已经成为信息检索领域的研究热点,它为没有任何SQL语法知识的用户提供了一个简单友好的接口.但是现存的关键词搜索系统主要依赖于数据图或模式图,而单独使用数据图或模式图的算法搜索效率不高,结果准确率也较低.设计实现了一个Top-k关键词搜索系统(keyword search system based on database graph and schema graph,KWSDS),用户提交关键词后,系统对关键词进行预处理,消除一些脏关键词.首次提出使用数据图与模式图相结合的方法,设计了同表查询算法和异表查询算法,分析了算法的正确性和时间复杂度,并且提出了相关性结果排序方法.KWSDS系统的搜索算法运行时间短,搜索结果准确性高,具有良好的查询性能.最后通过实验验证了KWSDS的效率. 相似文献
8.
针对风电机组海量运行数据中故障检测率低和实时性差的问题,提出基于极端随机森林的大型风电机组发电机故障检测方法。该方法先利用Pearson相关性分析剔除线性相关性极弱的变量和非主要特征中的冗余变量,降低样本维度。利用最大信息系数获取主要特征参数的相关系数,消除冗余变量,从而提高计算效率和故障检测精度。将基于极端随机森林的分类方法用于大型双馈风力发电机的故障检测。实验结果表明,与经典随机森林方法相比,在风电机组发电机海量数据集上,该方法具有更低的漏报率、误报率和更好的实时性。 相似文献
9.
早在2002年,关系数据库中的关键字搜索问题就已经有了很多代表性的研究成果,其中的Discover系统由于其算法经典,在后来的文章中被广泛引用。但是Discover中实验数据并不充分,如关键字个数设定过少、没有给出关键字个数对结果集大小的影响、只在AND语义下进行实验等。由于存在上述问题,使得对关键字搜索问题的研究得不到一些真正有意义的数据。文中实现了Discover中的关键字搜索算法,并对实验进行了进一步的完善,并对实验结果进行了分析和阐述,为关键字搜索提供了更有价值的实验数据和分析结果。 相似文献
10.
提出了一种新的自适应时频分析方法--局部波动特征分解(Local oscillatory-characteristic decomposition,LOD),该方法以信号本身的局部波动特征为基础,并采用微分、坐标域变换、分段线性变换等运算手段将信号分解为一系列瞬时频率具有物理意义的单一波动分量(Mono-oscillatory component,MOC),非常适合于处理多分量信号。在详细说明LOD分解原理的基础上,通过仿真信号将LOD、经验模态分解(Empirical mode decomposition,EMD)和局部均值分解(Local mean decomposition,LMD)进行了对比分析,结果表明了LOD 的优越性。同时,针对滚动轴承故障振动信号的多分量调制特点,将LOD应用于滚动轴承故障诊断,对滚动轴承实验信号进行了分析,结果表明LOD可以有效地提取滚动轴承故障振动信号的特征。 相似文献