排序方式: 共有19条查询结果,搜索用时 15 毫秒
1.
目的探讨断指再植患者围手术期的护理体会。方法回顾分析我院在2008年6月至2010年5月收治的183例(221指)断指再植患者的临床资料。结果 183例(221指)断指再植患者中215指(97.3%)再植成功,仅有6指再植失败。随访后发现,除2例患者存在部分功能障碍,其余均恢复良好。结论断指再植手术结合围手术期的良好护理必定能进一步提高断指再植的成功率。 相似文献
2.
针对不同工况下样本有限不平衡造成滚动轴承寿命阶段识别中少数类样本无法被有效识别的问题,提出了多分类器集成加权均衡分布适配的滚动轴承寿命阶段识别方法。首先,采用随机抽样的方式获得源域多样本训练集,为目标域预测伪标签的同时赋予样本不同的初始权重,充分训练少数类样本;然后,在再生核希尔伯特空间训练各源域样本集的分类器,并通过迭代的方式优化伪标签、更新权重矩阵;最后,通过多分类器集成策略将合适的基分类器集成为强分类器,以获得最终识别结果。结合F-score评价标准,使用宏平均与微平均评价指标对多分类任务进行评价避免了准确率对识别结果的误导。在两组滚动轴承寿命阶段数据集上进行实验验证,证明了所提方法的可行性和有效性。 相似文献
3.
4.
针对不同转速下滚动轴承故障诊断中特征提取困难、数据分布差异巨大影响诊断结果,提出一种不同转速下基于深度注意力迁移学习(deep attention transfer learning, DATL)的滚动轴承故障诊断方法。首先,利用小波变换获取振动信号的时频图以展现时频特征;其次,搭建融合空间和通道的注意力卷积神经网络(attention convolutional neural network, ACNN)提取滚动轴承的关键特征以防止特征丢失;然后,在ACNN中添加领域适配层,完成不同转速下滚动轴承深度特征的迁移适配;最后,通过Softmax分类层对目标数据进行故障状态识别。通过不同转速下不同故障程度的滚动轴承故障诊断试验证明了所提方法的可行性和有效性。 相似文献
5.
为在非经验指导下获取多尺度一维卷积神经网络中卷积核数目和尺度最优参数,实现风机基础螺栓松动智能诊断,提出粒子群优化(particle swarm optimization, PSO)多尺度一维卷积神经网络的风机基础螺栓松动诊断方法。首先,获取风机一维原始振动信号,划分训练集与验证集;然后,将多尺度一维卷积神经网络中卷积核数目和尺度作为PSO的粒子,以验证精度作为适应度值,根据适应度值更新粒子速度和位置,经训练后获得最优卷积核数目和尺度参数下的多尺度一维卷积神经网络;最后,输入测试样本,得到风机基础螺栓松动诊断结果。在稳定转速和升降速下进行风机基础螺栓松动诊断试验,结果表明,PSO优化多尺度一维卷积神经网络的风机基础螺栓松动诊断方法可在非经验指导下获取最优参数,可从一维原始信号中提取出有效松动特征,具备良好的松动诊断效果。 相似文献
6.
工业机器人谐波减速器工况循环往复,仅依靠单一传感器难以刻画其运行状态全貌且会导致健康状态评估结果不确定性高。为此,提出了多传感器信息深度融合的谐波减速器健康状态评估方法。首先对谐波减速器振动信号进行连续小波变换,构造出时频图以描述其运行状态特征;再运用基于小波变换的图像融合方法将多个传感器的时频信息进行融合以全面刻画谐波减速器运行状态。最后利用卷积神经网络对融合后的时频图像进行自动学习获得能准确表征谐波减速器健康状态的深度特征,并通过在卷积神经网络最后添加全连接层实现健康状态评估。通过对不同健康状态以及不同工作节拍下谐波减速器进行健康状态评估试验,证明了所提方法的可行性与有效性,并具有较好的泛化能力和稳健性。 相似文献
7.
自适应参数优化EEMD机械故障特征提取方法 总被引:1,自引:0,他引:1
针对应用集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)进行机械故障特征提取时两个重要参数k(白噪声幅值系数)和M(总体平均次数)的选取问题,分析了不同幅值系数的白噪声对信号极值点分布均匀性和EEMD分解精度的影响规律,提出了基于信号极值点分布均匀性的EEMD自适应参数优化方法。该方法根据信号本身特点,自适应选取使信号极值点分布最为均匀的白噪声幅值系数作为EEMD的k值,再通过设置期望分解误差计算得到M值。通过仿真分析和工程应用,验证了所提方法的可行性和有效性,与现有EEMD参数选取方法的对比结果表明了该方法的优势。 相似文献
8.
杨黎霞 《电脑编程技巧与维护》2009,(8):36-37
本文以一个初步完成的计算机专业部分课程学习资源库设计为例,对于学习资源库建设中的数据库技术的应用进行了探讨。首先概述学习资源库的基本组成,然后详尽分析学习资源库的设计、开发、使用、维护的基本过程。 相似文献
9.
10.
针对在长时跟踪过程中因丢失视野导致目标跟踪失败的问题,提出了基于加权在线样本更新的目标长时跟踪方法。 首
先,使用 ResNet50 网络提取目标深度特征并增强初始帧样本优化目标模型,提高初始帧样本权重影响;然后,利用目标模型对
测试帧样本进行分类,并采用置信度分值加权在线学习样本以增强样本质量,提升模型的分类效果;其次,使用置信度分值判别
目标状态并跟踪定位目标,目标丢失时使用时空约束搜索在丢失处自适应扩展区域并随机搜索目标,同时利用在线学习快速优
化目标模型,增强其对目标的搜索能力;最后,针对搜索过程设计一种自适应阈值判别方法,充分利用图像背景信息,将目标丢
失时背景置信度分值作为判别阈值,降低搜索过程中相似背景的影响以准确找回目标。 使用 LTB50 数据集进行实验验证,成
功率和跟踪 F-score 分别为 66. 1% 和 64. 4% ,优于其他方法;在四足移动机器人平台上进行真实场景实验,目标完全遮挡和视野
外两种情况下成功率分别为 87. 8% 和 85. 8% ,证明了方法的有效性。 相似文献