标志变异指标中平均差与标准差的对比问题

阐明标志变异指标中平均差和标准差的各自特点及应用范围，通过对实际资料的分析，对经济统计分析标志变异指标的选择有实际意义。     

基于改进后半监督深度信念网络的多工况轴承故障诊断研究

随着工业自动化的发展,各类旋转机械在多工序、多任务约束下,其轴承转速与载荷均会发生变化,导致针对单一工况的故障诊断方法的准确率大打折扣.因此,提出一种多工况约束下轴承故障诊断方法,该方法基于半监督深度信念网络(Semi-supervised deep belief network,SSDBN),利用少量标记数据即可完成故障分类、判断,提高了跨工况故障诊断的准确率.首先将源域与目标域设置为负载相同、转速与损伤尺寸不同的数据集,通过小波包分解对源域和目标域信号进行重构;在此基础上,应用最大平均差算法(Maximum mean discrepancy,MMD)作为源域和目标域数据特征分布差异评价指标,筛选出分布差异较小的特征样本数据;利用改进后的半监督深度信念网络训练较少的标签数据和大量无标签数据,提高待测数据的分类精度;最后,以凯斯西储大学轴承数据集为例进行试验,验证相同负载不同转速与损伤尺寸工况下模型的诊断精度,以及不同负载、转速、损伤尺寸工况下的模型诊断精度.结果 表明该方法能够提高轴承在多工况约束下的故障诊断准确率,减少故障诊断的误报率,并能降低训练模型过程中的梯度消失现象,提高故障分类成功的概率.另外,提出的方法无需考虑各种特征的灵敏度,亦无须依赖专家知识与经验,具有较强的普适性与兼容性,有利于及时发现并替换损坏轴承,保证机械设备安全、可靠地运行.     

基于模糊优选的特高压输电方式综合评价方法

合理选择特高压(UHV)交直流输电方式是未来特高压电网建设规划中至关重要的一个环节。为此,以特高压交直流输电方式优选作为研究对象,提出了一种基于模糊优选的特高压交直流输电方式综合优选方法。首先建立了一套包含电网结构、电网安全性、经济性、环境影响等多影响因素的特高压交直流输电方式评价指标体系,其次引入了改进层次分析法(AHP)和标准差及平均差方法进行组合权重的计算,最后通过模糊优选方法计算不同备选方案的隶属度,实现输电方式的优选决策。将该方法应用于湖北电网"十二五"新增特高压输电方式的优选,结果表明特高压交流输电方式的综合隶属度为1,而直流方式的最佳相对隶属度为0.588,交流输电方式优于直流输电方式。     

结合学习速率调整的尺度自适应核相关滤波跟踪算法

提出一种结合学习速率调整的尺度自适应核相关滤波目标跟踪算法。通过使用核相关滤波器获得目标的初步位置,使用低复杂度的尺度估计来提高算法对目标发生尺度变化的适应能力,同时也保证了跟踪速度;采用相邻两帧图像之间的平均差分析图像变化,并按平均差的大小来分段调整目标模型的学习速率,解决了目标发生严重遮挡时的跟踪失败问题。通过和5种经典的目标跟踪算法进行实验对比,结果表明:所提算法能够很好地适应目标发生尺度变化、严重遮挡、背景干扰等复杂环境,同时具有231帧/s的实时跟踪速度。     

纱线重量不均率表示法的改进

目前我国纺纱生产实际中测定纱线线密度不匀常采用切断称重法,将所测数据代入平均差系数公式计算得重量不均率,该计算简单,但不能准确反映纱线线密度不匀率。．     

异种钢焊接试验及其在压力容器上的应用

介绍１６ＭｎＰ钢和１Ｃｒ１８Ｎｉ９Ｔｉ之间异种钢焊接材料的选择原则及焊后热处理对焊接接头冲击韧性的影响。并提出了相应的对策。     

刍议平均纤度偏差的计算方法

提出一种间接计算平均纤度偏差(均方差)的方法,即先计算方差平均值,再开方。     

百色市区近70年降雨演变规律分析

为研究百色市区降雨演变规律,基于百色气象观测站1951?2019年的降雨资料,采用Mann-Kendall趋势检验法分析了该地区年降雨量的演变趋势,采用R/S分析法分析降雨量演变趋势的持续性,采用小波分析法对百色市区降雨时间序列进行多时间尺度分析,分析出该地区年降雨量的变化周期,采用滑动平均差检测法、累积距平法和Man...     

塔里木河流域近50年气象要素变化研究

为了给研究及预测塔里木河流域的气候变化和径流演变提供基础,利用塔里木河流域25个气象站1965年～2015年的气象要素资料,采用传统的Mann-Kendall方法对气象要素进行趋势分析,首次将滑动平均差检验法应用于气象要素突变分析,方法通过了理想模型检验,结果准确可靠。近50年来,塔里木河流域气象要素数据分散,年均气温普遍上升,年均风速普遍下降,年均降水普遍上升但不显著;相对湿度、日照时数和蒸发存在地区性差异;各要素突变情况复杂,主要集中在20世纪80年代。     

核分布一致局部领域适应学习

针对领域适应学习(Domain adaptation learning, DAL)问题,提出一种核分布一致局部领域适应学习机(Kernel distribution consistency based local domain adaptation classifier, KDC-LDAC),在某个通用再生核Hilbert空间(Universally reproduced kernel Hilbert space, URKHS),基于结构风险最小化模型, KDC-LDAC首先学习一个核分布一致正则化支持向量机(Support vector machine, SVM),对目标数据进行初始划分; 然后,基于核局部学习思想,对目标数据类别信息进行局部回归重构; 最后,利用学习获得的类别信息,在目标领域训练学习一个适于目标判别的分类器.人 造和实际数据集实验结果显示,所提方法具有优化或可比较的领域适应学习性能.