关键词： 机器视觉   光谱成像技术   无损检测   钢球品质   神经网络   模式识别  

摘要： 针对传统基于机器视觉的钢球表面质量分拣系统,大多属于静态检测,在静止状态下对钢球的放置方式以及放置位置都有严格要求,自动化水平低,难以真实模拟现实中不同钢球的品质状态,适合小批量的抽样检测,无法胜任大批量、高速度质量判别的问题;本文通过将机器视觉和高光谱图像技术进行融合,通过对不同环境下光谱特性的分析,进而为机器视觉光源、背景材料的选择提供依据。结果表明,基于机器视觉和光谱成像技术的BP人工神经网络模型,能够提升钢球品质无损检测的实时性和精确性。

关键词： 输变电施工设备   故障模式   维修策略   相关性分析  

摘要： 针对某变电站输电线路项目中的吊车设备,采用统计分析和相关性分析方法,对设备故障模式进行识别,对振动频率、温度、电流、负载和工作时间等关键参数进行分析,识别了设备故障的主要特征,揭示各变量与故障模型间的显著关系。基于分析结果提出了定期监测、预防性维护和数据驱动的维修策略,以提高设备运行的可靠性,降低故障率,确保项目顺利进行。此研究结果为设备故障诊断和维修提供了科学依据,对工程项目的设备管理具有重要的实践意义。

关键词： 变电设备   人工智能技术   自然语言处理   传感技术   模式识别   智能诊断   数据分析   逻辑推理能力  

摘要： 变电设备状态检修技术的发展经历了从人工巡检到基于传感技术的在线监测,再到基于大数据和人工智能的智能诊断的过程。Deep Seek作为一种先进的人工智能技术,具备强大的自然语言处理能力和逻辑推理能力,能够理解和生成自然语言文本,处理复杂的数据分析和模式识别任务,为变电设备状态检修提供了新的智能化手段。

关键词： 中国计算机学会   人工智能   模式识别   学术活动   学术动态   CCF   最新研究成果   参会者  

摘要： 中国计算机学会人工智能会议(CCFAI,CCF Conference on Artificial Intelligence)是由中国计算机学会主办,中国计算机学会人工智能与模式识别专业委员会承办的人工智能领域盛会。该系列会议每两年举行一次,现已成为国内人工智能领域最主要的学术活动之一。会议旨在为人工智能领域从业者提供一个互动交流平台,使参会者了解人工智能前沿学术动态,分享人工智能领域的最新研究成果和创新思想,提高国内人工智能领域的研究水平。

关键词： 新能源风机   故障模式识别   机械故障   数据挖掘   老化问题  

摘要： 为了保障电网的稳定运行和经济效益,风力发电机组的运行状况尤其重要。现有研究已借助高频振动信号,针对风力发电机组矛盾宿命的机械故障问题,构想出了一套新颖的故障诊断及维修决策方法。该方法乃是利用数据挖掘技术,结合风力发电机组的实时运行信息,打造一个故障模式识别模型,借此达成实时监测数据,预警和准确校验风电机组可能存在的潜在故障。通过具体实践中的使用案例证实,这一法门不仅能精确定位故障所在,进而进行故障等级评估,也能为接下来的维修决策提供科学的参考依据,具有极高的应用价值。同时我们发现,通过实施该方法后,可以大幅提高风电机组的运行稳定性,以及维修效率。此外,对于风电机组长时间运行出现的老化问题,我们还通过研究发现,该模型能够对风电机组运行过程中可能出现的老化故障进行预测,从而实现对老化过程的科学管理,有助于提升风电机组的使用寿命和效率。该研究的成果对于新能源风机发电机组的稳定运行十分关键,有望推动新能源发电机组故障处理技术的进一步发展。

关键词： 行人航迹推算   有限状态机   步态检测   模式识别  

摘要： 为提高行人航迹推算(PDR)的定位精度,提出一种基于改进有限状态机(FSM)步态检测的PDR定位算法。通过引入基于K近邻的手机姿态识别算法,实现FSM步态检测算法中各项判断阈值的自适应调整,从而提高步态检测的精度和普适性,并针对不同手机姿态建立相应的Weinberg步长估计模型,增强PDR定位的鲁棒性。实验结果表明,改进步态检测算法不仅可以有效适应各种运动状态,而且各种手机姿态下的检测准确率均达到95%以上;相比基于波峰检测法的PDR模型,改进的PDR模型在四种手机姿态下的距离误差分别减小了91.4%、91.1%、84.6%和33.5%;而与基于传统FSM的PDR模型相比,距离误差则分别减小了61.5%、45.9%、78.5%和3.9%,有效提高了PDR定位精度。

关键词： 智能科学   自然语言处理   智能系统   机器学习   模式识别   人工智能   领域理论研究   学会会刊  

摘要： 期刊简介《智能系统学报》是中国人工智能学会会刊,由中国人工智能学会与哈尔滨工程大学联合主办,旨在创办中国智能科学领域引领性的中文学术期刊,主要刊登机器学习、机器感知与模式识别、机器人、智能系统脑认知基础、知识工程、自然语言处理与理.解、人工智能基础等内容,反映我国智能科学领域理论研究及科研进展情况,促进和扩大国内外学术交流,为我国智能科学的发展和社会进步服务。

关键词： 装配式结构   环向接头   接头张开   弯曲模式   状态非线性  

摘要： 为了探究装配式结构环向接头在弯矩和轴力共同作用下产生的非线性特征,基于接头处的接触状态、受力特征和变形协调关系,提出了压弯、纯弯和拉弯受力状态下的力学模型,分析了弯曲变形发展过程的内力区域分布及其识别方法,并运用三维数值模型进行验证。研究发现,接头的主要变形历程可由4种弯曲模式进行表征,将具体构件尺寸和材料参数代入相关转角表达式中即可判断接头处于何种发展过程。通过现场实测弯矩值和轴力值可准确识别环向接头的弯曲模式,并给出接头随弯矩变化的力学特征及安全状态。

关键词： 支持向量机   核函数   参数调优   模式识别  

摘要： 本文旨在探索支持向量机(SVM)在棋盘数据分类中的应用效果及其性能,特别是在国际象棋和围棋等棋类游戏的局面分类问题上。通过对不同参数设置下的SVM模型进行实验,本文分析了线性核、多项式核及径向基函数(RBF)核SVM在处理高维、复杂棋局数据时的准确率和泛化能力。本文对比了多种SVM模型在棋盘数据上的分类性能,通过交叉验证和细致的参数调优过程,选出了最优模型。实验结果表明,SVM模型尤其是采用RBF核的模型,在棋盘数据分类任务中展示出了显著的性能优势,包括高准确率和良好的泛化能力。此外,实验也揭示了特征选择和模型参数调优在提高分类性能中的重要性。This paper aims to explore the application effect and performance of support vector machine (SVM) in chessboard data classification, especially in the situation classification of chess and go. Through experiments on SVM models with different parameter settings, the accuracy and generalization ability of linear kernel, polynomial kernel and radial basis function (RBF) kernel SVM in processing high-dimensional and complex chess data are analyzed in this study. In this paper, the classification performance of multiple SVM models on chessboard data is compared, and the optimal model is selected through cross-validation and meticulous parameter tuning process. The experimental results show that the SVM model, especially the model with RBF kernel, shows significant performance advantages in chessboard data classification tasks, including high accuracy and good generalization ability. In addition, the experiment also reveals the importance of feature selection and model parameter tuning in improving classification performance.

关键词： 飞行轨迹   模式识别   变分自编码器   自注意力机制  

摘要： 为精确识别飞行轨迹的运行模式,提出了一种基于自注意力机制(SA)与高斯混合变分自编码器(GMVAE)的飞行轨迹聚类方法。SA-GMVAE是一种端到端的深度聚类方法,GMVAE利用变分推断估计每条轨迹的潜在分布,将输入的飞行轨迹数据映射到由多个高斯分布组成的潜在空间,同时依据轨迹分布特征进行聚类。考虑到GMVAE无法兼顾潜在特征的全局关键信息,将自注意力机制嵌入到编码器中,以便于在特征提取时能够捕获全局依赖关系并自动分配权重,突出关键特征,提升轨迹聚类效果。最后,以天津滨海国际机场的进场飞行轨迹数据集为例验证了模型的有效性,实验结果表明:SA-GMVAE相较于K-means、DBSCAN、DTW+HDBSCAN、AE+DP与AE+GMM 5种聚类方法,轮廓系数分别提高了27.6%、20.2%、18.2%、18.6%、15.7%;与未引入自注意力机制的GMVAE聚类模型相比,轮廓系数提高了9.5%,能够更准确地对飞行轨迹进行聚类。