课程文献中心 更多>>

关键词： 雷达信号分选   脉冲描述字   机器学习   聚类算法   均值偏移聚类   捷变频雷达   K-Means算法   DBSCAN算法  

摘要： 为了应对复杂体制雷达信号分选的要求,提升信号分选的速度和准确性,解决传统信号分选方法的弊端,本文将均值偏移聚类算法引入雷达信号分选,通过改进算法引入滑动窗的自适应更新摆脱了传统分选方法对预设参数的依赖。实验结果表明:自适应滑动窗均值偏移算法在分选准确性和速度上综合表现优于用于对比的传统分选方法,对不同密度的雷达数据集和在脉冲丢失的情况下都可实现较好的分选效果,对捷变频雷达的分选效果良好,并可推知对其他类似体制的雷达均有良好分选效果。本文研究成果可应用于大量数据的多体制雷达的分选优化。

关键词： 标签   协同过滤   推荐算法   差分隐私  

摘要： 针对基于标签的电子图书推荐算法中存在的冷启动、稀释性、时间权重和隐私保护问题,设计了一种综合多标签的电子图书资源协同过滤推荐算法。该算法采用多维度相似度计算,结合用户自身标签和资源标签的相似度,提高推荐准确性,更精准地为用户推荐适合的电子图书。同时,引入差分隐私保护机制,有效保护用户隐私。实验结果表明,该算法在准确率、召回率和F1值上表现优异,为图书馆资源推荐提供了一种高效且隐私保护的解决方案。

关键词： 无人机集群   一致性   分布式通信   虚拟势场   编队控制  

摘要： 随着互联网和通信技术的不断发展,无人机被广泛应用于各个领域;但现有的无人机编队控制方法,稳定性较差,无法保持良好的位置和速度一致性;因此研究提出了基于一致性联合虚拟势场的无人机编队控制方法,该方法将人工势场法与一致性控制原理融合,对目标不可达进行优化,引入惯性偏移量解决无人机惯性问题,并设计了无人机编队控制系统;实验结果表明,无人机在x和y轴方向的位置一致性测试性能良好,无人机3在30 s时y轴方向位移出现波动,最大差值10 m;无人机编队的实际悬停位置与期望悬停位置误差为0.16 m,无人机3在x和y轴方向都出现的速度波动,与其他无人机速度方向相反,最大差值分别为6.2 m/s和5.8 m/s,CVPF算法的编队变换速度分别比其他算法快了1.6 s、1.2 s、1.8 s以及2.0 s,计算复杂性仅比长机-僚机法高出6 ms;由此可得,研究提出的算法能够有效控制无人机编队的位置和速度一致性,防止出现安全事故,解决了惯性和目标不可达问题。

关键词： 煤化工   能源计量   数据管理  

摘要： 本文重点分析了煤化工企业能源计量管理中所面临的困难,并提出了提高能源计量管理水平的对策。目前,煤化工企业能源计量管理面临诸多挑战,如认识不足、管理人员技能匮乏、计量工具不规范、检测仪器普及率低、计量数据利用率低、自查整改力度不够等。针对以上问题,本文提出了加强员工节能意识,定期自查,制定计量标准,制定评估策略,。通过本文的介绍,有望提升煤化工行业的能源计量与管理水平,促进我国能源节约与可持续发展。

关键词： 抑郁症诊断   睡眠脑电信号   睡眠分期   CNN-BiLSTM神经网络   DepNet2D模型  

摘要： 抑郁症诊断是医学领域的重要研究方向.而现有的抑郁症诊断方法存在高成本、低效率、准确率不高以及解释性不强等问题,为解决该问题,本文结合睡眠分期技术,提出一种基于睡眠脑电信号的抑郁症自动诊断算法.该方法首先通过卷积神经网络与双向长短时记忆神经网络结合,能够提取睡眠信号的高级特征,同时结合不同睡眠时期的关联性进行分析,提升了睡眠分期的准确率与可解释性.实验结果表明,这种方法在Sleep-EDF公开数据集中准确率最高能够达到95.82%,超越了大多数现有方法.随后,基于睡眠分期的结果,结合卷积神经网络提出了DepNet2D (depression net 2 dimension)模型,对REM期的脑电数据进行特征提取并分类.该模型能够有效地学习睡眠脑电的时空依赖关系,捕捉抑郁症患者大脑活动的特征模式,提高了识别患者频谱特征的准确率.实验结果表明,在抑郁症诊断任务中,本文提出的抑郁症筛查方法准确率达到了88.82%,与传统抑郁症诊断模型相比,具有更高的准确率.该方法增强了抑郁症诊断的可解释性,对现代抑郁症研究等分析研究具有一定的实用价值,为精神健康领域的研究和临床实践提供了新的思路和方法.

关键词： 图像分割   交叉熵   麻雀搜索算法   反向学习   正余弦算法   柯西变异  

摘要： 传统基于熵标准的图像分割法采用穷尽法搜索分割阈值,存在计算代价高、分割效率低的不足。针对这一问题,设计基于Cross熵与改进麻雀搜索算法的图像分割方法。为了提升标准麻雀搜索算法的寻优精度和寻优速率,利用反向学习机制进行种群初始化,改善初始种群结构,提升种群多样性和初始解质量。设计正余弦优化和惯性权重的发现者更新机制,提升发现者全局搜索能力。提出柯西混沌变异的追随者更新机制,结合混沌映射和柯西变异,避免算法产生局部最优。以Cross熵最小为标准评估个体适应度,利用改进麻雀搜索算法寻找图像分割最佳阈值,并实现图像分割。实验结果表明,改进算法在分割指标上表现优异,可以有效提升图像分割精度和分割效率。

关键词： 神经网络算法   FISHER智能阀门定位器   故障诊断  

摘要： 在工业自动化领域,智能阀门定位器在长期运行中不可避免地会遇到各种故障,若不能及时诊断和处理这些故障,将严重影响生产过程的稳定性和安全性。神经网络算法具有出色的非线性映射能力和学习能力,能为智能阀门定位器的故障诊断提供有效的技术支持。该算法能够通过模仿人脑的处理机制,从复杂、高维、非线性的数据中学习故障的特征和规律,从而准确诊断阀门定位器故障。介绍了基于神经网络算法的FISHER智能阀门定位器故障诊断系统的研究与实现过程。从神经网络算法的原理、网络结构入手,阐述了系统的总体设计思路和关键技术。

关键词： 变压器   故障诊断   数据处理   北方苍鹰优化算法   支持向量机  

摘要： 为解决通过油中溶解气体诊断变压器故障精确度不高的问题,提出了一种改进北方苍鹰优化(INGO)算法优化支持向量机(SVM)的故障分类模型。首先,采用主成分分析(PCA)法对油中溶解气体体积数据降维,去除冗余信息;然后,通过引入Singer混沌映射、改进的野马算法搜索机制、Lévy飞行策略多种方法改进北方苍鹰优化算法,再利用INGO算法对SVM核心参数进行优化;最后,将处理后的数据输入到INGO-SVM故障诊断模型中。结果表明,其诊断平均准确率为93.5%,与NGO、GWO、AO优化SVM相比,诊断平均准确率分别提升了3.34%、7.04%、10.12%。同时,该模型也优于极限学习机(ELM)、概率神经网络(PNN)、随机森林(RF)典型分类模型,验证了所建立的变压器故障诊断模型具有更高的精度和泛化能力。

关键词： 时间序列预测   序列分解   膨胀卷积   编码器   解码器   注意力机制  

摘要： 针对当前时间序列预测任务存在的高维特征、大规模数据以及对预测准确性高要求等问题,提出一种基于多尺度趋势-周期分解的多头门控膨胀卷积网络模型。该模型采用多尺度分解方法,将原始协变量序列和预测变量序列分解为各自的周期项和趋势项,从而实现独立的预测。对于周期项,引入多头门控膨胀卷积网络的编码器,以提取各自的周期信息;在解码器阶段,使用交叉注意力机制进行通道信息的交互融合,并将预测变量的周期信息采样对齐后通过时间注意力与通道融合信息进行周期预测。对趋势项则采用自回归方式进行趋势预测。最后将趋势预测与周期预测的结果相加得到预测序列。与长短期记忆(LSTM)、Informer等多个主流基准模型进行比较,所提模型在ETTm1、ETTh1等5个数据集上的均方误差(MSE)平均下降了19.2%~52.8%,平均绝对误差(MAE)平均下降了12.1%~33.8%。通过消融实验验证了所提出的多尺度分解模块、多头门控膨胀卷积以及时间注意力模块能提升时序预测的准确度。

关键词： Shunt辨识   短时傅里叶变换   决策树   随机森林   支持向量机  

摘要： 为了准确辨识汽车抖动和半轴扭矩振荡(Shunt)现象,以传统汽车为载体,结合短时傅里叶变换方法分析补充了Shunt的定义并优化标签数据集,使用决策树、支持向量机和随机森林算法,以发动机转速、变速器输入轴转速等传感器信号作为输入来识别Shunt。结果表明,与传统的模型构建方法相比,该方法降低了模型构建的难度和成本,后续可用于可解释的机器学习来解释模型。