排序方式: 共有67条查询结果,搜索用时 15 毫秒
41.
针对故障率作为维修性试验验证故障样本分配的主要影响因素,而使故障样本分配结果的合理性与可信性不足的问题,提出了一种基于TOPSIS法与灰色关联度法的维修性试验验证故障样本分配方法。构建了故障样本分配影响因素体系,采用残缺判断矩阵法确定了各影响因素的权重,基于TOPSIS法与灰色关联度法构建了故障样本分配的数学模型。以某型装甲车辆加温器的维修性试验为例,验证了所提故障样本分配方法的可行性,结果表明:相比按比例分层抽样的故障样本分配方法,所提方法的故障样本分配结果的合理性与可信性明显提高,更适用于装甲装备维修性试验验证工程实践。 相似文献
42.
43.
44.
主成分分析网络(Principal Component Analysis Network,PCANet)是一种简单的深度学习算法,在图像识别领域具有优秀的性能。然而PCANet在构建网络卷积核时只关注了图像的主分量信息,忽视了近邻像素点之间的位置关系。而通常情况下,图像的相邻像素点具有空间强相关性,因此利用图结构保持像素点的位置近邻关系更有利于网络提取有效特征。因此,我们将图嵌入思想融入PCANet,提出一种新的图像识别算法Smooth-PCANet。为了验证Smooth-PCANet算法的有效性,我们在人脸、手写体字符以及图片等不同数据集上构建实验,并将Smooth-PCANet与多种基于深度学习的图像识别算法作了对比。实验结果证明,Smooth-PCANet算法比PCANet获得了更高的识别性能,并且更有效地避免了过拟合,在小样本训练时具有显著优势。 相似文献
45.
为了合理选择样本条件以实现高效的智能化诊断,以及克服智能化方法中传统反向传播(back propagation, BP)网络权值较多、局部信息提取能力不足的问题,对基于卷积神经网络(convolutional neural network, CNN)的开路故障诊断方法进行研究,并以典型的三相两电平逆变器为具体对象,着重分析样本时长、样本数量变化时,CNN方法相较于BP网络方法在网络权值数量、训练稳定性、诊断准确率上的量化优势。结果表明,基于CNN的方法可在权值数量远少于BP网络方法的情况下构建深度更深的诊断模型,并在更短样本时长、更少训练样本数量下实现高效、准确的开路故障诊断。 相似文献
46.
小样本采样数据的预处理 总被引:10,自引:2,他引:8
一般情况下数据处理大多采用数理统计方法,该方法对于数据较少情况下处理和判别粗大误差不适用。提出了运用线性均方估计法和熵值判别法来处理和判别粗大误差,线性均方估计消除粗大误差是一种采用软化的方法处理粗大误差;熵值判别法是根据熵的上界对应最大的不确定度,利用所得数据的熵信息量判别数据是否含有粗大误差。这两种方法经过多个实例计算,结果表明,它们在处理小样本采样数据时更有效。 相似文献
47.
48.
49.
在诸如液体火箭发动机等复杂动力学系统的故障诊断中,监控参数组的优选问题一直受到工程技术人员的高度重视。本文提出了综合样本矢量方向离散度概念,以此作为故障特征参数的优选准则;然后利用经过改进的遗传算法,对某液体火箭发动机常见故障的诊断进行了特征参数组的优选。在改进的遗传算法中,采用了非常简洁而高效的染色体编码,针对特征优选的组合优化类问题专门设计了一种特殊的基因迁移算子,并引进了父本个体适应值的动态调整技术与共享函数。数值实验结果表明,该算法具有理想的效果。 相似文献
50.
应用模糊数学中聚类分析和模糊排序的方法,对具有多因素影响的样本分类提出一种合理的分类及排序方式,并用此方法对英语分级教学进行了研究. 相似文献