基于样本库的示功图模糊模式识别

给出了一种基于样本库的示功图模糊模式识别方法,详细介绍了其模型的建立和算法的设定,并结合实例进行了分析,最后用Ｍａｔｌａｂ进行了仿真实验．     

空投产品入水可靠性的评估方法

针对空投某产品时试验多状态、小样本的特点,提出了基于回归折算的性能可靠性评估方法.通过分析投放过程的数学模型,给出入水参数关于投放条件的回归模型,并根据试验数据估计出回归系数.利用回归折算将分散在不同空投条件下的试验数据折算到某一条件下,基于折算后的试验数据得到了较客观的产品入水可靠性评估结果.     

基于样本加权的支持向量机预测方法

不同的样本对最终预测模型的贡献程度是不一样的。在分析了采用支持向量机解决回归预测问题基本原理的基础上,介绍了"预测误差权重"和"样本关联度权重"的两种样本权重确定方法,并将其引入到支持向量机预测模型中来,最后用实例证明了采用样本加权后的预测精度要更高,而采用"样本关联度权重"法的精度又比"预测误差权重"法的精度要高。     

多模态交叉解耦的少样本学习方法

当前的多模态少样本学习方法忽视了属性间差异对正确识别样本类别的影响。针对这一问题,提出一种利用多模态交叉解耦的方法,通过解耦不同属性语义特征,并经过特征重建学习样本的本质类别特征,缓解类别属性差异对类别判别的影响。在两个属性差异较大的基准少样本数据集MIT-States和C-GQA上进行的大量实验表明,所提方法较现有方法有较大的性能提升,充分验证了方法的有效性,表明多模态交叉解耦的少样本学习方法能够提升识别少量测试样本的分类性能。     

兵团党委、兵团关于进一步完善“1＋3”文件若干政策的补充意见

为贯彻落实党的十六届五中全会和中央农村工作会议精神以及《国务院办公厅关于深化国有农场税费改革的意见》(国办发〔2006〕25号),适应新形势和建设屯垦戍边新型团场的要求,进一步解放和发展生产力,在总结团场改革实践的基础上,现就进一步完善兵团党委、兵团“1 3”文件若干政     

萨特的存在主义对马克思主义人学的影响

西方马克思主义在当代非常流行,它的出现给传统马克思主义带来的既有挑战,也有许多可以借鉴的东西。以萨特的存在主义为例,通过对二者关于人学理论的分析,旨在揭示存在主义对传统马克思主义的影响和补充,以及客观、冷静的研究西方马克思主义的重大意义。     

国内生存分析在可靠性数据分析中的应用进展

针对可靠性数据分析中遇到的小样本、异总体、删失和截尾问题,引入现代统计学的重要分支——生存分析理论,分别从参数生存分析模型、非参数生存分析模型和半参数生存分析模型3个方面分析了国内生存分析在可靠性数据分析中的研究现状与应用进展。     

一种小样本数脉冲信号的样本子图分选算法

针对交错的雷达脉冲信号中,辐射源脉冲样本数较少而无法统计脉间参数规律实现脉冲提取的问题,提出了一种基于自提取样本子图的全脉冲匹配分选算法。该算法利用全脉冲移位匹配搜索自相关函数极大峰值,序贯提取辐射源时间维样本子图,同时筛选出匹配脉冲,无需对脉冲特征参数做统计分析,因此,可实现小样本数雷达信号的脉冲提取。仿真实验表明在有脉冲漏失的信号环境中,算法处理样本数充足情况下的脉冲信号与传统多参数统计方法性能相当,而且能提取出小样本数的脉冲信号。     

融合图嵌入的Smooth-PCANet图像识别算法

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。     

基于CNN的三相逆变器开路故障诊断及其样本条件分析

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。