韧性硬化材料裂纹扩展分形运动学
|
|
|
- 宪洋 卞
- 5 years ago
- Views:
Transcription
1 基于卷积神经网络的轴承故障定性诊断 单建华吕钦张神林郑近德王孝义 ( 安徽工业大学机械工程学院马鞍山 242) chnaxv:278.69v 摘要 : 轴承定性诊断的传统方法需要复杂难懂的数学知识和高深的领域知识 ; 基于深度置信网络的方法虽然克服了传统方法的缺点, 但网络参数规模巨大, 训练困难 ; 基于时频图的卷积神经网络方法需用小波变换得到时频图 由于卷积神经网络具有强大的特征学习能力和泛化能力, 提出了一种基于卷积神经网络的轴承故障定性诊断方法, 直接利用一维振动信号对卷积神经网络进行训练 优势在于克服了传统方法的缺点 ; 相比深度置信网络, 网络参数少很多, 训练高效 ; 也无需小波变换得到时频图 采用西储大学和本实验室轴承数据, 进行了一系列全面测试, 表明本文方法能准确地定性诊断轴承故障, 准确率高于其他所有方法 ; 首次通过利用西储大学的轴承数据训练的卷积神经网络准确诊断了本实验室待测轴承的故障类型, 这表明该方法能实际工程运用 关键词 : 故障诊断 ; 卷积神经网络 ; 轴承中图分类号 :TH56 Bearng Qualtatve Fault Dagnoss based on Convoluton Neural Network SHAN Janhua LV Qn ZHANG Shenln ZHENG Jnde WANG Xaoy (School of Mechancal Engneerng, Anhu Unversty of Technology, Maanshan 242) Abstract:The tradtonal methods of qualtatve dagnoss of bearng requre complex and dffcult knowledge of mathematcs and deep doman knowledge. The method based on deep belef network overcomes the shortcomngs of tradtonal methods, but the amount of network parameters are huge, thus the netword s dffcult to tran. Convoluton neural network tme-frequency mage method uses wavelet packet transform to obtan tme-frequency mage. As the strong feature learnng ablty and generalzaton ablty of convoluton neural network, a qualtatve fault dagnoss method of bearng based on convoluton neural network s proposed. Convoluton neural network s traned drectly on one-dmensonal vbraton sgnal. The advantages of ths method are to overcome the shortcomngs of the tradtonal methods, the amount of parameters are much less and tranng s effectve compared to the deep belef network, don t need use wavelet packet transform to obtan tme-frequency mage. A seres of comprehensve tests are carred out by usng the data of Case Western Reserve Unversty and our own laboratory. They show that the method can dagnose the bearng fault accurately and the accuracy s hgher than that of all other methods. For the frst tme, the convoluton neural netword traned on Case Western Reserve Unversty s data, accurately dagnoses the fault type of our own laboratory s bearng, whch ndcates that the method can be used n practcal. Key words:fault dagnoss; CNN; Bearng 前言 轴承是旋转机械中重要的承载元件之一, 也是机械设备中故障高发元件, 所以轴承故障诊断显得 [-2] 尤其重要, 为此, 国内外学者对此进行了大量研究 传统方法是人工提取特征, 然后进行特征选择和降维及分类器设计 特征提取是最为重要的步骤, 国家自然科学基金资助项目 (545,5754) 大量的方法被提出, 例如小波分析, 统计分析 经 [-5] 验模式分解 奇异值分解和自回归模型等 然而, 上述方法运算复杂和难以掌握, 同时诊断效果不佳, 难以实际运用 近几年, 深度学习作为机器学习的一个最新最热领域, 发展迅速, 在语音识别 图像处理等领域取得了巨大成功, 以其强大的特征学习能力著称 所以, 近年来有学者利用深度学习进行轴承故障定 [6] [7] 性诊断 赵光权 雷亚国等提出了基于深度信念网络 DBN 的轴承故障诊断方法, 省去了人工提
2 chnaxv:278.69v 取特征的步骤, 但是网络参数多, 网络参数需要预训练且训练难度高, 网络的泛化能力较弱, 识别效 [8] [9] 果不够理想 何清波 曾雪琼提出基于卷积神经网络的轴承故障定性诊断, 但是网络输入层是时频图, 需要用小波变换将一维振动数据转化成二维时频图, 运算复杂, 且转化过程中会丢失信息, 识别效果不佳 [] 卷积神经网络作为深度学习的重要一员, 主要运用于二维图像识别中, 具有如下优点 :() 可以从大量的样本中自动学习数据的特征, 省去了传统方法复杂繁琐的特征提取过程, 减少了对专家知识的依赖 (2) 结构采用局部连接 权值共享等手段, 极大减小了网络参数规模, 降低了训练难度, 提高了训练速度 使得网络泛化能力增强 卷积神经网络在图像识别方面已经广泛运用, 但在故障诊断方面的运用却鲜有人尝试 卷积神经网络主要用于图像识别, 图像尺寸是二维的, 但卷积神经网络也可以用于一维信号 本质上只要信号具有平移不变性, 就能通过卷积神经网络进行学习, 不管信号是一维还是二维 图像具有平移不变性, 轴承故障数据也具有平移不变性, 本文实验结果验证了这一点 一维信号可以看成二维信号的特例, 只需把一维信号的宽度认为是 据作者所知, 本文提出了采用一维振动信号的基于卷积神经网络的轴承故障定性诊断方法 该方法具有如下优点 : 卷积神经网络能自动提取特征, 不需人工参与, 方法简单易懂, 便于工程推广 ; 网络训练难度低 ; 诊断方法效果好, 准确率高 ; 诊断方法泛化能力强, 能在实际故障定性诊断中取得良好效果 通过西储大学和本实验室轴承数据证明了本方法对轴承故障定性诊断的有效性 卷积神经网络简介. 卷积神经网路的发展 [] 998 年,Yann Lecun 等提出了 LeNet-5, 采用基于梯度下降法的反向传播算法对网络进行训练, 并在手写数字数据库 MNIST 上取得了成功 因此卷积神经网络引起了学术界的关注, 也逐渐应用在语音识别 人脸识别 物体识别等领域 22 年,Hnton 及其学生 Alex Krzhevsky 等人提出了 AlexNet [2] 网络模型, 并在大型图像数据库 ImageNet [] 的竞赛中, 以比第二名高出 % 的巨大优势取得了胜利 一时间卷积神经网络成为了学术界的焦点 之后, 牛津大学提出了 VGGNet [4], 谷歌提出了 GoogLeNet [5], 微软提出了 ResNet [6] 这些网络不断刷新了 AlexNet 创下的记录.2 卷积神经网路的结构卷积神经网络一般由输入层 卷积层 非线性激活层 池化层 全连接层 softmax 输出层组成 其中核心为卷积层, 非线性激活层, 池化层 如图 所示是卷积神经网络的典型模型 图 卷积神经网络的典型模型卷积层运用卷积核完成从上一层到下一层的特征提取 X 表示第 层的特征图, 卷积神经网络 的输入层一般是图像, 用 X 表示 卷积层的操作表示为 X X W b () - 其中 : W 为第 层的卷积核的权值矩阵, 表 示卷积运算, b 为第 层的偏移向量 非线性激活层通过非线性函数, 完成从上一层 到下一层的特征映射, 表示为 X F (2) X - 其中 :F 为非线性函数, 常用的非线性函数有 ReLU 函数及其变体 Leaky ReLU, Random ReLU, Parametrc ReLU, Shfted ReLU, Exponental LU [7] 池化层 : 对特征图进行降采样, 一方面可以对特征图进行降维, 另一方面又可以减少卷积神经网 络参数 其中最常见的是最大值池化, 表示为 X a b, max X - a s p, b s p () ( p,q s) 其中 : s s 是池化层窗口尺寸 卷积神经网络的目标是使损失最小, 损失包括经验风险和结构风险, 经验风险常用的是交叉熵损失, 结构风险通常是权重的二范数 2 轴承故障定性诊断方法流程 卷积神经网络进行轴承故障定性诊断时, 分为四个步骤 : 创建训练数据库 创建卷积神经网络 训练卷积神经网络以及定性诊断轴承故障 () 创建训练数据库 : 对于每种工况下采样数据, 优先采用随机方式创建, 即在随机位置处截取振动数据中大于一个数据周期长度 ( 即轴承旋转一周, 采样数据点的个数 ) 的连续数据点作为一个样
3 chnaxv:278.69v n 本点, 优先选择 k 2 个数据点作为一个样本点, 其中 k n 为正整数 一般建议选取满足条件的最小数作为样本点长度数值, 这样样本点长度较短, 使得卷积神经网络训练更快, 网络设置层数也可以减少 但有时为了提高诊断准确率, 也可以适当增加样本点长度 对于样本点的创建方式,Mao He [8] 在提出了将原始信号进行短时傅里叶变换或者快速傅里叶变换, 然后从中提取部分图谱作为样本点数据 ; 何清 [8] 波也是将原始信号通过小波包变换成时频图, 然后利用时频图进行诊断 ;Mn Xa [9] 提出了以原始信号为卷积神经网络作为输入, 但多传感器时时构建二维图形式 还有其他的一些论文中, 也并没有详细说明样本点的长度以及如何从很长的原始信号中提取样本点 而本文详细给出样本点长度计算公式, 同时采用随机截取的方式, 使得在测试时更加简便, 无需寻找特定的截取位置, 使得运用更加简便, 随机截取样本点的方式还有一个优点就是使得样本点多样性增强, 这样训练出来的卷积神经网络泛化能力更强 重复上述样本点创建过程, 创建足够多的样本点作为训练数据库 (2) 创建卷积神经网络 : 在创建卷积神经网络卷积时, 可以在参考 LeNet AlexNet ZFNet VGGNet GoogLeNet ResNet 等经典卷积神经网络的基础上设计, 或自行设计可行的卷积神经网络 () 训练卷积神经网络 : 利用训练数据库训练卷积神经网络, 调试超参数, 获得较好的卷积神经网络参数, 提高网络泛化性能 (4) 定性诊断轴承故障 : 从待诊断的轴承振动数据中创建多个样本点, 输入到训练好的卷积神经网络中, 得到每个样本点的故障类型, 采用出现次数最多的故障类型作为轴承的故障类型 轴承故障定性诊断实例 9 图 2 西储大学轴承故障信号采集装置. 创建数据库选用驱动端以 2kHz 采集的加速度数据, 其中包括了正常 内圈故障 滚动体故障和 4 种类型所有工况即 48 种工况的原始数据, 其中包含的转速有 7rpm 75rpm 772rpm 和 797rpm 四种, 包含的故障程度有 7mls 4mls 2mls 和 28mls(mls=.nch) 四种, 包含的载荷有 hp hp 2hp 和 hp 四种,hp 是马力 值得注意的是,hp 对应着 797rpm,hp 对应着 772rpm,2hp 对应着 75rpm,hp 对应着 7rpm 对于数据包含了三种不同的安装位置, 分别是 6 和 2 点钟方向 在所有工况中, 最低转速是 7rpm,2kHz 时, 此时数据周期为 46 如图 所示, 样本点采用随机方式创建, 即每个样本点在随机位 置处截取连续的 52 个数据点,52 为大于数据周 n 期 46 且满足 k 2 的最小整数, 样本点选取的数 据点少, 有利于降低卷积神经网络结构的复杂度和 训练难度, 同时能加快训练速度和减少测试时间 本实验采用美国凯斯西储大学 (Case Western Reserve Unversty) 的轴承故障数据库, 实验装置 如图 2 所示 图 随机方式创建样本点,A 是随机位置点,AB 之间是 52 个数据点对 48 种工况数据, 每个工况创建 6 个样本点, 由于外圈一个工况有三种安装位置, 故每个工况创建 8 个样本点, 总共 84 个样本点, 并对每个样本点设置对应的故障类型标签, 完成数据库
4 chnaxv:278.69v 创建, 如表 所示 表 西储大学轴承故障数据库 故障程度 (mls) 正常 内圈故障 载荷类别 (hp) 样本点个数 电机转速 (rpm) 创建卷积神经网络直接采用一维振动信号作为网络输入层, 即. 节创建的样本点作为输入层 创建卷积神经网络时, 参考了 VGGNet 的结构, 网络包含输入层 (nput layer), 卷积层 (convolutonal layer) 最大池化层 (max-poolng layer) 平均池化层 (average-poolng layer),softmax 输出层 采用平均池化层代替全 连接层, 可极大减小网络权重数量, 降低训练难度, 同时也能提高网络预测精度 [2] 每两个连续的卷积 层后跟一个最大池化层, 卷积层不改变特征图尺寸, 池化层减小特征图尺寸到二分之一 每个卷积层后 接一个非线性激活层, 激活函数采用偏移修正线性 函数 (Shfted ReLU), 具体表达式为 max(-,x) 网络 层数设为 9 层, 其中 层输入层 层卷积层,5 层最大池化层以 层平均池化层和 层 SoftMax 输出层 前 层卷积层的卷积模板尺寸均为 *, 最后 层卷积层卷积模板尺寸为 *, 卷积层步长 均取 * 最大池化层的池化窗口尺寸均为 2*, 步 长均为 2* 输入层为 52**( 样本点 ),SoftMax 输出层有 4 维, 对应 4 种故障类型 为了保证每次 卷积运算后, 特征图 (feture maps) 尺寸不变, 在 对特征图进行 * 卷积运算之前, 需对特征图进行 填充 (Paddng), 即在特征图首尾对称补一个零 网络各层的特征图数量依次为 : 网络结构如图 4 所示 2 图 4 卷积神经网络模型.2 设置网络超参数训练卷积神经网络时所采用的超参数为 : Nesterov 动量随机梯度下降法, 提前终止法, 学习速率为., 正则化系数为.5,mn-batch( 批量数 ) 为 2, 动量系数为.9; 权重初始化为高斯分布的随机数, 均值为零, 方差为., 偏置初始化为零. 测试 采用. 节所创建的数据库, 每种工况所创建 的 6 个样本点按照 6:2:2 的比例随机分为训练集 验证集和测试集, 如表 2 所示 表 2 故障程度 (mls) 测试 中数据库分类情况 载荷类别 (hp) 正常 (~)/(~) 样本点个数 24 (44 48 /48) 内圈故障 (7~28)/(7~28)(~)/(~) 96 ( /92)
5 9 (7~28)/(7~28)(~)/(~) (7~2)/(7~2)(~)/(~) 96 ( /92) 68 (8 6 /6) 采用提前终止法, 在 9 次停止训练, 测试 集的准确率, 结果如表 所示 表 正常内圈故障 测试 中测试集准确率 全部 准确率 (%) 荷的三种工况下传感器相应安装位置下采集的七组 数据作为测试集 剩下的所有工况, 每种工况所创建的 6 个样 本点按照 8:2 的比例随机分为训练集和验证集, 数 据集分类如表 4 所示 同测试 一样采用提前终止法, 在 9 次停 止训练, 四个测试集的准确率, 结果如表 5 所示 表 4 故障程度 (mls) 正常 测试 2 中数据库分类情况 载荷类别 (hp) ( 2 ) / 样本点个数 24 (44 6 /6) chnaxv:278.69v 这里特别强调下, 测试集准确率 99.79% 虽然没 有达到 % 但 99.79% 是任一样本点的准确率, 实际测试时, 可以创建多个如 个样本点, 得到 每个样本点的故障类型, 采用出现次数最多的故障 类型作为轴承的故障类型, 这时出现误判的概率接 近零 测试 采用混合工况, 测试样本点所在工况在 训练工况中都出现过, 这与其他论文的做法相似, 传统方法的准确率一般都在 95% 左右, 个别方法能 达到 98% 深度学习 DBN 方法 [7] 准确率与样本点长 度有很大的关系, 当样本点长度为 248 时, 准确率 为 98.8%; 利用时频图的卷积神经网络诊断方法为 99.5%, 该文献只是使用了少数工况数据, 不像本 文使用了全部的 48 个工况, 本文方法的准确率为 99.79% 测试 中, 测试集所在的工况包含于训练集工 况中, 传统的人工提取特征方法所采用的测试方式 基本都是这种方式, 准确率比本文方法低, 且很少 对混合工况进行研究 测试集所在的工况包含于训 练集工况中, 即测试用的工况在训练卷积神经网络 时, 被卷积神经网络见过, 在实际测试中, 这种情 况不可能存在的 因为实际测试时, 测试轴承所在 工况的数据是不可能在训练时得到的 为了避免测 试集所在的工况包含于训练集工况中, 使测试样本 点被卷积神经网络见过的情况, 设计了测试 2.4 测试 2 测试 2 中, 对于正常轴承采用 hp 载荷的工况 作为测试集 内圈故障的轴承采用四种故障程度下 hp 载荷的四种工况作为测试集 滚动体故障的轴 承采用四种故障程度下 2hp 载荷的四种工况作为测 试集 的轴承采用三种故障程度下 hp 载 内圈故障 (7~28)/(7~28) (7~28)/(7~28) (7~2)/(7~2) 表 5 正常内圈故障 ( 2 ) / ( ) /2 ( 2) / 测试 2 中测试集准确率 96 ( /24) 96 ( /24) 68 (8 252 /42) 全部 准确率 (%) 与测试 不同的是, 测试 2 的测试工况, 没有 出现在训练工况中, 即卷积神经网络没有学习过这 类工况, 但本文定性诊断方法还能取得如此好的效 果, 进一步说明了该方法具有非常强的泛化能力 测试工况的故障大小在训练工况中出现过, 载荷大 小未出现过, 这在实际测试中是合理的, 因为实际 工作中, 载荷是变化的, 故障大小是逐渐增大的, 故障大小不同的工况可以提前采集进行训练 西储大学采集的轴承数据库, 目前国内很多研 究故障定性诊断方法的学者们认为有几组工况下数 据的特征不明显, 分类准确率不高, 如 :B7_ B2_2;OR4@6_ OR4@6_2,B7_ 意思 为滚动体故障类型, 故障程度为 7mls, 载荷为 hp 的工况, 其他类似 针对这四种工况, 我们做了同 样的测试, 即把这四种工况作为测试集, 其他所有 工况作为训练集和验证集 最终四种工况准确率分 别为 :99.5% 97.7% 72.7% 94.%, 其中三种 工况准确率和表 5 的准确率差别不大, 只有一种工 2
6 chnaxv:278.69v 况准确率明显偏低 具体原因需进一步研究, 目前 猜测有两种可能 : 一种是准确率低的工况可能数据 采集出现问题 ; 一种是需进一步改进网络结构和训 练方法, 使之能正确识别该工况 测试 2 中, 测试工况没有在训练工况中出现 这种测试方法, 据作者所知, 像本文做得如此全面 系统, 是第一次, 本文方法的准确率达到 97% 测试 2 中, 轴承数据都是来自同一型号, 同一 测试装置, 在实际诊断轴承故障时, 轴承型号可能 不同 工况不同 为了验证卷积神经网络能诊断实 际工作状态中的轴承, 设计了测试.5 测试 : 实验轴承故障定性诊断.5. 实验轴承数据来源实验轴承故障定性诊断时, 利用本实验室的测试装置采集数据, 并利用测试 训练好的卷积神经网络模型对实验轴承故障定性诊断 西储大学轴承数据采集实验装置中, 加速度传感器采集振动信号, 使用磁性底座将传感器安放在电机壳体上 加速度传感器分别安装在电机壳体的驱动端和输出端 2 点钟的位置 有些工况中, 传感器安放在电机支承底盘上 本实验室的测试装置如图 5 所示,2 号传感器采集轴向振动信号, 信号较为微弱 ; 号传感器采集径向振动信号, 信号较强 西储大学装置与本实验室装置的一些重要参数对比如表 6 所示 本实验室所用轴承型号 轴承转速与西储大学不同, 本实验室轴承故障大小 载荷模拟实际工作情况, 与西储大学不同 本实验室 凯西西储大学 62 8 电机载荷 (hp) 2 本实验室 轴向载荷 (N) 径向载荷 (N) 实验轴承测试集创建依据不同的, 采用不同的数据点个数创建样本点 52Hz, 转速 8rpm, 数 n 据周期为 7.7, 根据 k 2 原则, 样本点长度为 Hz, 数据周期为 4., 依据 n k 2 原则, 样本点长度为 84 52Hz 采用频率, 轴承有正常 内圈故障 三种状态, 载荷有三种, 共 7 种工况, 有两个传感器, 每个工况下每个传感器采集的数据创建 6 个样本点, 共 84 个样本点 24Hz 采样时, 轴承有内圈故障和两种状态, 载荷有三种, 共 6 种工况, 有两个传感器, 每个工况下每个传感器采集的数据创建 6 个样本点, 共 72 个样本点 52 正常 表 7 载荷 (N) 实验轴承数据库 传感器编号 样本点个数 2 内圈故障 内圈故障 数据来源 表 6 图 5 实验轴承实验装置 轴承型号 凯西西储大学 625 实验装置重要参数对比表 故障大小 (mls) 转速 (rpm) 实验数据轴承故障定性诊断结果用测试 训练好的卷积神经网络对表 7 的样本点进行测试, 测试结果如表 8 从表中可以看出, 准确率大部分是 %, 最低也达到 86.94%, 完全达到实际诊断的要求 号传感器采集的数据准确率高于 2 号准确率, 因为 号传感器采集的是径向振动信号, 信号较强, 2 号传感器采集的是轴向振动信号, 信号较弱
7 95 全部诊断为正常类型, 内圈故障和正常诊断效果很好, 为什么外圈会全错? 为了找出原因, 首先画出相关工况下振动波形 表 8 实验轴承样本点准确率 数据来源传感器 正常准确率 (%) 内圈故障准确率 (%) chnaxv:278.69v a. 西储大学无故障 b. 西储大学内圈最小故障 c. 西储大学外圈最小故障程度 d. 本实验无故障 e. 本实验内圈故障 f. 本实验 图 6 可看出, 本实验内圈故障振动振幅与西储大学内圈最小故障振幅相当, 远大于无故障时的振幅 本实验振动振幅远小于西储大学外圈最小故障振幅, 且与无故障时的振幅相当 本实验无故障振幅与西储大学无故障振幅相当 结合诊断效果, 无故障和内圈基本诊断正确, 外圈全部诊断错误为无故障类型, 作者猜测波形振幅大小对诊断性能有重大影响, 实验轴承振幅大小与训练轴承振幅大小相当, 能诊断正确 ; 差别巨大, 诊断错误 本实验外圈振幅与西储大学无故障振幅相当, 导致全部识别为无故障类型 如果训练轴承外圈振幅与本实验外圈振幅相当, 那还会识别错误吗? 本实验中的振幅与无故障振幅相当, 卷积神经网络能区分开这两个类型吗?.6 测试 4: 实验轴承故障训练及诊断 表 9 实验轴承样本点分类 载荷 (N) 训练 验证 / 测试 图 6 西储大学和本实验室轴承不同故障类型下的波形图 样本点个数训练 验证 / 测试 正常 内圈故障 内圈故障 ( 2) /( 2) (72 24) /24 (26 72) /72 (26 72) /72 (26 72) /72 (26 72) /72 为了验证.5 节的猜想, 进行了测试 4 采用测试 的方式, 利用实验轴承数据, 进行故障定性诊断 实验轴承数据中每种工况的样本点按照 6:2:2 比例随机分成训练集 验证集和测试集, 样本点分类如表 9 所示 值得注意的是,52Hz 和 24Hz 的样本点长度不一致, 需要分开训练和测试 对 52Hz, 只需将.2 节中的卷积神经网络输入层改为 256**; 对于 24Hz, 只需将.2 节中的卷积神经网络输入层改为 84** 网络结构和训练超参数不变
8 chnaxv:278.69v 分别对 52Hz 和 24Hz 的数据进行训练和测试, 测试结果如表 所示 准确率 (%) 总准确率 (%) 表 测试 4 中测试集准确率 正常内圈故障内圈故障 从表 看出, 各种故障类型基本全部诊断正确, 振幅虽然与无故障振幅相当, 也基本完全识别正确 这表明卷积神经网络能学习到振动模式, 不仅仅是振幅大小 结合.5 节的分析可以发现, 卷积神经网络具有很强的泛化能力, 只要待诊断轴承的故障大小与训练轴承同类型故障的任一故障大小相当, 不论轴承型号, 轴承品牌以及轴承载荷是否相同, 都能正确诊断 为了达到实际使用目的, 可以采集各种故障类型下, 故障面积从小到大一系列故障程度的数据, 训练卷积神经网络, 通过训练好的卷积神经网络定性诊断实际 4 结论 () 本文首次提出直接采用一维振动信号作为输入层的卷积神经网络的轴承故障定性诊断方法 卷积神经网络可以自动提取轴承故障数据的特征, 识别效果很好 (2) 与传统方法比较, 提出的方法省去了人工提取特征的复杂过程, 准确率更高 ; 与 DBN 相比, 网络参数更少, 无需预训练网络参数 ; 与利用时频图的卷积神经网络相比, 无需利用小波变换生成时频图, 直接利用一维振动信号, 提高诊断准确率 () 本文首次进行了利用西储大学数据训练出的卷积神经网络来实际测试本实验室的, 识别效果很好 (4) 本文方法泛化能力强 ; 只要训练时, 采集故障面积从小到大一系列振动信号, 训练卷积神经网络, 就可以运用训练好的卷积神经网络定性诊断轴承实际故障类型, 达到工程实用化 参考文献 [] 彭宇, 刘大同.. 数据驱动故障预测和健康管理综述 [J]. 仪器仪表学报, 24, 5() : PENG Y, LIU D T. Data-drven prognostcs and health management: A revew of recent advances[j]. Chnese Journal of Scentfc Instrument, 24, 5() : [2] RANDALL R B, ANTONI J. element bearng dagnostcs-a tutoral[j]. Mechancal Systems and Sgnal Processng, 2, 25: [] 闫鹏程, 孙华刚, 毛向东, 等. 基于 EMD 与 SVD 的齿轮箱分形诊断方法研究 [J]. 电子测量与仪器学报, 22, 26(5) : YAN P CH, SUN H G, MAO X D, et al. Research of fractal dagnoss method for gearbox based on EMD and SVD[J]. Journal of Electronc Measurement and Instrument, 22, 26(5) : [4] WANG H, CHEN J, DONG G. Feature extracton of bearng s early weak fault based on EEMD and tunable Q-factor wavelet transform[j]. Mechancal Systems & Sgnal Processng, 24, 48 (-2): 9. [5] 王太勇, 何慧龙, 王国峰, 等. 基于经验模式分解和最小二乘支持矢量机的轴承故障诊断 [J]. 机械工程学报, 27, 4(4) : WANG T Y, HE H L, WANG G F, et al. The fault dagnoss of bearngs based on emprcal mode decomposton and least square support vector machne[j]. Journal of Mechancal Engneerng, 27, 4(4) : [6] 赵光权, 葛强强, 刘小勇, 等. 基于 DBN 的故障特征提取及诊断方法研究 [J]. 仪器仪表学报, 26, 7( 9) : ZHAO G Q, GE Q Q, LIU X Y, et al. The research of fault feature extracton and dagnoss method based on DBN [J].Chnese Journal of Scentfc Instrument, 26, 7(9): [7] 雷亚国, 贾峰, 周昕, 等. 基于深度学习理论的机械装备大数据健康监测方法 [J]. 机械工程学报, 25, 5(2) : LEI Y G, JIA F, ZHOU X, et al. A deep learnng-based method for machnery health montorng wth bg data[j]. Journal of Mechancal Engneerng, 25, 5(2) : [8] DING X X, HE Q B. Energy-Fluctuated Multscale Feature Learnng Wth Deep ConvNet for Intellgent Spndle Bearng Fault Dagnoss[J]. IEEE Transactons on Instrumentaton and Measurement,7 March 27:-. [9] 曾雪琼, 黎杰. 基于卷积神经网络的时频图像研究 [J]. 机械与电子, 26, 4(5) : ZENG X Q, LI J. The research of tme frequency mage based on convoluton neural network[]]. Machnery & Electroncs, 26, 4(5): [] 李彦东, 郝宗波, 雷航. 卷积神经网络综述 [J]. 计算机应用, 26, 6(9) : ,2565. LI Y D, HAO Z B, LEI H. Summary of the convolutonal neural network[j]. Journal of Computer Applcatons, 26, 7(9) : [] LECUN Y, BOTTOU L, BENGIO Y, et al. Gradent-based learnng appled to document recognton[j]. Proceedngs of the IEEE, 998, 86() :
9 97 chnaxv:278.69v [2] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classfcaton wth deep convolutonal neural networks [C]. Proceedngs of Advances n Neural Informaton Processng Systems.Cambrdge, MA: MIT Press, 22: 6-4. [] DENG J, DONG W, SOCHER R, et al. ImageNet: a large-scale herarchcal mage database [C]. Proceedngs of the 29 IEEE, Conference on Computer Vson and Pattern Recognton. Washngton,DC: IEEE Computer Socety, 29: [4] SIMONYAN K, ZISSERMAN A, Very deep convolutonal networks for large-scale mage recognton [EB/OL]. arxv:49.556v6 [cs.cv] Apr 25. [5] SZEGEDY C, LIU W, JIA Y, et al. Gong deeper wth convolutons [EB/OL]. arxv: v [cs.cv] 7 Sep 24. [6] HE K,ZHANG X,REN S,et al.deep resdual learnng for mage recognton[eb/ol]. arxv:52.85v [cs.cv] Dec 25. [7] CLEVERT D, UNTERTHINER T, HOCHREITER S. Fast and accurate deep network learnng by exponental lnear unts (ELUS) [EB/OL]. arxv:5.7289v5 [cs.lg] 22 Feb 26. [8] HE M, HE D. Deep Learnng Based Approach for Bearng Fault Dagnoss[J]. IEEE Transactons on Industry Applcatons.27,5():57-65 [9] XIA M, LI T, XU L, LIU L Z, rt al. Fault Dagnoss for Rotatng Machnery Usng Multple Sensors and Convolutonal Neural Networks [EB/OL]. IEEE/ASME Transactons on Mechatroncs.27 [2] LIN M, CHEN Q, YAN S CH. Network n network [EB/OL]. arxv:2.44v [cs.ne] 4 Mar 24. 作者简介 : 单建华 ( 通信作者 ), 男,979 年出生, 博士, 教授 主要研 究方向为深度学习, 故障诊断 E-mal:797579@qq.com
24 26,,,,,,,,, Nsho [7] Nakadokoro [8],,,, 2 (Tradtonal estmaton of mage Jacoban matrx), f(t 1 ) p(t 2 ) : f(t 1 ) = [f 1 (t 1 ), f 2 (t 1 ),, f m (t
![24 26,,,,,,,,, Nsho [7] Nakadokoro [8],,,, 2 (Tradtonal estmaton of mage Jacoban matrx), f(t 1 ) p(t 2 ) : f(t 1 ) = [f 1 (t 1 ), f 2 (t 1 ),, f m (t](/thumbs/41/22697448.jpg "24 26,,,,,,,,, Nsho [7] Nakadokoro [8],,,, 2 (Tradtonal estmaton of mage Jacoban matrx), f(t 1 ) p(t 2 ) : f(t 1 ) = [f 1 (t 1 ), f 2 (t 1 ),, f m (t")
26 1 2009 1 Control Theory & Applcatons Vol 26 No 1 Jan 2009 : 1000 8152(2009)01 0023 05, (, 200240) :,,,,,,,, : ; ; : TP24 : A The estmaton of mage Jacoban matrx wth tme-delay compensaton for uncalbrated
Vol.39 No. 8 August 2017 Hyeonwoo Noh [4] boundng box PASCALV VOC PASCAL VOC Ctyscapes bt 8 bt 1 14 bt
![Vol.39 No. 8 August 2017 Hyeonwoo Noh [4] boundng box PASCALV VOC PASCAL VOC Ctyscapes bt 8 bt 1 14 bt](/thumbs/92/107812019.jpg "Vol.39 No. 8 August 2017 Hyeonwoo Noh [4] boundng box PASCALV VOC PASCAL VOC Ctyscapes bt 8 bt 1 14 bt")
39 8 Vol.39 No.8 2017 8 Infrared Technology August 2017 1,2,3 1,3 1,3 1. 2000832. 100049 3. 200083 4 1 TP391.41 A 1001-8891(2017)08-0728-06 Infrared Scene Understandng Algorthm Based on Deep Convolutonal
<D2BDC1C6BDA1BFB5CDB6C8DAD7CAB8DFB7E5C2DBCCB3B2CEBBE1C3FBB5A52E786C7378>
参 会 人 员 名 单 Last Name 姓 名 公 司 Tel Fax Bai 柏 煜 康 复 之 家 8610 8761 4189 8610 8761 4189 Bai 白 威 久 禧 道 和 股 权 投 资 管 理 ( 天 津 ) 有 限 公 司 8610 6506 7108 8610 6506 7108 Bao 包 景 明 通 用 技 术 集 团 投 资 管 理 有 限 公 司 8610
SVM [6] PCA+SVM 79.75% 9 FERE FERE. PCA LDA Adaboost SVM 5 1 SVM Moghaddam [6] M (x,y ) x R N y x y {0,1} M f ( x) = y α k( x, x ) + b x k f(x) = 1 x
![SVM [6] PCA+SVM 79.75% 9 FERE FERE. PCA LDA Adaboost SVM 5 1 SVM Moghaddam [6] M (x,y ) x R N y x y {0,1} M f ( x) = y α k( x, x ) + b x k f(x) = 1 x](/thumbs/93/113851612.jpg "SVM [6] PCA+SVM 79.75% 9 FERE FERE. PCA LDA Adaboost SVM 5 1 SVM Moghaddam [6] M (x,y ) x R N y x y {0,1} M f ( x) = y α k( x, x ) + b x k f(x) = 1 x")
100084 PCA Fsher FLD Adaboost SVM 9 FERE Adaboost 1. Gollomb [1] SEXNE 30 30 Cottrell [] BP Edelman [3] Alce [4] PCA PCA [5] Moghaddam [6] (SVM) RBF Fsher FLD FERE 3.4% Shakhnarovch [7] Adaboost 78% ±15
泰迪杯全国数据挖掘挑战赛 OCR (CNN) OCR() CNN % 92.1% 15% 90%. Viterbi. OCR..,,,,,
泰迪杯全国数据挖掘挑战赛 www.tipdm.org 第四届 泰迪杯 全国数据挖掘挑战赛 优 秀 作 品 作品名称 : 基于深度学习和语言模型的印刷文字 OCR 系统 荣获奖项 : 特等并获企业冠名奖 作品单位 : 华南师范大学 作品成员 : 苏剑林曾玉婷 泰迪杯全国数据挖掘挑战赛 www.tipdm.org OCR 2016 5 15 (CNN) OCR(). +.... CNN 140 99.7%
基于词语关联度的查询缩略*
* 基 于 词 语 关 联 度 的 查 询 缩 略 陈 炜 鹏 1, 付 瑞 吉 1, 胡 熠 2, 秦 兵 1, 刘 挺 (1. 哈 尔 滨 工 业 大 学 计 算 机 科 学 与 技 术 学 院 社 会 计 算 与 信 息 检 索 研 究 中 心, 黑 龙 江 省 哈 尔 滨 市,150001; 2. 腾 讯 公 司 搜 索 平 台 部, 广 东 省 深 圳 市,518057) 摘 要 : 冗
34 7 S R θ Z θ Z R A B C D PTP θ t 0 = θ 0 θ t 0 = 0 θ t 0 = 0 θ t = θ θ t = 0 θ t = 0 θ t V max θ t a max 3 θ t A θ t t 0 t / V max a max A = 3 4 S S
7 0 7 No. 7 Modular Machne Tool & Automatc Manufacturng Technque Jul. 0 00-65 0 07-0033 - 06 *. 0040. 04 PTP s TH6 TP4. A The Moton plannng of Handlng Robot Based on Tme Optmal CAO Bo CAO Q-xn TONG Shang-gao
第 期 王丽华 等 基于卷积神经网络的异步电机故障诊断 6!& 将电机轴承振动信号分解滤波后进行改进双 谱变化 提取故障特征频率 钱华明等利用小波包进行振动信号分解 将各频带能量与总能量的比作为特征送入到改进的遗传小波神经网络中训练 构建诊断网络完成电机故障诊断 上述方法存在两个方面不足 以单一的诊
第 卷第 期 年 月 振动 测试与诊断!"#"$" % &'## &" (##)* 基于卷积神经网络的异步电机故障诊断 王丽华 谢阳阳 周子贤 张永宏 赵晓平 南京信息工程大学信息与控制学院 南京 南京信息工程大学计算机与软件学院 南京 摘要 由于电机内部结构的复杂性 使得其故障特征与故障类型之间存在较强的非线性关系 目前用于异步电机故障诊断的方法都是人工手动提取特征 这需要大量的先验知识 丰富的信号处理理论和实际经验作为支撑
Presentation Title
MATLAB 与人工智能 : 深度学习有多远? 2017 The MathWorks, Inc. 1 术语 : 人工智能, 机器学习, 深度学习 Rule-based & brute force reasoning Spam filters learn models from data Artificial Intelligence (A.I.) for knowledge based reasoning
untitled
ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn Journal of Software,2017,28(11):3018 3029 [doi: 10.13328/j.cnki.jos.005332] http://www.jos.org.cn. Tel: +86-10-62562563 1,2, 1,2 1 (, 100876) 2 ( (
Paper Title (use style: paper title)
Electrical Engineering and Automation December 2016, Volume 5, Issue 2, PP. 50-55 Profiled Fiber Image Recognition Based on Deep Convolutional Neural Network Shuolei Sun 1#, Huan Wu 2, Zheng Tie 1 1.College
自然科学版 预处理 视盘粗定位 视盘垂直坐标的粗定位 视盘水平坐标的粗定位
自然科学版 文章编号 视网膜图像中视盘的快速自动定位方法 赵晓芳 林土胜 李碧 摘 要 基于眼底视网膜血管的分布结构及视盘本身的特点 提出一种快速自动定位视盘的方法 首先根据视网膜血管的网络分布结构大致定位视盘的垂直坐标 然后根据视盘 的亮度信息及视盘与血管的关系来定位视盘的水平坐标 最后把视盘限定在以粗定位的视盘为中心的一个小窗口内 用 变换精确定位视盘中心 该方法不需要事先分割视网膜血管 也不需要对算法进行训练
第 35 卷第 期计算机应用研究 Vol. 35 No. 优先出版 Application Research of Computers Online Publication 基于边缘检测的卷积核数量确定方法 * 文元美, 余霆嵩, 凌永权 ( 广东工业大学信息工程学院, 广州 50006) 摘要 :
基于边缘检测的卷积核数量确定方法 作者机构基金项目预排期卷摘要关键词作者简介中图分类号访问地址发布日期 文元美, 余霆嵩, 凌永权广东工业大学信息工程学院国家自然科学基金资助项目 (637273,66763); 广东省研究生教育创新计划资助项目 (204QTLXXM8) 计算机应用研究 208 年第 35 卷第 期针对卷积神经网络中卷积核数量多凭经验确定的问题, 提出了一种统计图像边缘信息来确定卷积核数量的方法
第 卷 第 期林封笑 陈华杰 姚勤炜 等 基于混合结构卷积神经网络的目标快速检测算法 议生成模块不完全占用参数规模与计算开销 分类模块能通过压缩方法进行有效压缩 如采用奇异值分解策略 采用卷积神经网络作为特征提取网络 对检测算法的检测性能具有显著影响 通常采用的卷积神经网络有 ' (( ( 5* 等
第 卷 第 期 计算机工程 年 月! 人工智能及识别技术 文章编号 文献标志码 中图分类号 基于混合结构卷积神经网络的目标快速检测算法 林封笑 陈华杰 姚勤炜 张杰豪 杭州电子科技大学自动化学院 杭州 摘 要 为提高基于卷积神经网络 目标检测算法的检测速度 提出一种基于混合结构 的目标快速检测算法 采用基于 的 '$*5# 目标检测框架 对其 进行优化 基于多层感知器结构 提出 5# 卷积层结构 在网络浅层采用
Microsoft Word - 004王皓2002010503-2003.doc
清 华 大 学 综 合 论 文 训 练 题 目 : 黄 河 流 域 遥 感 影 像 NDVI 植 被 覆 盖 指 数 参 数 提 取 系 别 : 水 利 水 电 工 程 系 专 业 : 水 利 水 电 工 程 姓 名 : 王 皓 指 导 教 师 : 辅 导 教 师 : 王 光 谦 刘 家 宏 2006 年 6 月 15 日 关 于 学 位 论 文 使 用 授 权 的 说 明 本 人 完 全 了 解
T e = K 1 Φ m I 2 cosθ K 1 Φ m I cosθ 2 1 T 12 e Φ / 13 m I 4 2 Φ m Φ m 14 I 2 Φ m I 2 15 dq0 T e = K 2 ΦI a 2 16
23 5 2018 10 Vol. 23 No. 5 JOURNAL OF HARBIN UNIVERSITY OF SCIENCE AND TECHNOLOGY Oct. 2018 150080 αβ0 MT0 ABC DOI 10. 15938 /j. jhst. 2018. 05. 009 TM351 A 1007-2683 2018 05-0046- 08 Indcton Motor Hybrd
Microsoft Word - 系统建设1.doc
计 算 机 系 统 应 用 http://www.c-s-a.org.cn 20 年 第 20 卷 第 4 期 一 种 高 性 能 近 红 外 光 人 脸 检 测 和 眼 睛 定 位 算 法 张 昌 明, 童 卫 青, 王 燕 群 ( 华 东 师 范 大 学 计 算 机 科 学 技 术 系, 上 海 20024) 摘 要 : 提 出 了 一 种 新 型 的 近 红 外 光 人 脸 检 测 和 眼 睛
Microsoft PowerPoint - Aqua-Sim.pptx
Peng Xie, Zhong Zhou, Zheng Peng, Hai Yan, Tiansi Hu, Jun-Hong Cui, Zhijie Shi, Yunsi Fei, Shengli Zhou Underwater Sensor Network Lab 1 Outline Motivations System Overview Aqua-Sim Components Experimental
附件1：
信息工程学院电气信息技术实验教学中心 2015 北京市级实验教学示范中心申请书 - 附表 负责人 : 联系电话 : 电子邮箱 : 戴波 010-81292145 daibo@bipt.edu.cn 2015 年 12 月 25 日 1... 1 2...10 3...15 4...24 5...24 6...27 7...28 8...28 9...30 10...31 11...31 12 URT...33
中文模板
000-985/003/4(03)0697 003 Journal of Software 软 件 学 报 Vol.4, No.3 推 广 的 多 值 指 数 双 向 联 想 记 忆 模 型 及 其 应 用 张 道 强 +, 陈 松 灿 ( 南 京 航 空 航 天 大 学 计 算 机 科 学 与 工 程 系, 江 苏 南 京 006) An Extended ult-valued Exponental
Livelihood Situation of Disabled Population in China 中国残疾人口的生活状况
Chapter 1 中 国 残 疾 人 口 的 生 活 状 况 Livelihood Situation of Disabled Population in China 陈 功 林 艳 张 蕾 宋 新 明 郑 晓 瑛 Chen Gong, Lin Yan, Zhang Lei, Song Xinming and Zheng Xiaoying -8- 2006 年, 在 中 国 进 行 第 一 次 全
1 引言
P P 第 40 卷 Vol.40 第 7 期 No.7 计 算 机 工 程 Computer Engineering 014 年 7 月 July 014 开 发 研 究 与 工 程 应 用 文 章 编 号 :1000-348(014)07-081-05 文 献 标 识 码 :A 中 图 分 类 号 :TP391.41 摘 基 于 图 像 识 别 的 震 象 云 地 震 预 测 方 法 谢 庭,
2 北 京 邮 电 大 学 学 报 第 35 卷 习 一 个 认 知 模 型, 从 而 解 决 在 不 同 特 征 空 间 进 行 知 识 迁 移 的 问 题. 特 征 迁 移 问 题 一 般 被 归 为 直 推 式 迁 移 学 习 [6], 其 定 义 为 : 给 定 源 数 据 空 间 D s
![2 北 京 邮 电 大 学 学 报 第 35 卷 习 一 个 认 知 模 型, 从 而 解 决 在 不 同 特 征 空 间 进 行 知 识 迁 移 的 问 题. 特 征 迁 移 问 题 一 般 被 归 为 直 推 式 迁 移 学 习 [6], 其 定 义 为 : 给 定 源 数 据 空 间 D s](/thumbs/43/23133288.jpg "2 北 京 邮 电 大 学 学 报 第 35 卷 习 一 个 认 知 模 型, 从 而 解 决 在 不 同 特 征 空 间 进 行 知 识 迁 移 的 问 题. 特 征 迁 移 问 题 一 般 被 归 为 直 推 式 迁 移 学 习 [6], 其 定 义 为 : 给 定 源 数 据 空 间 D s")
2012 年 12 月 第 35 卷 第 6 期 北 京 邮 电 大 学 学 报 Journal of Bejng Unversty of Posts and Telecommuncatons Dec. 2012 Vol. 35 No. 6 文 章 编 号 :1007 鄄 5321(2012)06 鄄 0001 鄄 05 一 种 基 于 迁 移 学 习 的 文 本 图 像 特 征 映 射 算 法 刘
Microsoft Word - 18） D 李东东
第 42 卷第 11 期 电网技术 Vol. 42 No. 11 2018 年 11 月 Power System Technology Nov. 2018 文章编号 :1000-3673(2018)11-3805-07 中图分类号 :TM 721 文献标志码 :A 学科代码 :470 4051 基于无监督特征学习的行星齿轮箱故障特征提取和检测 李东东 1, 王浩 1, 杨帆 1, 郑小霞 2, 华伟
國家圖書館典藏電子全文
....3....... 3... 3 4........ 7...... 0....0..........3.. 6... 6.... 7.... 8.....0........ 3.... 3.. 7.. 8.........30......33 ........ 8.........9.....0 VRML...........4........5.... 7...... 8.........
Vol. 22 No. 4 JOURNAL OF HARBIN UNIVERSITY OF SCIENCE AND TECHNOLOGY Aug GPS,,, : km, 2. 51, , ; ; ; ; DOI: 10.
22 4 2017 8 Vol. 22 No. 4 JOURNAL OF HARBIN UNIVERSITY OF SCIENCE AND TECHNOLOGY Aug. 2017 150080 GPS,,, : 27. 36 km, 2. 51, 110. 43, ; ; ; ; DOI: 10. 15938 /j. jhust. 2017. 04. 015 U469. 13 A 1007-2683
第 03 期 刘高军等 : 基于 CNONIX 的 XML 与 EXCEL 相互转换技术研究 XML XML CNONIX XML EXCEL EXCEL EXCEL EXCEL CNONIXEXCEL XML EXCEL CNONIX XML EXCEL CNONIX 1 CNONIX 数据元分析
电子科学技术电子科学技术第 02 卷第 03 期 Electronic 2015 年 Science 5 月 & Technology Electronic Science & Technology Vol.02 No.03 May.2015 年 基于 CNONIX 的 XML 与 EXCEL 相互转换技术研究 刘高军, 李丹, 程利伟, 钱程, 段然 ( 北方工业大学计算机学院, 北京,100144)
报 告 1: 郑 斌 教 授, 美 国 俄 克 拉 荷 马 大 学 医 学 图 像 特 征 分 析 与 癌 症 风 险 评 估 方 法 摘 要 : 准 确 的 评 估 癌 症 近 期 发 病 风 险 和 预 后 或 者 治 疗 效 果 是 发 展 和 建 立 精 准 医 学 的 一 个 重 要 前
东 北 大 学 中 荷 生 物 医 学 与 信 息 工 程 学 院 2016 年 度 生 物 医 学 与 信 息 工 程 论 坛 会 议 时 间 2016 年 6 月 8 日, 星 期 三,9:30 至 16:00 会 议 地 址 会 议 网 址 主 办 单 位 东 北 大 学 浑 南 校 区 沈 阳 市 浑 南 区 创 新 路 195 号 生 命 科 学 大 楼 B 座 619 报 告 厅 http://www.bmie.neu.edu.cn
第 29 卷第 9 期 Vol. 29 NO. 9 重庆工商大学学报 ( 自然科学版 ) J Chongqing Technol Business Univ. Nat Sci Ed Sept X * ABAQUS 1 2
第 29 卷第 9 期 Vol. 29 NO. 9 重庆工商大学学报 ( 自然科学版 ) J Chongqing Technol Business Univ. Nat Sci Ed 2012 9 Sept. 2012 1672-058X 2012 09-0076 - 06 * ABAQUS 1 2 1 2 1 2 1. 400074 2. 400074 初始地应力是岩土工程数值模拟时必需考虑的重要因素,
238 计算机应用与软件 208 年 高 过程复杂 结果主观性强且变异较大等不足 随着 数字病理的发展, 病理实验室采集了大量的数字化 H&E 组织病理图像, 迫切需要开发基于计算机图像分 析方法实现准确 高效 客观定量分析组织学图像, 为临床的综合治疗提供依据和参考 计算机辅助诊断治疗 CAD(C
第 35 卷第 7 期计算机应用与软件 Vol 35 No.7 208 年 7 月 ComputerApplicationsandSoftware Jul.208 基于卷积神经网络和迁移学习的乳腺癌病理图像分类 郑群花 段慧芳 沈 尧 刘 娟 ( 武汉大学计算机学院湖北武汉 430072) 2 ( 武汉大学人民医院病理科湖北武汉 430060) 2 袁静萍 摘要乳腺癌已经成为导致女性死亡最常见的和发病率最高的恶性肿瘤
Microsoft Word - 201506定版
56 Chinese Journal of Library and Information Science for Traditional Chinese Medicine Dec. 2015 Vol. 39 No. 6 综 述 中 医 药 学 语 言 系 统 研 究 综 述 于 彤, 贾 李 蓉, 刘 静, 杨 硕 *, 董 燕, 朱 玲 中 国 中 医 科 学 院 中 医 药 信 息 研 究 所,
Microsoft Word - 793-797 tb20150504赵宏宇s-高校教改纵横.doc
微 生 物 学 通 报 Microbiology China tongbao@im.ac.cn Apr. 20, 2016, 43(4): 793 797 http://journals.im.ac.cn/wswxtbcn DOI: 10.13344/j.microbiol.china.150504 高 校 教 改 纵 横 生 物 工 程 专 业 发 酵 课 程 群 建 设 探 索 * 赵 宏 宇
untitled
2008 den222222@gmal.com cshwang@faculty.pccu.edu.tw Internet Case-based ReasonngCBR CBR 1 1. () 50%() (doman knowledge) (case base) (smlarty measure) N N : Case-based ReasonngCBR CBR 2. (Internet)(World
<4D6963726F736F667420576F7264202D20B8BDBCFE3220BDCCD3FDB2BFD6D8B5E3CAB5D1E9CAD2C4EAB6C8BFBCBACBB1A8B8E6A3A8C4A3B0E5A3A92E646F6378>
批 准 立 项 年 份 2007 通 过 验 收 年 份 2013 教 育 部 重 点 实 验 室 年 度 报 告 ( 2015 年 1 月 2015 年 12 月 ) 实 验 室 名 称 : 机 器 智 能 与 先 进 计 算 教 育 部 重 点 实 验 室 实 验 室 主 任 : 张 军 实 验 室 联 系 人 / 联 系 电 电 : 詹 志 辉 /13826089486 E-mail 地 址
PCA+LDA 14 1 PEN mL mL mL 16 DJX-AB DJ X AB DJ2 -YS % PEN
21 11 2011 11 COMPUTER TECHNOLOGY AND DEVELOPMENT Vol. 21 No. 11 Nov. 2011 510006 PEN3 5 PCA + PCA+LDA 5 5 100% TP301 A 1673-629X 2011 11-0177-05 Application of Electronic Nose in Discrimination of Different
SVM OA 1 SVM MLP Tab 1 1 Drug feature data quantization table
38 2 2010 4 Journal of Fuzhou University Natural Science Vol 38 No 2 Apr 2010 1000-2243 2010 02-0213 - 06 MLP SVM 1 1 2 1 350108 2 350108 MIP SVM OA MLP - SVM TP391 72 A Research of dialectical classification
* CUSUM EWMA PCA TS79 A DOI /j. issn X Incipient Fault Detection in Papermaking Wa
2 *. 20037 2. 50640 CUSUM EWMA PCA TS79 A DOI 0. 980 /j. issn. 0254-508X. 207. 08. 004 Incipient Fault Detection in Papermaking Wastewater Treatment Processes WANG Ling-song MA Pu-fan YE Feng-ying XIONG
/MPa / kg m - 3 /MPa /MPa 2. 1E ~ 56 ANSYS 6 Hz (a) 一阶垂向弯曲 (b) 一阶侧向弯曲 (c) 一阶扭转 (d) 二阶侧向弯曲 (e) 二阶垂向弯曲 (f) 弯扭组合 2 6 Hz
31 3 Vol. 31 No. 3 218 9 Journal of Shijiazhuang Tiedao University Natural Science Edition Sep. 218 1 1 2 1 2 1 1. 543 2. 543 U462. 3 217-2 - 16 A 295-373 218 3-63 - 6 1-4 5-7 8-11 1 11 11 398 mm 86 mm
RESEARCH ON HIGHER EDUCATION Number 4, 2013(General Serial No.78) CONTENTS Colleges and Universities Forum Three-Year Blueprint of Undergraduate Cours
RESEARCH ON HIGHER EDUCATION 目 录 高 校 论 坛 李 晓 慧 等 北 京 服 装 学 院 本 科 教 学 与 人 才 培 养 三 年 设 想 3 国 家 级 实 验 教 学 示 范 中 心 建 设 赵 平 以 创 新 型 人 才 培 养 为 导 向 构 建 服 装 服 饰 实 践 教 学 平 台 4 王 永 进 服 装 专 业 实 验 室 建 设 与 实 验 教 学
5 551 [3-].. [5]. [6]. [7].. API API. 1 [8-9]. [1]. W = W 1) y). x [11-12] D 2 2πR = 2z E + 2R arcsin D δ R z E = πr 1 + πr ) 2 arcsin
![5 551 [3-].. [5]. [6]. [7].. API API. 1 [8-9]. [1]. W = W 1) y). x [11-12] D 2 2πR = 2z E + 2R arcsin D δ R z E = πr 1 + πr ) 2 arcsin](/thumbs/91/107147441.jpg "5 551 [3-].. [5]. [6]. [7].. API API. 1 [8-9]. [1]. W = W 1) y). x [11-12] D 2 2πR = 2z E + 2R arcsin D δ R z E = πr 1 + πr ) 2 arcsin")
38 5 216 1 1),2) 163318) 163318). API. TE256 A doi 1.652/1-879-15-298 MODE OF CASING EXTERNA EXTRUSION BASED ON THE PRINCIPE OF VIRTUA WORK 1) ZHAO Wanchun,2) ZENG Jia WANG Tingting FENG Xiaohan School
标题
第 19 卷 摇 第 4 期 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 模 式 识 别 与 人 工 智 能 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 Vol. 19 摇 No. 4 摇 006 年 8 月 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 PR & AI 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 Aug 摇 摇
é ê
廖光洪 朱小华 杨成浩 徐晓华 基于南海 年夏季调查航次诊断计算的流函数场 选取越南以东偶极子发生海域 进行 不同的声层析观测站位设置实验 模拟计算声线传播时间信息 然后应用基函数重建方法进行了 流函数场的模拟反演研究 讨论了不同随机观测误差对反演结果的影响 研究结果表明该方法是 可行的 在所选取的约 海域内 在观测海域外围配置 个声层析观测站位就能够很好地重构原流函数场 空间分辨率约为 可以分辨模拟海域中尺度涡场结构
2016 YOUNG MATHEMATICIAN FORUM Introduction To promote academic communication and cooperation between young staffs from the SMS and the BICMR of Pekin
2016 YOUNG MATHEMATICIAN FORUM Introduction To promote academic communication and cooperation between young staffs from the SMS and the BICMR of Peking University and overseas outstanding young scholars,
現代學術之建立 陳平 998 7-3-3592-6 美學十五講 淩繼堯 美學 23 7-3-643-4 論集 徐複觀 書店出版社 的方位 陳寶生 宣傳 敦煌文藝出版社 論集續篇 徐複觀 書店出版社 莊子哲學 王博 道家 7-3-666-3 的天方學 沙宗平 伊斯蘭教 7-3-6844- 周易 經傳十
東西方比較研究 範明生, 陳超南 物流發展報告 物流與採購聯合會 物流發展報告 物流與採購聯合會 物流發展報告 丁俊發 唯物史觀與歷史科學 地理學 社會科學院出版 23 23 物流 研究報告 2 物資出版社 22 7-547-88-5 物流 物資出版社 7-547-22-3 龐卓恒 歷史唯物主義 高等教育出版社 7-4-4333-X 周尚意, 孔翔, 朱竑 地理學 高等教育出版社 7-4-446-
MHz 10 MHz Mbps 1 C 2(a) 4 GHz MHz 56 Msps 70 MHz 70 MHz 23 MHz 14 MHz 23 MHz 2(b)
2011 32 ANNALS OF SHANGHAI OBSERVATORY ACADEMIA SINICA No. 32, 2011 1,2,3 1 2,3 2,3 2,3 2 1 1 ( 1. 200030 2. 100094 3. 100094 ) V474 1 (CEI) ( VLBI ), CEI 100 nrad ( 50 km) CEI 10 100 km 2 2 2 CEI [1]
油 吶 喊, 還 常 常 得 趕 場 為 少 年 的 班 級 加 油 打 氣 沒 多 久, 我 就 觀 察 到 少 年 在 班 上 總 是 形 單 影 隻, 好 像 沒 什 麼 可 以 開 懷 對 談 的 同 學 這 時 的 孩 子, 正 值 十 七 歲 荷 爾 蒙 旺 盛 分 泌 的 年 紀, 凡
一 個 跳 級 資 優 生 的 眼 淚 跳 級 的 資 優 生, 總 是 頂 著 聰 明 的 光 環, 但 在 那 光 環 之 下, 孩 子 得 承 受 多 少 超 齡 的 心 理 壓 力, 面 對 多 少 想 像 不 到 的 難 堪 處 境 呢? 老 師, 我 想 留 級! 少 年 放 下 攪 動 咖 啡 的 小 湯 匙, 突 然 抬 起 頭 來 對 我 說 留 級? 為 什 麼? 要 留 到 哪
g 100mv /g 0. 5 ~ 5kHz 1 YSV8116 DASP 1 N 2. 2 [ M] { x } + [ C] { x } + [ K]{ x } = { f t } 1 M C K 3 M C K f t x t 1 [ H( ω )] = - ω 2
![g 100mv /g 0. 5 ~ 5kHz 1 YSV8116 DASP 1 N 2. 2 [ M] { x } + [ C] { x } + [ K]{ x } = { f t } 1 M C K 3 M C K f t x t 1 [ H( ω )] = - ω 2](/thumbs/50/26301205.jpg "g 100mv /g 0. 5 ~ 5kHz 1 YSV8116 DASP 1 N 2. 2 [ M] { x } + [ C] { x } + [ K]{ x } = { f t } 1 M C K 3 M C K f t x t 1 [ H( ω )] = - ω 2")
10 2016 10 No. 10 Modular Machine Tool & Automatic Manufacturing Technique Oct. 2016 1001-2265 2016 10-0012 - 05 DOI 10. 13462 /j. cnki. mmtamt. 2016. 10. 004 * 116024 MIMO TH166 TG502 A Dynamic Performance
Y m G C I IMC C II IMC R Y = + C I IMC F f G - G^ + - F f G^ C I IMC D + C I IMC F f G - G^ 9 D() R() C IMC() Ⅱ CIMC() U() Ⅰ G() Y() Y m() - G
4 ELECTRI C MACHINES AND CONTROL Vol. 4 No. Jan. 2. 22 2. 28 TM 92 A 7-449X - 6- Three-degree-freedom internal model dynamic decoupling control of ynchronou motor ZHU Xi-rong ZHOU Yuan-hen FU Xiao 2. Department
4 115,,. : p { ( x ( t), y ( t) ) x R m, y R n, t = 1,2,, p} (1),, x ( t), y ( t),,: F : R m R n.,m, n, u.,, Sigmoid. :,f Sigmoid,f ( x) = ^y k ( t) =
2007 4 4 :100026788 (2007) 0420114206, (, 430074) :,,,,,,GIS.,,. : ; ; ; ; : TP391 ;P338 : A Development of Combinatorial Intelligentized Decision2Making Support System and Its Utilization in Runoff Forecasting
Microsoft Word - d27 彭玉柱.doc
第 10 卷 第 2 期 2015 年 6 月 震 灾 防 御 技 术 Technology for Earthquake Disaster Prevention Vol. 10,No. 2 Jun.,2015 彭 玉 柱, 张 世 民, 李 建 章,2015. 中 强 地 震 前 周 至 台 地 电 阻 率 的 异 常 变 化. 震 灾 防 御 技 术,10(2):455 463. doi:10.11899/zzfy20150227
工程项目进度管理 西北工业大学管理学院 黄柯鑫博士 甘特图 A B C D E F G 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 甘特图的优点 : 直观明了 ( 图形化概要 ); 简单易懂 ( 易于理解 ); 应用广泛 ( 技术通用 ) 甘特图的缺点 : 不能清晰表示活动间的逻辑关系 WBS 责任分配矩阵 ( 负责〇审批
17
17 應 用 案 例 式 推 理 建 立 顧 客 關 係 管 理 之 行 銷 決 策 系 統 張 百 棧 * 王 彥 文 劉 鎮 豪 元 智 大 學 工 業 工 程 與 管 理 研 究 所 桃 園 縣 中 壢 市 遠 東 路 135 號 03-463-8800#287 iepchang@saturn.yzu.edu.tw 摘 要 近 年 來, 資 料 庫 行 銷 蓬 勃 發 展, 讓 許 多 企 業
全球健康研究中心-中文
2 3 4 5 6 Dr. Qianli Wang Institute of Microbiology, Chinese Academy of Science, A one health perspective on avian influenza and the live poultry trade in China Ron Halbrooks Medical Doctor, Sutton Station
Stock Transfer Service Inc. Page No. 1 CENTURY PEAK METALS HOLDINGS CORPORATION (CPM) List of Top 100 Stockholders As of 12/31/2015 Rank Sth. No. Name
Stock Transfer Service Inc. Page No. 1 CENTURY PEAK METALS HOLDINGS CORPORATION (CPM) List of Top 100 Stockholders As of 12/31/2015 Rank Sth. No. Name Citizenship Holdings Rank ------------------------------------------------------------------------------------------------------------------------
(,00);,, (,,00);,,,, (,00) (,, 00;,00),, (00) IPO, IPO,,,, ( ),,,, (Loughran,Rtter,00;Rtter,003), IPO,IPO, (Rtter,003;Jenknson et al.,006),, IPO,, 5%(
0 9 9 ( 8 ) Chna Industral Economcs Sep., 0 No.9,, (, 36005) [ ],,,,, (IPO), 009 9 00 0 4 IPO, IPO, ;, 5% 0%, IPO, [ ] ; ; ; [ ]F83.5 [ ]A [ ]006-480X(0)09-040- 009 0 3,, (,009;,00), 00, 4 33.56, 95 ;
专 技 能 1. 精 通 Matlab/Simulink 平 台 下 的 海 洋 运 载 器 运 动 控 制 系 统 与 仿 真 建 模 设 计 ; 2. 精 通 51 单 片 机 AVR 单 片 机 Arduino 开 源 板 的 开 发 和 设 计 ; 3. 精 通 基 于 Arduino 板
姓 名 董 早 鹏 性 别 男 出 生 年 月 1988 年 8 月 籍 贯 江 西 鹰 潭 基 本 情 况 政 治 面 貌 中 共 党 员 婚 姻 状 况 未 婚 最 高 学 历 工 学 博 士 外 语 水 平 英 语 六 级 联 系 方 式 电 话 :18945069498 E-mail:dongzaopeng@hrbeu.edu.cn 地 址 : 哈 尔 滨 市 南 岗 区 哈 尔 滨 工 程
132 包 装 工 程 2016 年 5 月 网 产 品 生 命 周 期 是 否 有 与 传 统 产 品 生 命 周 期 曲 线 相 关 的 类 似 趋 势 旨 在 抛 砖 引 玉, 引 起 大 家 对 相 关 问 题 的 重 视, 并 为 进 一 步 研 究 处 于 不 同 阶 段 的 互 联 网
第 37 卷 第 10 期 包 装 工 程 2016 年 5 月 PACKAGING ENGINEERING 131 传 统 产 品 生 命 周 期 曲 线 对 互 联 网 产 品 适 应 性 探 究 田 姣, 刘 吉 昆 ( 清 华 大 学, 北 京 100084) 摘 要 : 目 的 探 讨 传 统 产 品 生 命 周 期 曲 线 对 于 互 联 网 产 品 生 命 周 期 是 否 依 然 适
Microsoft Word - sbs.doc
精 品 资 源 共 享 课 推 荐 表 ( 本 科 类 ) 推 荐 单 位 仲 恺 农 业 工 程 学 院 所 属 学 校 仲 恺 农 业 工 程 学 院 ( 是 否 部 属 ) 否 课 程 名 称 数 据 库 原 理 及 应 用 课 程 类 型 理 论 课 ( 不 含 实 践 ) 理 论 课 ( 含 实 践 ) 实 验 ( 践 ) 课 所 属 一 级 学 科 名 称 所 属 二 级 学 科 名 称
TFP TFP HK TFP Hseh Klenow HK 9 8 TFP Aok TFP Aok 10 TFP TFP TFP TFP TFP HK TFP 1 Y Y CES θ Y 1 TFP HK θ = 1 θ
1992-2015 315211 TFP 1992-2015 TFP 9. 71% TFP 8. 62% TFP 0. 86% 2003 2008 2015 50% 40% F249. 2 1002-3054 2018 01-0057-10 A DOI 10. 13262 /j. bjsshkxy. bjshkx. 180105 TFP 1 3 TFP 2 2015 12 4-6 2017-08-20
[1] Liu Hongwei,2013, Study on Comprehensive Evaluation of Iron and Steel Enterprises Production System s Basic Capacities, International Asia Confere
![[1] Liu Hongwei,2013, Study on Comprehensive Evaluation of Iron and Steel Enterprises Production System s Basic Capacities, International Asia Confere](/thumbs/39/20207255.jpg "[1] Liu Hongwei,2013, Study on Comprehensive Evaluation of Iron and Steel Enterprises Production System s Basic Capacities, International Asia Confere")
刘 洪 伟 工 业 工 程 系 副 教 授 CV 下 载 办 公 电 话 : 电 子 邮 箱 :hw_liu999@tju.edu.cn 研 究 方 向 : 精 益 生 产 与 精 益 管 理 理 论 及 应 用 ; 工 业 工 程 与 信 息 技 术 集 成 管 理 ; 系 统 可 靠 性 理 论 与 方 法 ; 医 院 管 理 理 论 及 应 用 教 育 与 工 作 经 历 时 间 单 位 专
20 5 Vol.20 No.5 2018 9 Journal of Shijiazhuang University Sep. 2018 1 2 1 1. 100029 2. 063000 F752.5 A 1673-19722018 05-0073-12 DOI:10.13573/j.cnki.sjzxyxb.2018.05.014 2017 2 [1]25 [2] [3]12 2018-06-02
2 3. 1,,,.,., CAD,,,. : 1) :, 1,,. ; 2) :,, ; 3) :,; 4) : Fig. 1 Flowchart of generation and application of 3D2digital2building 2 :.. 3 : 1) :,
3 1 Vol. 3. 1 2008 2 CAA I Transactions on Intelligent Systems Feb. 2008, (,210093) :.,; 3., 3. :; ; ; ; : TP391 :A :167324785 (2008) 0120001208 A system f or automatic generation of 3D building models
lí yòu qi n j n ng
lí yòu qi n j n ng zhì lú yu n ch nghé liú g p jiá ji n gè liè du zhù g jù yuán cù cì qióng zhu6 juàn p zh n túmí nòu jiong y yùndu láo x n xiá zhì yùn n n gúo jiào zh
标题
DOI:0.3878 / j.cnki.jnuist.206.03.009 来 鹏 赵 茹 蕾 郭 利 珍 银 行 客 户 定 期 存 款 认 购 的 统 计 决 策 研 究 摘 要 当 今 银 行 之 间 的 竞 争 日 益 加 剧, 能 有 效 地 挖 掘 潜 在 客 户 并 为 之 提 供 差 异 化 服 务, 对 提 高 银 行 竞 争 力 尤 为 重 要. 用 决 策 树 算 法 对 可
Sep (SCI) 10. Jiann-Ming Wu, Annealing by two sets of interactive dynamics, IEEE Trans. on Systems Man and Cybernetics Part B-Cybernetics 34 (3)
03-863-3531 E-mail jmwu@mail.ndhu.edu.tw /(1990/06-1994/06) (1988/06-1990/06) (1984/09-1988/06) / (1997/8-) (1996/08-1997/07) () 1996 8 Wu, Jiann-Ming ( SCI EI SSCI TSSCI EconLit A&HCI ) 1. Pei-Hsun Hsu
Microsoft Word - 专论综述1.doc
1 基 于 协 同 过 滤 的 高 考 志 愿 推 荐 系 统 徐 兰 静, 李 珊, 严 钊 ( 南 京 航 空 航 天 大 学 经 济 与 管 理 学 院, 南 京 211100) 摘 要 : 近 年 来 信 息 过 载 问 题 的 出 现 使 得 个 性 化 推 荐 技 术 应 运 而 生, 其 中 协 同 过 滤 推 荐 技 术 通 过 在 用 户 和 信 息 之 间 建 立 联 系, 被
RPN 2 DeepParts 22 part pool 2 3 HOG 12 LBP 13 Harr - like 15 DPM 16 Deformable Parts Model VGG16 X. Wang 14 VGG Convolutiona
2017 22 2 CHINESE JOURNAL OF STEREOLOGY AND IMAGE ANALYSIS Vol. 22 No. 2 June 2017 209 1007-1482 2017 02-0209 -0215 DOI 10. 13505 /j. 1007-1482. 2017. 22. 02. 014 RPN 1 2 3 3 1 1 2 3 1. 100090 2. 100090
% GIS / / Fig. 1 Characteristics of flood disaster variation in suburbs of Shang
20 6 2011 12 JOURNAL OF NATURAL DISASTERS Vol. 20 No. 6 Dec. 2011 1004-4574 2011 06-0094 - 05 200062 1949-1990 1949 1977 0. 8 0. 03345 0. 01243 30 100 P426. 616 A Risk analysis of flood disaster in Shanghai
252 219,55(3) Computer Engineering and Applications 深度学习在咽喉新生物识别中的应用研究 田永良 1, 张劲 1, 刘凯 1, 汤炜 2, 田卫东 1. 四川大学电气信息学院, 成都 6165 2. 四川大学华西口腔医学院, 成都 6141 2 摘要 : 咽喉新生物是声带及其附近区域生长有新生组织, 影响正常咽喉功能的咽喉常见疾病之一 目前, 咽喉新生物主要是医生通过拍摄喉镜照片来进行诊断,
Applied Mathematics and Mechanics Vol. 34 No. 9 Sep ISSN GPU Boltzmann *? GPU Boltz
34 9 2013 9 15 Appled Mathematcs and Mechancs Vol 34 No 9 Sep 15 2013 1000-0887 2013 09-0956-09 ISSN 1000-0887 GPU Boltzmann *? 710049 GPU Boltzmann lattce Boltzmann method LBM GPU graphc processng unt
DELE_MAYO2013.xls
PARTE ESCRITA PARTE ORAL NIVEL CÓDIGO APELLIDO NOMBRE FECHA HORA AULA FECHA Hora Prep Hora Ex AULA 13050315601020001 NI HUANMENG 25-may 13050315601020002 GUO YUANCHUN 25-may 13050315601020004 XU AI 25-may
标题
第 48 卷 第 6 期 2 1 6 年 6 月 哈 尔 滨 工 业 大 学 学 报 JOURNAL OF HARBIN INSTITUTE OF TECHNOLOGY Vol 48 No 6 Jun. 216 doi:1.11918 / j.issn.367 6234.216.6.1 大 跨 度 楼 盖 结 构 在 运 动 荷 载 下 的 振 动 性 能 杨 维 国 1, 马 伯 涛 2, 宋 毛
2 ( 自 然 科 学 版 ) 第 20 卷 波 ). 这 种 压 缩 波 空 气 必 然 有 一 部 分 要 绕 流 到 车 身 两 端 的 环 状 空 间 中, 形 成 与 列 车 运 行 方 向 相 反 的 空 气 流 动. 在 列 车 尾 部, 会 产 生 低 于 大 气 压 的 空 气 流
第 20 卷 第 3 期 2014 年 6 月 ( 自 然 科 学 版 ) JOURNAL OF SHANGHAI UNIVERSITY (NATURAL SCIENCE) Vol. 20 No. 3 June 2014 DOI: 10.3969/j.issn.1007-2861.2013.07.031 基 于 FLUENT 测 轨 道 交 通 隧 道 中 电 波 折 射 率 结 构 常 数 张 永
Microsoft Word - 19王建华.doc
2012 年 12 月 图 学 学 报 December 2012 第 33 卷 第 6 期 JOURNAL OF GRAPHICS Vol.33 No.6 工 程 图 学 计 算 机 辅 助 教 学 实 践 与 思 考 王 建 华, 郝 育 新, 刘 令 涛 ( 北 京 信 息 科 技 大 学 机 电 学 院, 北 京 100192) 摘 要 : 随 着 计 算 机 技 术 的 迅 猛 发 展 和
2 : 237.,. [6 7] (Markov chan Monte Carlo, MCMC). MCMC, [8 9].,,, [0 ].,, : ),,,.,, ; 2),,.,.,. : ),.,,. ; 2),.,,. ; 3), EM, EM,.,, EM, EM. K M,.,. A
![2 : 237.,. [6 7] (Markov chan Monte Carlo, MCMC). MCMC, [8 9].,,, [0 ].,, : ),,,.,, ; 2),,.,.,. : ),.,,. ; 2),.,,. ; 3), EM, EM,.,, EM, EM. K M,.,. A](/thumbs/93/111627985.jpg "2 : 237.,. [6 7] (Markov chan Monte Carlo, MCMC). MCMC, [8 9].,,, [0 ].,, : ),,,.,, ; 2),,.,.,. : ),.,,. ; 2),.,,. ; 3), EM, EM,.,, EM, EM. K M,.,. A")
38 2 Vol. 38, No. 2 202 2 ACTA AUTOMATICA SINICA February, 202.,.,, EM,.. DOI,,, 0.3724/SP.J.004.202.00236 Data Assocaton n Vsual Sensor Networks Based on Hgh-order Spato-temporal Model WAN Ju-Qng LIU
标题
第 40 卷 第 7 期 2014 年 7 月 北 京 工 业 大 学 学 报 JOURNAL OF BEIJING UNIVERSITY OF TECHNOLOGY Vol. 40 No. 7 Jul. 2014 基 于 图 像 识 别 技 术 的 烟 包 封 条 缺 陷 检 测 赵 众, 常 灿, 陈 磊 ( 北 京 化 工 大 学 信 息 学 院, 北 京 100029) 摘 要 : 为 了
Microsoft Word - chnInfoPaper6
文 章 编 号 :3-77(2)-- 文 章 编 号 :92 基 于 中 文 拼 音 输 入 法 数 据 的 汉 语 方 言 词 汇 自 动 识 别 张 燕, 张 扬 2, 孙 茂 松 (. 清 华 大 学 计 算 机 系, 北 京 市 84;2. 搜 狗 科 技 公 司, 北 京 市 84) 摘 要 : 方 言 研 究 领 域 中 的 语 音 研 究 词 汇 研 究 及 语 法 研 究 是 方 言
填 写 要 求 一 以 word 文 档 格 式 如 实 填 写 各 项 二 表 格 文 本 中 外 文 名 词 第 一 次 出 现 时, 要 写 清 全 称 和 缩 写, 再 次 出 现 时 可 以 使 用 缩 写 三 涉 密 内 容 不 填 写, 有 可 能 涉 密 和 不 宜 大 范 围 公
2013 年 度 上 海 高 校 市 级 精 品 课 程 申 报 表 ( 本 科 ) 学 校 名 称 东 华 大 学 课 程 名 称 计 算 机 系 统 与 网 络 技 术 课 程 类 型 理 论 课 ( 不 含 实 践 ) 理 论 课 ( 含 实 践 ) 实 验 ( 践 ) 课 所 属 一 级 学 科 名 称 所 属 二 级 学 科 名 称 课 程 负 责 人 申 报 日 期 工 科 计 算 机
34 2017,53(13) Computer Engineering and Applications 卷积神经网络在图像分类和目标检测应用综述 周俊宇, 赵艳明 ZHOU Junyu, ZHAO Yanming 中国传媒大学理工学部, 北京 100024 College of Science and Technology, Communication University of China, Beijing
Closing Ceremony
3 Team 702 - Malvern College Chengdu - Haoqing Gean Yang, Weichen William Luo, Kairui Wan 2 Team 708 - Oxford International College of Chengdu - Kevin Li, Jerry Zhen, Lee Li 1 Team 713 - QSI International
Revit Revit Revit BIM BIM 7-9 3D 1 BIM BIM 6 Revit 0 4D 1 2 Revit Revit 2. 1 Revit Revit Revit Revit 2 2 Autodesk Revit Aut
60 2 2016 2 RAILWAY STANDARD DESIGN Vol. 60 No. 2 Feb. 2016 1004-2954201602-0071-06 BIM 1 1 2 2 1 1. 7140992. 710054 BIM BIM 3D 4D nd BIM 1 3D 4D Revit BIM BIM U442. 5TP391. 72 A DOI10. 13238 /j. issn.
Fig. 1 1 The sketch for forced lead shear damper mm 45 mm 4 mm 200 mm 25 mm 2 mm mm Table 2 The energy dissip
* - 1 1 2 3 1. 100124 2. 100124 3. 210018 - ABAQUS - DOI 10. 13204 /j. gyjz201511033 EXPERIMENTAL STUDY AND THEORETICAL MODEL OF A NEW TYPE OF STEEL-LEAD DAMPING Shen Fei 1 Xue Suduo 1 Peng Lingyun 2 Ye
因此需要将文本表示为类似图像数据的二维特征形式 首先, 针对数据集训练出每个词的 word embedding; 然后将训练好的 word embedding 进行组合得到每条评论的 embedding; 最后, 将其作为卷积神经网络的输入特征, 并作为网络参数一起参与迭代训练过程 为了验证 wor
基于 word embedding 和 CNN 的情感分类模型 * 蔡慧苹, 王丽丹, 段书凯 ( 西南大学电子信息工程学院, 重庆 400715) 摘要 : 尝试将 word embedding 和卷积神经网络 (CNN) 相结合来解决情感分类问题 首先, 利用 Skip-Gram 模型训练出数据集中每个词的 word embedding, 然后将每条样本中出现的 word embedding 组合为二维特征矩阵作为卷积神经网络的输入
论文摘要 ( 英文 ) Nowadays, doctors need to identify multimodal medical images combined with clinical characterization to diagnose the patient's condition a
博士学位论文公示材料 学生姓名王洋 学号 1110415 二级学科 计算机应用 导师姓名 刘积仁 论文题目 人工智能与多模态影像组学在若干疾病分析中的研究 论文研究方向 医学图像处理 深度学习 人工智能 论文关键词 医学图像 ; 多模态影像组学 ; 人工智能 ; 深度学习 ; 异构数据融合 论文摘要 ( 中文 ) 如今医生需要通过识别多个模态的医学图像并结合临床表征来综合诊断病人的病情, 确定病灶,
x n 1 L - 1 L EX = 1 L L-1 x n a m m = 0 1 M - 1 M Wa i = M-1 a m m = 0 b n 1 N - 1 N Wb i = N-1 b n b n c n 1 N - 1 k Wc i = N-1 c
第 10 卷第 3 期 01 年 9 月 Journal of Nanjing Institute of TechnologyNatural Science Edition Vol 10,No 3 Sep,01 167-5580103 - 0050-05 1 ( 1 南京工程学院车辆工程系, 江苏南京 11167; 南京康尼机电股份有限公司精密锻造分公司, 江苏南京 10038) 列车自动门振动谱是实施列车自动门振动可靠性实验的基本条件
262 管 理 與 系 統 countries including Taiwan. Because of the liberalization policy of Taiwan s power industry, there is a critical demand to explore the m
管 理 與 系 統 第 十 六 卷 第 二 期 民 國 九 十 八 年 四 月 261-284 頁 Journal of Management & Systems Vol. 16, No. 2, April 2009 pp. 261-284 我 國 電 力 自 由 化 市 場 交 易 機 制 與 配 套 措 施 研 究 A Study on Market Mechanism and Ancillary
小论文草稿2_邓瀚
城 市 轨 道 交 通 列 车 运 行 控 制 系 统 仿 真 分 析 平 台 的 设 计 邓 瀚 1 赵 霞 1 张 琼 燕 2 刘 循 2 (1. 上 海 交 通 大 学 自 动 化 系, 系 统 控 制 与 信 息 处 理 教 育 部 重 点 实 验 室, 上 海,200240;2. 上 海 申 通 地 铁 股 份 有 限 公 司, 上 海,201103) 摘 要 文 章 设 计 了 一 种
PowerPoint 演示文稿
Fregata: 轻量级大规模机器学习算法库 Chief Data Scientist, TalkingData 大纲 大规模机器学习的挑战 Fregata 的优点 GSA 算法介绍 GSA 算法在 Spark 上的并行化与 MLLib 的对比如何使用 Fregata Fregata 的发展目标 大规模机器学习两个挑战 计算瓶颈 调参困难 经典算法的计算瓶颈 计算复杂度随数据规模超线性增长 Cheng
Microsoft Word - 互联网物联网探索-讲习班.doc
中 国 计 算 机 学 会 学 科 前 沿 讲 习 班 The CCF Advanced Disciplines Lectures 第 51 期 互 联 网 与 物 联 网 的 新 探 索 2014 年 9 月 19-21 日 上 海 本 期 CCF 学 科 前 沿 讲 习 班 互 联 网 与 物 联 网 的 新 探 索 邀 请 到 了 互 联 网 和 物 联 网 领 域 重 量 级 的 专 家 学
Pet.Sci.(2013)10:81-90 DOI /s x 81 A new diagnostic method for identifying working conditions of submersible reciprocating pumpin
DOI 0.007/s282-03-0253-x 8 A new dagnostc method for dentfyng workng condtons of submersble recprocatng pumpng systems Yu Delang, Zhang Yongmng, Ban Hongme 2, Wang Xnmn 3 and Q Wegu 2 3 Abstract: structure,
X i i 2003 X' i i W i V i = S i / X珔 i W i = V i / m V i = 1 i 2 2 X珔 ESDA i i S i i V i i W i i m ESI = m W i = 1 i X i 3 3 ESI m 2.ESDA ESD
17 4 2018 12 JOURNAL OF ZHEJIANG UNIVERSITY OF TECHNOLOGYSOCIAL SCIENCE Vol.17 No.4 Dec. 2018 310023 ESDA 885 F327 A 1006-4303201804-0391-07 3-5 6-8 9 1 2006 1 10 2 2018-11-01 17NDJC230YB 1971 1 392 17
Microsoft Word - 01李惠玲ok.doc
康 寧 學 報 11:1-20(2009) 1 數 位 學 習 於 護 理 技 術 課 程 之 運 用 與 評 值 * 李 惠 玲 ** 高 清 華 *** 呂 莉 婷 摘 要 背 景 : 網 路 科 技 在 教 育 的 使 用 已 成 為 一 種 有 利 的 教 學 輔 助 工 具 網 路 教 學 的 特 性, 在 使 學 習 可 不 分 時 間 與 空 間 不 同 進 度 把 握 即 時 性 資
Microsoft Word doc
中 考 英 语 科 考 试 标 准 及 试 卷 结 构 技 术 指 标 构 想 1 王 后 雄 童 祥 林 ( 华 中 师 范 大 学 考 试 研 究 院, 武 汉,430079, 湖 北 ) 提 要 : 本 文 从 结 构 模 式 内 容 要 素 能 力 要 素 题 型 要 素 难 度 要 素 分 数 要 素 时 限 要 素 等 方 面 细 致 分 析 了 中 考 英 语 科 试 卷 结 构 的
f 2 f 2 f q 1 q 1 q 1 q 2 q 1 q n 2 f 2 f 2 f H = q 2 q 1 q 2 q 2 q 2 q n f 2 f 2 f q n q 1 q n q 2 q n q n H R n n n Hessian
2012 10 31 10 Mechanical Science and Technology for Aerosace Engineering October Vol. 31 2012 No. 10 1 2 1 2 1 2 1 2 1 300387 2 300387 Matlab /Simulink Simulink TH112 A 1003-8728 2012 10-1664-06 Dynamics
<4D F736F F D20B8BDBCFEA3BAB9ABCABEC4DAC8DD2DB9FDB6C9BDF0CAF4D1F5BBAFCEEFC4C9C3D7BDE1B9B9D0C2D3B1B5C4CDE2B3A1D7F7D3C3CFECD3A6CCD8D0D4BCB0BBFAC0EDD1D0BEBF2E646F6378>
/ 20 SCI 1210 817 8 SCI 854 548 384 219 2018 1 NO 2 Adv MaterChem Soc RevJ Am Chem SocEnergy & Environmental ScienceAdv Funct MaterNano LettElectrochemistry Communications 8 854 384 2018 2 8 Adv MaterChem
[29] a N d N b 2 d sin θ N b ФФ a b Ф Ф θ θ a b Fig.1 Working principle demonstration of a phased-array antenna θ
![[29] a N d N b 2 d sin θ N b ФФ a b Ф Ф θ θ a b Fig.1 Working principle demonstration of a phased-array antenna θ](/thumbs/93/113150193.jpg "[29] a N d N b 2 d sin θ N b ФФ a b Ф Ф θ θ a b Fig.1 Working principle demonstration of a phased-array antenna θ")
1/(cos cos ) 1 X X 20130576 863 2007AA061901 1988E mailliujun198802@126.com [29] a N d N b 2 d sin θ N b ФФ a b Ф Ф θ θ a b Fig.1 Working principle demonstration of a phased-array antenna θ B A B 1
Microsoft Word - A201202-493_1329751213.doc
5 10 15 20 25 BP 神 经 网 络 在 中 国 创 业 板 企 业 成 长 性 预 测 研 究 ** 孙 静 稳, 刘 金 平 ( 中 国 矿 业 大 学 管 理 学 院, 江 苏 徐 州 221116) 摘 要 : 根 据 创 业 板 企 业 的 高 科 技 和 高 成 长 性 特 点, 成 为 金 融 证 券 市 场 热 门 关 注 的 对 象, 其 成 长 性 研 究 是 资 本
Natural Neural Networks
深度学习讨论班 黄雷 2016-11-29 内容大纲 1. 深度学习介绍 神经网络的历史 深度学习的应用 2. 多层感知机 (multi-layer perceptron machine) 前向神经网络 (feedforward neural network) 3. 卷积神经网络 (Convolution neural networks) 4. 递归神经网络 (Recursive neural networks)
85% NCEP CFS 10 CFS CFS BP BP BP ~ 15 d CFS BP r - 1 r CFS 2. 1 CFS 10% 50% 3 d CFS Cli
1 2 3 1. 310030 2. 100054 3. 116000 CFS BP doi 10. 13928 /j. cnki. wrahe. 2016. 04. 020 TV697. 1 A 1000-0860 2016 04-0088-05 Abandoned water risk ratio control-based reservoir pre-discharge control method