一、一个基于相关存储的模式识别方法(论文文献综述)
张志成[1](2021)在《面向无标签数据的旋转机械故障诊断方法研究》文中指出旋转机械作为绝大多数机械设备的核心部件,在工业化生产中有着广泛的应用,其一旦发生故障,往往会造成重大的经济损失甚至人员伤亡等严重后果。因此为了提升旋转机械运行期间的安全性和可靠性,避免重大事故的发生,需要对旋转机械故障诊断技术进行大量的研究。针对已有大多数故障诊断算法是基于有监督的思想,需要借助数据先验信息,即面向有标签的数据,且所涉及算法的参数大多需要人为指定,实际可操作性不强的不足,本文提出了一种面向无标签数据的无监督、参数自适应化的旋转机械故障诊断算法(Sm-DLLOF-AFCM),可以对没有任何先验信息(标签)的样本集自适应的完成故障诊断工作,具有良好的准确性和较强适用性等实际意义。主要工作概括如下:1.对旋转机械故障的典型故障进行一定的分析。对旋转机械状态监测数据的采集和预处理技术开展了一定的研究。最后确定了基于Labview的数据采集方案,和小波阈值降噪的预处理方式。2.对特征提取和特征选择技术进行了研究。在进行旋转机械振动信号的特征提取工作中,采用基于尺度空间理论的改进经验小波变换算法(SEWT)。SEWT算法解决了传统的经验小波变换(EWT)算法需要人为指定频带分割数目的问题,可以自适应的确定频带分割数目并确定保留的模态分量(IMF)。在进行特征选择工作中,采用基于m RMR思想的改进的拉普拉斯分值算法(m RMR-LS)。m RMR-LS算法综合考虑了特征之间的相关性和冗余性,可以自适应的采用无监督的方式完成特征选择工作。3.对模式识别方法进行了研究,采用了异常识别加聚类的无监督模式识别方法。首先在异常识别工作中,采用了二次识别的方式来提升识别的准确性和效率,其中初次识别采用基于核密度估计方法的改进DBSCAN算法(KDBSCAN),KDBSCAN算法可以自适应的确定传统的DBSCAN算法中的两个参数Eps、Minpts,输出噪声点和少类簇样本作为初次识别的异常样本。二次识别采用基于自然最近邻居搜索方法的改进局部离群因子算法(LLOF),可以自适应的确定LOF算法中的邻域参数k,输出二次识别的异常样本和其异常得分值(LOF)。然后通过真实数据集验证了两种算法的优越性。最后针对经过异常识别算法得到的异常样本和其得分值,采用了自适应的模糊C均值聚类算法(AFCM),将异常样本进行分类。4.确定了最终的故障诊断方案并进行验证。首先提出Sm-DLLOF-AFCM旋转机械故障诊断算法,并给出其一般流程。然后利用实验室的电主轴状态监测试验系统和搭建的电主轴综合试验软件平台,通过人工模拟故障的方式得到了转子数据集。最后将Sm-DLLOF-AFCM算法应用到实验室的转子数据集和公开的轴承和齿轮数据集中进行验证,结果表明,Sm-DLLOF-AFCM算法在三个数据集上均取得了良好的效果,在保证效率的同时,能成功的将绝大多数异常(故障)样本找出并进行聚类。
周子闻[2](2021)在《自动化测试中GUI目标的模式识别方法研究》文中研究指明GUI(Graphical User Interface)软件测试是针对拥有图形用户界面的软件进行测试,它能够有效的检测出软件中潜在的错误或缺陷。GUI自动化测试技术的出现,有效地减少了测试资源的投入,提高了测试过程的整体效率,并且在保证了软件质量的基础上,减少软件开发迭代周期。对于所有GUI自动化测试工具而言,如何识别被测对象是其首要问题和关键技术。传统的控件识别方法是以开发框架和测试工具的API为基础的,非常依赖API的开放性,存在识别范围受限、灵活性低和成本高的缺点,且测试者需了解部分代码实现。近年来图像模式识别技术快速发展,基于图像识别的GUI控件识别方法表现出色。本文在图像处理技术和图像模式识别的模板匹配技术上,提出一种新型快速模板匹配算法。并以新型快速模板匹配算法为识别驱动,结合其他辅助功能,设计一款GUI目标快速识别工具;用于解决现有测试工具的识别方法,在识别范围受限、灵活性低、图像分辨率敏感和识别速度低等缺陷。本文的主要研究内容包括以下三点。(1)研究图像模式识别技术中的模板匹配算法和Open CV中模板匹配的相似度算法,结合图像处理技术和像素点对比方法,提出了一种新型快速模板匹配方法,并应用于软件界面中控件等GUI目标元素的识别。(2)针对现有识别方法的优缺点,结合本文提出的新型快速模板匹配方法,开发了基于图像模式识别的GUI目标快速识别工具。并结合实际测试需求,在该工具中增加了相应的辅助功能,如自动抓取被测软件界面图、模板图自动拉伸和匹配结果存储等,以提升其适应性、识别效率、识别准确性以及使用便捷性。(3)对本文开发的工具在识别准确率和识别速度两个方面进行实验验证,分析本文提出的新型快速模板匹配方法在原始算法上的提升,并与现有成熟工具中的识别方法进行对比。
丁奥[3](2021)在《基于深度学习的快递暴力分拣行为检测识别方法研究》文中提出近年来,我国快递业的发展取得了令人瞩目的成就,中国拥有世界最大的快递服务市场规模。然而,暴力分拣问题一直没有得到妥善解决。暴力分拣极大增加了快件损坏的风险,给行业形象带来负面影响,还造成了过度包装等严重的社会问题。实现对暴力分拣行为的准确、高效识别是解决该问题的关键前提。在此基础上,才能通过有针对性的诸如增加辅助设备、加强人员培训等措施避免暴力分拣的发生。鉴于此,本文进行了如下研究工作:通过对相关法规、标准、文献的梳理和对快递企业的实地调研,总结归纳了三种典型的暴力分拣行为,即快件跌落、抛扔和足踢。针对这三种典型的暴力分拣行为,本文论述了对其进行识别的价值和意义。提出了一种基于加速度传感器和深度学习的快递暴力分拣行为检测识别方法,在该方法基础上设计并实现了一个快递暴力分拣行为检测识别系统。该检测识别系统由数据采集终端实时采集快递包裹的三轴加速度数据。然后利用GPRS模块将潜在异常数据上传至服务器进行特征提取和模式识别。最终将快递包裹受到暴力分拣操作的时间、地点、类型等信息进行匹配并保存至数据库中供用户查询。硬件层面设计并实现了一种快递包裹三轴加速度状态数据采集终端。算法层面设计并实现了一套完整的暴力分拣行为智能识别算法。该算法首先截取出潜在异常样本,对截取的三轴加速度数据加窗并提取窗内数据的均值、方差、峰度、偏态、动态范围、短时能量和过零率七种特征,再进行规范化处理,并对齐时间窗口数量,从而得到形如3轴×50时间窗×7种特征的传统特征矩阵。而后将规范化的传统特征矩阵送入到一个带有CDCE(Channel Dense-Concatenation-Excitation)通道注意力模块的CNN-GRU(卷积神经元-门限循环单元网络)融合模型中,对规范化的传统特征矩阵的通道、空间和时间抽象关系特征再提取。最终得到识别结果。在传统的SE(Squeeze-Excitation)通道注意力模块基础上,结合本文应用背景下深度学习模型输入数据的特点,设计了一种改进的通道注意力模块(CDCE),用分通道的全连接操作替代SE通道注意力模块中的全局池化操作并对后续层进行了相应调整,在不显着增加复杂度的情况下实现了更精细的通道权重计算。采集、整理、公开了首个物流操作下快递包裹三轴加速度状态数据集。利用该数据集不仅可以对本文提出的识别模型进行训练和测试,还对该领域的延伸研究具有一定价值。通过若干实际寄递测试进一步证明了本文方法的可行性和实用性,对实际寄递测试检测识别结果的统计分析,揭示了目前暴力分拣发生的普遍性。
乔明敏[4](2021)在《基于嵌入式Linux的肌电假肢复合动作模式识别与控制》文中指出近年来,因交通事故、自身疾病等原因导致市场上的假肢需求数量显着提高。对于上肢残缺患者,上肢残缺一方面使患者生活不能自理,另一方面也给患者造成了严重的心理压力。随着现代技术的发展和社会对残肢患者的关注度提升,市面上出现了多种类型的肌电假肢,一定程度上缓解了患者的生活需求。但是,目前的肌电假肢仍然存在一系列显着问题,比如:现有假肢大都对单一动作进行识别,无法对复合动作进行识别,实现某一具体行为需要几部分单一动作按照时间顺序逐一执行,这与人体行为习惯相冲突;同时,现有假肢使用前均需要由专业人员对使用者进行训练,生成可以使用的肌电模式识别模型,这一过程需在PC端完成且需定期性、经常性进行,不方便的同时也为患者增加了经济负担。本文主要研究内容为构建肌电信号模式识别模型,完成软硬件系统设计以及识别模型在系统上的移植,最终实现基于嵌入式Linux的肌电假肢复合动作模式识别与控制系统的设计。根据肌电信号的特点,设计信号调理电路,对尺侧腕屈肌、指浅屈肌、掌长肌和指伸肌进行肌电采集。将采集到的肌电信号进行预处理,分别提取时域、频域和时频域三个方面的特征值。为了保证分类精度的同时提高系统运行速度,使用XGBoost算法进行特征值的提取和肌电信号的模式识别。针对不同动作,提取出相关性系数最大的时域方差、时域均方差、平均功率频率、中值频率、最大小波包系数能量以及最大小波包系数方差,对相关性小的特征不予考虑,达到为后续算法降维的目的。同时,导入实际样本数据,将XGBoost训练模型与PCA-LSTM算法进行对比,验证模型的优越性。结果表明:基于XGBoost的特征提取与模式识别模型对复合动作的模式识别速度更快、识别率更高。构建嵌入式系统,设计QT界面并移植。界面主要包括8个动作按键(4个单一动作和4个复合动作),每个按键按下播放对应视频,指导患者进行相应动作,按下按键时肌电信号采集开始。采集的肌电信号经预处理、特征提取后,输入XGBoost算法生成患者专有的模式识别模型。患者在使用肌电假肢时,采集到的肌电信号经过模型分类后,得到对应的动作类型,驱动电机完成相应动作。本文通过软硬件系统设计和XGBoost在嵌入式Linux系统上的移植,完成了肌电假肢复合动作模式识别与控制系统的设计。
杨静[5](2020)在《旋转机械早期故障诊断关键技术研究》文中研究表明旋转机械是航空航天、电力、交通、石油化工和国防工业等领域广泛使用的关键设备,其作业环境恶劣、作业条件复杂,在长期作业过程中,机械性能不断退化,故障频发。一旦出现故障,不仅严重制约企业的生产效率、降低产品质量、影响企业的市场竞争力,使企业蒙受巨大经济损失,甚至造成无法弥补的人员伤亡。通过振动监测可以获得大量含有设备运行信息的数据和参数图形,如频谱图、三维谱图、阶比图等。如何利用振动数据和参数图形及时准确地提取表征设备健康状态的信息,从而发现设备异常并确定故障的严重程度,对提高旋转机械运行的可靠性和稳定性具有重要意义。目前的研究主要针对特征明显、数据无关联关系、样本平衡且信息完整的故障诊断问题,这些研究成果能够提取故障特征并准确判定故障类型。但随着维修模式从被动向主动方向发展,故障诊断技术的智能化和实用化程度要求不断提高,诊断方法需要能够自适应地及时发现实际工业系统中设备的早期故障,为设备后期维护提供可靠依据,而现有研究成果难以满足要求。因此,为了解决以上问题,并考虑到早期故障具有特征微弱、特征信息耦合和不完备等特点,开展旋转机械早期故障诊断关键技术研究工作,具有重要的学术意义和工程应用价值。本论文开展的研究工作主要包括以下几个方面。(1)基于振动信号分析的旋转机械早期故障诊断方法研究旋转机械在运行过程中会产生含有多种频率成分的周期性振动信号,这些信号通常分为两类:1)仅与旋转部件本身弹性有关的振动;2)反映旋转部件损伤情况的振动。因此,基于振动信号分析可以有效地实现旋转机械故障诊断。然而,由于工业过程的复杂性和作业环境的恶劣性,旋转机械产生的振动信号通常是非平稳、非线性且含有强背景噪声。直接利用原始振动信号难以挖掘出隐含在其中的早期微弱故障特征。考虑到深度自编码器具备自动提取特征的优良性能,本论文提出了一种基于改进深度稀疏自编码器网络的故障诊断方法,以99%以上的平均识别准确度实现对旋转机械(无论加载与否)早期故障模式识别和严重程度确定。(2)数据相关条件下的旋转机械复合故障诊断方法研究现代旋转机械的组成单元之间相互关联且相互影响,整个设备系统具有强烈的不确定性和非线性特征;表征设备运行模态的参数种类繁多、高维稀疏、不易量化且难以区分。导致监测系统获取的反映系统运行机理和状态参数的数据具有海量性和相关性,使得早期复合故障普遍存在于各类旋转机械中。然而,现有的针对单一设备、子系统和子单元的故障诊断方法难以发现组成单元之间的关联关系,从而导致对复合故障的误诊率和漏诊率非常高。因此,本论文通过对关联数据进行分析与处理,并考虑到深度稀疏自编码器自适应提取特征和数据降维的性能,提出了一种基于相关分析和改进稀疏自编码器网络的故障诊断方法,以99.4%以上的平均诊断准确度实现加载旋转机械早期复合故障诊断。(3)数据非完备条件下的旋转机械故障诊断方法研究目前,旋转机械故障诊断方法的设计大都基于类分布大致平衡和获取的数据完整这一假设,通常假定用于训练的设备的各类健康状态样本数量大致相等,并且构成样本的数据没有缺失。事实上,由监测系统获取的大部分都是正常状态数据,只有极少量故障状态数据。此外,受传感器故障、通信线路以及人为因素等影响,实际采集的信号可能是不完整的,从而造成隐含在信号中的信息丢失。以上数据非完备普遍存在的现状极大地影响了故障诊断方法的有效性和准确性。因此,本论文在设计变尺度重采样策略和多水平去噪策略的基础上,提出了一种基于集成融合自编码器网络的故障诊断方法,以99.69%以上的平均诊断准确度实现数据不平衡和数据局部缺失条件下的旋转机械故障诊断。(4)基于振动双谱图识别的旋转机械早期故障诊断方法研究旋转机械早期故障的特征信号非常微弱且具有稀疏性,背景噪声的幅值远大于特征信号且几乎分布在整个频带范围内,信噪比很低。相比一维振动数据,具有强去噪能力的双谱图中包含设备运行状态的信息量更丰富。因此,考虑到双谱图和增强型超分辨率生成对抗网络(Enhanced Super-Resolution Generative Adversarial Networks,ESRGAN)的优良性能,本论文首先基于双谱分析技术获取旋转机械的振动双谱图,并将其转换为存储需求更小的二维灰度图;然后,基于ESRGAN设计超分辨率重建策略,对灰度图进行清晰化处理,提高图像的分辨率。在此基础上,提出了适用于振动双谱图识别的改进卷积神经网络(Convolutional Neural Network,CNN)分类模型,以99.99%和100%的平均识别准确度分别检测出不同型号滚动轴承早期故障信号。以更加直观、更易被操作人员理解的可视化方式,实现旋转机械早期故障诊断。
张付凯[6](2020)在《基于确定学习理论的非线性系统智能控制方法研究》文中认为由于大脑高度发达,人类能够轻松准确地应对各种各样的复杂事件。人脑被认为是最复杂同时也是最智能的系统,主要表现在:“边做边学”,即在工作过程中完成学习,并将学到的知识记忆/存储在大脑中;“学以致用”,即存储的知识可以在新的任务中作为经验得以应用。受此启发,人们提出高级的智能控制方法,如神经网络控制等,用来处理动态环境中复杂系统的控制问题。智能控制的一个主要特点是具有足够的关于人的控制策略、被控对象及环境的有关知识以及运用这些知识的能力。然而,在实际应用中,动态环境中的学习问题被认为是自适应和学习控制领域最困难的问题。同时,具有自主学习能力的智能控制问题也是动态环境下人工智能研究的一个难点。此外,随着科技的进步,生产工况环境变得越来越复杂且多样化,而且对控制品质也提出了更高的要求。这些实际问题无疑对智能控制技术的发展提出了诸多的挑战。鉴于此,本文将基于确定学习理论及现有相关研究成果,针对未知动态环境中复杂非线性系统的学习、决策与控制问题,开展以下几个方面的研究:1.研究一类具有代表性的纯反馈非线性系统的自适应神经网络动态面控制与学习问题。首先,综合动态面控制技术和确定学习理论,在控制器设计过程中避免了对虚拟控制的复杂求导,通过递归分析建立RBF神经网络的部分持续激励条件。所设计的自适应神经网络动态面控制器,不仅确保了系统的稳定性和跟踪误差的收敛,而且实现了对闭环未知动态的局部准确辨识/学习。随后,利用所学知识设计一个经验控制器,避免了估计参数的重复训练过程,有效地改善了系统的控制性能。该方案部分解决了高阶纯反馈系统的确定学习控制问题,并通过仿真验证了所提方案的有效性。2.研究纯反馈非线性系统基于观测器的自适应神经网络控制与学习问题。首先,引入一种系统转换技术,借助观测器,提出了一种简单的自适应神经网络控制方案保证了系统的稳定性和跟踪性能。特别地,该方案中仅使用一个神经网络逼近器。此外,所提方案避免了学习过程中的递归分析过程,通过确定学习较为轻松地实现了对转换系统闭环动态的局部准确辨识。然后,利用获得的知识进一步提出一种新的学习控制方案,实现了更好的控制性能,同时大大降低了计算负担。以连续搅拌釜式反应器应用系统为仿真对象,仿真结果验证了所提方案的有效性。3.针对一类具有多种控制情形的纯反馈非线性系统,提出了一种基于模式的智能控制方案。首先,基于确定学习理论,利用设计的自适应动态面控制器对不同控制情形(模式)下的闭环系统未知动态进行准确辨识/学习,并利用学到的知识为所有控制情形构造一个基于模式的经验控制器库。其次,在当前正常控制器作用下,通过确定学习准确获取不同控制情形下的子系统动态知识,并利用获得的知识构造一系列动态模型实现对不同控制情形的精确分类。然后,当控制情形突变时,基于动态模式识别策略实现对控制情形突变的快速准确识别,并从构造的控制器库中选择正确的经验控制器,确保了系统的稳定性和优越的控制性能。仿真结果表明所提方案不仅像人类一样实现了对知识的获取,而且能够利用经验知识实现快速决策和高性能的控制。4.研究带预设性能约束的纯反馈非线性系统基于模式的学习与控制问题。首先,综合系统转换和误差转换技术,提出了一种带指定性能的自适应神经网络控制方案。所提方案不仅保证了系统的稳定性和预设的跟踪性能,即同时确保了系统的瞬态和稳态性能,而且在自适应控制的过程中实现了对转换系统闭环动态的局部准确辨识/学习,并利用在不同控制情形下学到的知识构造一个基于模式的经验控制器库。然后,借助观测器,在正常控制器作用下通过确定学习实现对不同控制情形下转换系统动态的准确建模。特别地,所提方案避免了对原始系统所有子系统的学习训练,大大减少了神经网络训练的数量。随后,利用建模知识构造一组动态估计器用于对不同控制情形的精确分类。当控制情形突变时,通过比较被监测系统和动态估计器,从而获得识别残差,基于最小残差原则实现对突变控制情形的准确识别。基于识别结果,快速决策并切换与突变模式相对应的经验控制器以保证系统的稳定性和高性能的控制,同时满足指定的性能约束条件。仿真结果验证了所提方案的有效性。5.研究一类采样仿射非线性系统的自适应神经网络控制与学习问题。目标是将确定学习控制理论从连续时间系统推广到更加符合实际应用的采样数据系统。为了实现学习,首先提出一种新颖的自适应神经网络控制方案,基于李雅普诺夫定理确保了系统的稳定性和跟踪误差的收敛。此外,引入一种状态变换方法,克服了未知仿射项给学习带来的困难。通过确定学习在稳定的自适应控制过程中实现了对闭环采样动态的局部准确逼近/学习。随后,利用学到的知识,进一步提出一种新的采样学习控制方案,实现了响应速度更快和跟踪误差更小的优越控制性能。最后,通过对摆平衡系统和两关节机械臂系统的仿真实验验证了所提方案的有效性。
于依[7](2020)在《基于特性指标降维和改进熵权法的电力负荷模式识别算法研究》文中认为随着人类智慧的发展、科学技术的不断创新,新旧技术的更新换代,使得通信技术领域也有了一定程度的提升,这使得人们能够在日常生活中,通过不同的渠道获取各种类型的信息,同时这些信息也通过不同手段被转化为各种数字形式呈现并传递。同样的,随着技术水平的不断上升,电力服务的发展和电力市场的兴起,相关电力企业的各类数据也越来越数字和信息化。智配电网使电力行业收集的数据量从TB增长到PB。终端更频繁地收集数据,使得数据的形式更广泛,加上行业朝着智能、精益开发的趋势发展,异构数据集成,数据量的增长带来了对其快速高效处理的迫切需求。高可伸缩性以及高效,准确的负荷模式分析和处理等挑战也已然成为数据挖掘研究的前沿。因此,充分发挥机器学习中人工智能和数据挖掘算法的作用,能够及时对海量电力数据进行处理,并从中获得有价值的信息。对电力负荷大数据进行准确、高效的负荷模式识别,是支持电网安全可靠经济运行不可缺的基础工作。目前海量电力负荷数据高维特征量处理较为困难,为顺应实际应用对电力负荷模式识别效率和准确率的要求,本文提出一种基于特性指标降维和改进熵权法的电力负荷模式识别算法。首先,介绍了研究电力负荷模式识别的目的及意义,对国内外学者在有关方面的研究进行归纳,给出了电力负荷模式识别模型的流程。在当前大数据时代,智能电网背景下电力负荷数据可通过不同渠道获得,其具有多维、异构等特点。强调了对海量负荷数据进行数据处理的重要性并对几种数据处理方法进行介绍。与此同时,数据处理过后还需要进行降维处理,以减少存储空间,提高算法效率。阐述了降维技术的分类并对其原理和特点进行进一步的解释和说明。其次,电力负荷的模式识别需要负荷数据的分类标签,这一过程需要聚类算法来实现。介绍了聚类算法的思想及分类,并对几种常见的聚类算法进行了分析和说明,最终选择K均值聚类算法用于后续算例分析。为了确定最佳聚类数还需要对聚类质量进行评估。给出了几种常见的聚类评价指标,并针对所选算法对谱系聚类及K均值聚类的评价函数做进一步说明。随后,运用分类算法完成电力负荷模式的识别。介绍了分类算法的原理及分类,给出了几种常见的分类算法,并对它们的思想和特点进行归纳总结,最终选择了K近邻算法用于算例分析。最后,结合前几部分的研究,针对提出的算法进行算例验证分析。采用模拟负荷数据对K均值的负荷模式提取算法进行验证,结果表明K均值聚类算法可以有效地对电力负荷模式进行提取并得到分类标签。在此基础上,验证了K近邻算法能够对负荷模式进行识别,由此证明了算法提出的有效性。考虑到高维数据对算法产生的影响,进一步研究负荷降维的重要性。分别采用特征选择和特征提取两种方法对实测负荷数据进行降维,并将降维后的数据作为输入用于K均值聚类算法,最终与传统聚类算法进行对比,结果表明特征选择的降维方法聚类质量最好,同时算法效率最高。在前三个算例分析基础上,对提出基于特性指标降维和改进熵权法的负荷模式识别算法进行验证,电力负荷数据通过特征选择得到日负荷率、最高利用小时率、日峰谷差率、峰期负载率、平期负载率、谷期负载率等6个日负荷特性指标来完成降维,其次引入改进熵权法配置特性指标权重系数,然后采用手肘法确定最佳聚类数,通过加权欧式距离的K均值聚类方法得到分类标签,最后利用K近邻算法对标签和6个特性指标进行电力负荷模式识别,采用基于混淆矩阵的方法对所提出的模型进行评估。算例结果表明,基于特性指标降维和改进熵权法的负荷模式识别算法较传统算法模型效果好,在效率和精度上均有提高。
刘家赫[8](2020)在《旋转机械早期预警及故障模式识别方法研究》文中提出旋转机械是石油化工等现代企业中关键的生产设备,针对这些设备进行状态监测和故障诊断,能够保障设备的安全可靠运行,并取的巨大的经济和社会效益。旋转机械设备状态监测与故障诊断对开展预测性维修十分重要,能够延长机械设备的使用寿命,减少设备维护费用,并且保证设备的安全运行。本文主要针对旋转机械早期故障预警与故障模式识别方法进行研究。基于旋转机械设备运行可靠度函数和趋势滤波技术,根据滤波后振动特征信号曲线斜率绝对值的变化,构建了基于可靠度函数趋势滤波技术的早期故障预警模型;基于聚类分析方法,构建了 K-means聚类故障模式识别模型,基于监测数据训练得到不同故障的聚类中心,探索了数据驱动的基于聚类中心欧式距离判据的旋转机械故障模式识别方法;针对以可靠性为中心的维修(RCM)和健康度评价展开研究,构建了动态风险评价模型,结合智能预警方法与模式识别方法,设计了旋转机械动态风险评价及维修决策系统。论文主要研究内容如下:(1)旋转机械早期故障预警方法研究。基于旋转机械设备运行可靠度函数提取设备振动特征信号,也就是时域互相关函数、频域凝聚函数和谱距离指标函数提取特征信号,利用l1趋势滤波技术对振动特征信号进行滤波处理,根据滤波后振动特征信号曲线斜率绝对值的变化,构建基于可靠度函数趋势滤波技术的早期故障预警模型;利用NSFI/UCR滚动轴承No.2全生命周期实验训练了该模型,最后利用离心压缩机转子碰摩、不对中和不平衡故障案例数据验证了早期故障预警方法的工程有效性。(2)旋转机械故障模式识别模型构建研究。基于K-means聚类分析,构建了 K-means聚类故障模式识别模型,筛选故障识别灵敏度高的故障特征参数作为模型输入参数,基于离心式压缩机监测数据和轴承实验数据训练得到不同故障的聚类中心,探索数据驱动的基于聚类中心距离判据的旋转机械故障诊断方法,并利用工程案例对该方法进行了验证。(3)动态风险评价及维修决策系统设计研究。基于旋转机械传统RCM风险评价方法与健康度评价方法,构建了动态风险评价模型,根据风险等级高低,采用决策树模型确定具有针对性的维修方式和维修内容。结合早期故障智能预警方法及故障模式识别方法,建立了动态风险及维修决策系统,设计了系统的异构数据采集模块、时序性数据存储模块、时序性数据预处理模块、模型训练及优化模块、知识库模块和维修决策模块,最终完成了整个软件系统的设计开发。
于永胜[9](2020)在《语句包裹变更模式的识别方法研究》文中进行了进一步梳理软件变更过程中,由于软件需求的变化以及软件维护的需要,大量的软件变更代码被提交到软件版本管理系统中,软件代码的结构也变得越来越复杂,使得软件开发人员理解变更代码变得困难,软件变更中掺杂了大量的代码变更模式,将这些模式与其他变更代码分离,将方便理解变更。本文对将一个语句或语句序列移动到一个或多个语法实体中的语句包裹模式进行了研究,做出了如下贡献:首先,由于当前还没有对于语句包裹模式的定义,本文从四个维度对语句包裹模式进行了分类;其次,提出了语句包裹模式的识别算法,算法首先识别发生移动的语句或语句序列,然后通过分析抽象语法树对语句包裹变更模式进行确认;最后,对提出的识别算法进行了实验验证,并对识别出的语句包裹模式进行了分类分析。识别算法首先使用基于文本的差异化分析工具获取代码变更前后版本文件的hunk,然后对存在相似代码行的语句包裹模式候选hunk进行了识别,由于代码克隆检测工具Simian对于语句包裹模式候选hunk的识别结果不理想,提出了基于LCS的语句包裹模式候选hunk识别算法,通过分析代码变更前后版本文件的抽象语法树提出了基于候选hunk和抽象语法树的语句包裹模式识别算法,并提出了语句包裹模式分类算法对识别结果集进行了分类。在四个开源项目数据集上进行了实验验证,实验结果表明基于抽象语法树的语句包裹模式识别算法对于语句包裹模式具有较高的识别率,并使用语句包裹模式分类算法对识别结果进行了分类分析。分类结果表明,语句包裹模式占版本提交总数的4%,发生语句包裹模式最多的3种语法实体为if、try和for语句,分别占语句包裹模式提交总数的81%、14%和6%,语句移动和语句变更的语句包裹模式分别占语句包裹模式提交总数的82%和29%,正向语句包裹模式和逆向语句包裹模式分别占语句包裹模式提交总数的72%和36%,语法实体嵌套的语句包裹模式和语法实体非嵌套的语句包裹模式分别占语句包裹模式提交总数的14%和92%。
段卫华[10](2020)在《语句分裂变更模式的识别》文中研究说明现代软件的开发和维护大多都是基于版本控制系统进行的,这很大程度提高了多名开发人员协作开发软件的工作效率,但想要达到最好的协作开发效果,就要求每一位参与软件开发及维护的人员都要很好的理解软件各版本的代码变更,但是多种代码变更模式的相互掺杂使得对于这些代码变更的理解变得十分困难,为了解决这一问题,研究人员开始对常见的代码变更模式进行研究,例如对重构和缺陷修复等典型代码变更模式的研究已形成较为成熟完善的理论体系,并通过将这些研究成果运用于代码变更模式的自动识别,实现了这些变更模式的定位及相互分离,从而帮助开发人员高效的阅读和理解代码变更。语句分裂变更模式是一种常见的将一条代码语句分裂改写成多条语句的代码变更模式,该模式一般是将原有代码语句中较为复杂的表达式赋值给新变量之后,再用此变量替换原句中的这一表达式,该模式类似于代码重构模式中的替换算法,不同的是替换算法是一种函数体层面的重构手法,而语句分裂变更模式则是一种应用更为广泛的代码语句层面的代码变更模式,除此之外在分裂变更的过程中也会经常在不同的部分增加新的内容,这使得语句分裂变更模式呈现出多种不同的形式,原有语句的功能也很可能会因此发生变化,所以无法将语句分裂变更模式简单的归类为一种代码重构模式或是其它已知的代码变更模式,而不同的呈现形式又可能对应不同的变更目的,所以就有必要对语句分裂变更模式进行单独研究,帮助开发人员理解涉及此模式的代码变更。本文针对语句分裂变更模式进行了以下研究:首先人工筛选出4个开源项目变更历史信息中包含该模式的代码变更块的集合,经观察发现语句分裂变更模式包含两种基本形式,分别将其命名为拆分形式和替换形式,并且根据两种形式代码变更块的文本特征分别定义了这两种基本形式,之后根据这两种形式的抽象语法树节点的变化特征设计了语句分裂变更模式的识别算法,该算法对人工筛选的数据集进行了识别,识别准确率在81%~89%之间波动,再用该算法识别4个开源项目的源数据集,经人工检测后发现识别的准确率在71%~80%之间波动。其次通过对人工筛选数据集的进一步分析,提出一个语句分裂变更模式的分类框架,从分裂语句的类型、语句变更的行为和新增语句类型三个维度对该模式进行分类,此外还设计了基于该框架的分类算法,该算法经实验验证具有较高的分类准确率。最后对识别和分类的研究工作进行总结与经验分析,并通过与其它代码变更模式的对比得到了一些可以帮助理解语句分裂变更模式的研究结论。
二、一个基于相关存储的模式识别方法(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一个基于相关存储的模式识别方法(论文提纲范文)
(1)面向无标签数据的旋转机械故障诊断方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 旋转机械故障诊断研究现状 |
1.2.2 异常识别算法研究现状 |
1.3 本文主要研究内容 |
第2章 旋转机械典型故障分析及状态监测数据的采集和预处理 |
2.1 引言 |
2.2 旋转机械典型故障分析 |
2.2.1 轴承故障 |
2.2.2 转子系统故障 |
2.2.3 齿轮故障 |
2.3 旋转机械状态监测数据采集 |
2.4 旋转机械状态监测数据预处理 |
2.5 本章小结 |
第3章 旋转机械振动信号特征提取和特征选择方法研究 |
3.1 引言 |
3.2 基于尺度空间理论的改进EWT算法(SEWT) |
3.2.1 EWT理论 |
3.2.2 尺度空间理论 |
3.2.3 SEWT算法实例验证 |
3.3 振动信号特征矩阵的构建 |
3.4 基于mRMR算法的改进LS特征选择算法(mRMR-LS)及实例验证 |
3.5 本章小结 |
第4章 模式识别方法研究 |
4.1 引言 |
4.2 基于核密度估计的改进DBSCAN算法(KDBSCAN) |
4.2.1 DBSCAN算法 |
4.2.2 非参数核密度估计方法 |
4.2.3 KDBSCAN算法实例验证 |
4.3 基于自然最近邻居算法搜索思想的改进LOF算法(LLOF) |
4.3.1 局部离群因子(LOF)算法 |
4.3.2 自然最近邻居搜索方法 |
4.3.3 LLOF算法实例验证 |
4.4 自适应模糊C均值聚类算法(AFCM) |
4.5 本章小结 |
第5章 面向无标签数据的旋转机械故障诊断算法试验验证 |
5.1 引言 |
5.2 Sm-DLLOF-AFCM算法一般流程 |
5.3 转子系统故障诊断-电主轴 |
5.3.1 电主轴状态监测试验系统 |
5.3.2 电主轴综合试验软件平台开发 |
5.3.3 转子系统故障诊断 |
5.4 轴承故障诊断 |
5.5 齿轮故障诊断 |
5.6 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
个人简介及硕士期间取得的研究成果 |
致谢 |
(2)自动化测试中GUI目标的模式识别方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 传统GUI自动化测试工具的控件识别方法 |
1.2.2 图像识别技术在GUI目标识别方面的研究应用 |
1.3 研究目标及内容 |
1.4 论文组织结构 |
第2章 基于图像模式识别的GUI目标识别技术 |
2.1 GUI目标识别方法 |
2.1.1 基于API的控件识别方法及工具 |
2.1.2 基于图像识别的GUI目标识别方法及工具 |
2.2 图像处理 |
2.2.1 图像灰度化 |
2.2.2 图像二值化 |
2.3 模板匹配 |
2.3.1 模板匹配介绍 |
2.3.2 典型的模板匹配算法 |
2.3.3 模板匹配在GUI目标识别中的优缺点 |
2.4 OpenCV |
2.4.1 OpenCV介绍 |
2.4.2 OpenCV中的模板匹配方法 |
2.5 本章小结 |
第3章 新型快速模板匹配方法 |
3.1 快速模板匹配方法 |
3.2 图像处理 |
3.2.1 灰度化算法 |
3.2.2 二值化算法 |
3.3 相似度计算 |
3.3.1 积分图像 |
3.3.2 互相关系数 |
3.3.3 相关性系数 |
3.3.4 归一化 |
3.4 本章小结 |
第4章 基于图像模式识别的GUI目标快速识别工具 |
4.1 总体设计 |
4.2 匹配图自动抓取 |
4.2.1 匹配图获取方法 |
4.2.2 窗口位图自动抓取 |
4.3 模板图自动拉伸 |
4.4 样式库功能 |
4.4.1 样式库结构设计 |
4.4.2 存储功能 |
4.5 本章小结 |
第5章 实验与分析 |
5.1 实验环境 |
5.2 识别准确率验证 |
5.3 识别速度验证 |
5.3.1 单次识别速度 |
5.3.2 同界面中连续识别速度 |
5.3.3 同GUI目标多次识别速度 |
5.4 与其他识别方法的比较分析 |
5.5 实验总结 |
结论 |
参考文献 |
致谢 |
(3)基于深度学习的快递暴力分拣行为检测识别方法研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景及研究意义 |
1.2 国内外研究现状 |
1.2.1 物流环境数据的采集和分析方法 |
1.2.2 模式识别方法 |
1.3 论文的主要内容及结构 |
1.3.1 论文的主要内容 |
1.3.2 论文的技术路线 |
2 快递暴力分拣行为检测识别系统设计 |
2.1 快递暴力分拣行为检测识别系统架构 |
2.2 快递包裹加速度状态数据采集终端设计 |
2.2.1 数据采集的技术要求 |
2.2.2 数据采集终端硬件设计 |
2.3 本章小结 |
3 快递包裹的加速度数据预处理 |
3.1 潜在异常数据截取 |
3.2 数据压缩表达 |
3.3 数据存储与传送 |
3.4 本章小结 |
4 基于深度学习的快递暴力分拣行为识别方法 |
4.1 快递暴力分拣行为识别方法架构 |
4.1.1 带有通道注意力模块的CNN-GRU识别模型架构 |
4.1.2 基于Squeeze-Excitation通道注意力模块的改进 |
4.2 识别模型的实现 |
4.3 本章小结 |
5 快递暴力分拣行为检测识别方法的实验验证 |
5.1 物流操作下快递包裹加速度状态数据集的采集和标记 |
5.2 实验结果分析与讨论 |
5.2.1 实验采集到的样本的统计分析 |
5.2.2 数据预处理提取传统特征的必要性分析与特征筛选 |
5.2.3 深度学习模型的交叉验证方法 |
5.2.4 CNN引入CDCE模块的性能分析 |
5.2.5 CNN-GRU融合模型的性能分析 |
5.2.6 CNN-GRU融合模型引入CDCE模块后的性能分析 |
5.2.7 带有CDCE模块的CNN-GRU融合模型的综合性能分析 |
5.3 本章小结 |
6 实际寄递测试及结果分析 |
6.1 实际寄递测试及结果分析 |
6.2 关于实际寄递测试中发现的问题的讨论 |
6.3 本章小结 |
7 总结与展望 |
7.1 主要工作与结论 |
7.2 论文主要创新点 |
7.3 未来工作展望 |
参考文献 |
作者攻读学位期间取得的研究成果 |
(4)基于嵌入式Linux的肌电假肢复合动作模式识别与控制(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题背景及意义 |
1.2 国内外研究现状 |
1.2.1 国外肌电假肢研究现状 |
1.2.2 国内肌电假肢研究现状 |
1.3 存在的问题 |
1.4 本文主要研究内容 |
第二章 系统总体设计方案 |
2.1 表面肌电信号产生机理 |
2.2 表面肌电信号特点 |
2.3 表面肌电信号采集方法 |
2.3.1 实验动作及被测肌肉的选择 |
2.3.2 表面电极选择 |
2.4 模式识别与控制系统总体设计方案 |
2.5 本章小结 |
第三章 肌电信号采集及预处理 |
3.1 表面肌电信号采集电路设计 |
3.2 数据采集与保存 |
3.3 肌电信号预处理 |
3.3.1 肌电信号数字滤波 |
3.3.2 活动段检测 |
3.4 本章小结 |
第四章 肌电信号的特征提取与模式识别 |
4.1 表面肌电信号特征分析 |
4.1.1 时域特征 |
4.1.2 频域特征 |
4.1.3 时频特征 |
4.2 基于XGBoost的特征选择 |
4.2.1 特征重要性判别 |
4.2.2 Python实现XGBoost特征选择 |
4.3 XGBoost算法原理 |
4.3.1 集成学习原理 |
4.3.2 决策树及CART原理 |
4.3.3 XGBoost算法原理 |
4.4 PCA+LSTM原理 |
4.5 仿真实验与结果分析 |
4.5.1 训练样本的采集 |
4.5.2 算法仿真实验与分析 |
4.6 本章小结 |
第五章 肌电假肢训练系统平台设计 |
5.1 训练系统硬件设计 |
5.1.1 LCD显示器接口电路 |
5.1.2 SD卡接口电路 |
5.1.3 音频输入与输出电路 |
5.1.4 SDRAM存储系统设计 |
5.2 嵌入式软件平台搭载 |
5.2.1 交叉编译环境的建立 |
5.2.2 Bootloader基本概述和u-boot移植 |
5.2.3 内核的移植 |
5.2.4 制作最小根文件系统 |
5.3 本章小结 |
第六章 系统平台搭载与功能测试 |
6.1 系统底层驱动开发 |
6.1.1 LCD驱动开发 |
6.1.2 触摸屏驱动开发 |
6.1.3 声卡驱动开发 |
6.2 QT概述与环境搭载 |
6.2.1 QT简介与运行机制 |
6.2.2 移植tslib |
6.2.3 QT的移植 |
6.2.4 QT应用程序的构建与移植 |
6.3 开机自启动 |
6.4 系统功能测试 |
6.5 本章小结 |
第七章 总结与展望 |
7.1 结论 |
7.2 工作展望 |
参考文献 |
发表论文与参加科研情况 |
致谢 |
(5)旋转机械早期故障诊断关键技术研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 引言 |
1.2 旋转机械故障诊断概述 |
1.2.1 旋转机械故障诊断基本方法 |
1.2.2 旋转机械故障诊断技术研究现状 |
1.2.3 旋转机械振动故障诊断 |
1.3 旋转机械早期故障诊断的关键问题 |
1.3.1 旋转机械早期故障诊断概述 |
1.3.2 早期故障诊断的关键问题 |
1.4 本文研究工作 |
1.4.1 论文研究内容与创新点 |
1.4.2 论文总体框架 |
2 旋转机械故障诊断基本理论 |
2.1 引言 |
2.2 滚动轴承振动故障机理 |
2.3 滚动轴承故障特征 |
2.4 本章小结 |
3 基于振动信号分析的旋转机械早期故障诊断方法 |
3.1 引言 |
3.2 基于振动信号分析的旋转机械早期故障诊断算法原理 |
3.2.1 稀疏自编码器的基本原理 |
3.2.2 L-BFGS优化算法的基本原理 |
3.2.3 基于改进稀疏自编码器的早期故障诊断算法 |
3.3 诊断算法的流程 |
3.4 实验验证与分析 |
3.4.1 滚动轴承试验台简介 |
3.4.2 故障诊断与结果分析 |
3.4.3 对比实验及分析 |
3.5 本章小结 |
4 数据相关条件下的旋转机械复合故障诊断方法 |
4.1 引言 |
4.2 数据相关条件下的旋转机械复合故障诊断算法原理 |
4.2.1 复合故障及其特征分析 |
4.2.2 复合故障诊断模型 |
4.2.3 数据相关度评估准则 |
4.3 诊断算法的流程 |
4.4 实验验证与分析 |
4.4.1 滚动轴承试验台简介 |
4.4.2 故障诊断与结果分析 |
4.4.3 对比实验及分析 |
4.5 本章小结 |
5 数据非完备条件下的旋转机械故障诊断方法 |
5.1 引言 |
5.2 数据非完备条件下的旋转机械故障诊断算法原理 |
5.2.1 理论基础 |
5.2.2 数据非完备特征分析 |
5.2.3 基于EFAE模型的故障诊断算法 |
5.3 诊断算法的流程 |
5.4 实验验证与分析 |
5.4.1 故障诊断与结果分析 |
5.4.2 对比实验及分析 |
5.5 本章小结 |
6 基于振动双谱图识别的旋转机械早期故障诊断方法 |
6.1 引言 |
6.2 基于振动双谱图识别的旋转机械早期故障诊断算法原理 |
6.2.1 双谱分析的基本原理 |
6.2.2 ESRGAN的基本原理 |
6.2.3 图像转换与清晰化技术 |
6.2.4 卷积神经网络基本理论 |
6.2.5 故障诊断模型设计 |
6.3 诊断算法的流程 |
6.4 实验验证与分析 |
6.4.1 6203 型滚动轴承简介 |
6.4.2 6203 型滚动轴承诊断样本集描述及网络配置 |
6.4.3 6203 型滚动轴承故障诊断与结果分析 |
6.4.4 LDK UER204 滚动轴承简介 |
6.4.5 LDK UER204 滚动轴承诊断样本集描述及网络配置 |
6.4.6 LDK UER204 滚动轴承故障诊断与结果分析 |
6.5 本章小结 |
7 总结与展望 |
7.1 总结 |
7.2 展望 |
致谢 |
参考文献 |
攻读博士学位期间发表的学术论文和发明专利 |
攻读博士学位期间获得资助和参加的主要科研项目 |
(6)基于确定学习理论的非线性系统智能控制方法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 自适应控制和学习控制 |
1.2.1 自适应控制 |
1.2.2 学习控制 |
1.3 智能控制与神经网络控制 |
1.3.1 智能控制 |
1.3.2 神经网络控制 |
1.4 多模型自适应控制 |
1.5 确定学习理论简介 |
1.6 本文的主要工作 |
第二章 确定学习理论 |
2.1 引言 |
2.2 确定学习机制 |
2.2.1 径向基函数神经网络 |
2.2.2 持续激励条件 |
2.2.3 确定学习机制 |
2.3 动态模式识别 |
2.3.1 相似性度量 |
2.3.2 动态模式的快速识别 |
2.4 采样确定学习 |
2.5 本章小结 |
第三章 基于动态面控制的纯反馈非线性系统确定学习控制 |
3.1 引言 |
3.2 问题描述 |
3.3 从稳定的自适应动态面控制中学习 |
3.3.1 自适应神经网络动态面控制器设计 |
3.3.2 从稳定的闭环控制中学习 |
3.4 基于经验的学习控制策略 |
3.5 仿真研究 |
3.5.1 从自适应动态面控制中学习 |
3.5.2 基于经验的学习控制 |
3.6 本章小结 |
第四章 基于观测器的纯反馈非线性系统确定学习控制 |
4.1 引言 |
4.2 问题描述 |
4.3 自适应神经网络控制器设计 |
4.4 从稳定的闭环控制中学习 |
4.5 基于经验的学习控制策略 |
4.6 仿真研究 |
4.6.1 从自适应神经网络控制中学习 |
4.6.2 基于经验的学习控制 |
4.7 本章小结 |
第五章 非仿射纯反馈非线性系统基于模式的控制 |
5.1 引言 |
5.2 问题描述 |
5.3 两个辨识阶段 |
5.3.1 第一个辨识阶段 |
5.3.2 第二个辨识阶段 |
5.4 快速识别和基于模式的控制阶段 |
5.4.1 快速识别策略 |
5.4.2 基于模式的控制与分析 |
5.5 仿真研究 |
5.5.1 两个阶段的辨识 |
5.5.2 快速识别和基于模式的控制 |
5.6 本章小结 |
第六章 带预设性能的纯反馈非线性系统基于模式的控制 |
6.1 引言 |
6.2 问题描述 |
6.3 两个辨识阶段 |
6.3.1 第一个辨识阶段:从闭环控制中学习 |
6.3.2 第二个辨识阶段:不同控制情形下的系统辨识 |
6.4 快速识别和基于模式的控制 |
6.4.1 快速识别策略 |
6.4.2 基于模式的控制与分析 |
6.5 仿真研究 |
6.5.1 辨识阶段 |
6.5.2 快速识别和基于模式的控制 |
6.6 本章小结 |
第七章 基于确定学习理论的采样非线性系统自适应神经网络控制 |
7.1 引言 |
7.2 问题描述 |
7.3 自适应神经网络控制器设计 |
7.4 从稳定的闭环控制中学习 |
7.5 基于经验的学习控制策略 |
7.6 仿真研究 |
7.6.1 摆平衡控制系统 |
7.6.2 机械臂控制系统 |
7.7 本章小结 |
第八章 总结与展望 |
8.1 工作总结 |
8.2 工作展望 |
参考文献 |
攻读博士学位期间取得的研究成果 |
致谢 |
附件 |
(7)基于特性指标降维和改进熵权法的电力负荷模式识别算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 论文研究背景及意义 |
1.2 电力负荷模式识别研究现状 |
1.2.1 负荷模式识别模型结构与流程 |
1.2.2 国内外学者关于负荷模式识别的研究 |
1.3 研究内容 |
第二章 电力负荷数据分析及处理 |
2.1 电力负荷数据来源和特点 |
2.2 电力负荷数据处理 |
2.3 电力负荷数据降维 |
2.3.1 负荷特征选择 |
2.3.2 负荷特征提取 |
2.4 本章总结 |
第三章 负荷模式分类标签获取及分类数确定 |
3.1 负荷模式分类标签获取——聚类分析 |
3.1.1 聚类算法概念及分类 |
3.1.2 常见聚类算法分析 |
3.1.2.1 K均值聚类 |
3.1.2.2 模糊聚类 |
3.1.2.3 自组织映射神经网络法 |
3.1.2.4 谱系聚类 |
3.2 负荷模式分类数确定——聚类有效性评价 |
3.2.1 聚类算法有效性评价指标 |
3.2.2 常见聚类算法有效性评价函数 |
3.3 本章总结 |
第四章 负荷模式识别——分类识别算法 |
4.1 分类识别算法概念及分类 |
4.2 常见分类识别算法分析 |
4.2.1 K近邻算法 |
4.2.2 支持向量机 |
4.2.3 决策树 |
4.3 本章总结 |
第五章 基于特性指标降维和改进熵权法的电力负荷模式识别算法 |
5.1 基于K均值聚类的电力负荷模式提取算法 |
5.1.1 数据来源 |
5.1.2 聚类有效性确定最佳聚类数 |
5.1.3 负荷模式提取及标签获取 |
5.2 基于改进KNN的电力负荷模式识别算法 |
5.2.1 数据来源 |
5.2.2 负荷模式提取及标签获取 |
5.2.3 负荷模式识别 |
5.3 基于特性指标降维的K均值电力负荷模式提取算法 |
5.3.1 数据来源 |
5.3.2 负荷数据处理 |
5.3.3 负荷数据特征选择和PCA降维 |
5.3.4 负荷模式分类数确定及标签获取 |
5.3.5 基于特性指标降维的K均值聚类算法聚类评价 |
5.4 基于特性指标降维和改进熵权法的电力负荷模式识别算法 |
5.4.1 数据来源 |
5.4.2 负荷数据处理 |
5.4.3 负荷数据特征选择降维 |
5.4.4 特性指标权重配置 |
5.4.5 加权欧式距离的K均值聚类算法及最佳聚类数确定 |
5.4.6 负荷模式识别算法及评估结果 |
5.5 本章总结 |
第六章 结论与展望 |
6.1 主要结论 |
6.2 研究展望 |
参考文献 |
在学期间的研究成果 |
致谢 |
(8)旋转机械早期预警及故障模式识别方法研究(论文提纲范文)
学位论文数据集 |
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题来源 |
1.2 研究目的及意义 |
1.3 国内外研究现状 |
1.3.1 旋转机械早期故障预警方法研究现状 |
1.3.2 旋转机械故障诊断模式识别研究现状 |
1.3.3 旋转机械RCM与健康评估研究现状 |
1.4 研究内容及技术路线 |
第二章 旋转机械早期故障预警方法研究 |
2.1 设备运行可靠度函数提取特征信号 |
2.2 l_1趋势滤波技术 |
2.3 基于可靠度函数趋势滤波的早期故障预警模型构建 |
2.3.1 早期故障预警方法参数选取原则 |
2.3.2 早期故障预警方法模型训练 |
2.3.3 早期故障预警方法模型中可靠度函数筛选 |
2.4 早期故障预警对比分析 |
2.4.1 早期故障预警特征信号对比 |
2.4.2 早期故障智能预警方法对比 |
2.5 工程案例验证 |
2.5.1 不平衡故障案例验证 |
2.5.2 碰摩故障案例验证 |
2.5.3 不对中故障案例验证 |
2.6 本章小结 |
第三章 旋转机械故障模式识别模型构建研究 |
3.1 聚类算法 |
3.2 故障模式识别模型建立 |
3.2.1 机械设备故障敏感特征参数筛选 |
3.2.2 剔除假数 |
3.2.3 数据归一化 |
3.2.4 K-means聚类分析 |
3.3 聚类分析故障模式识别模型验证 |
3.3.1 基于离心式压缩机监测数据的模型训练 |
3.3.2 离心式压缩机工程案例模型验证 |
3.3.3 基于轴承实验数据的模型训练 |
3.3.4 离心泵工程案例模型验证 |
3.4 本章小结 |
第四章 旋转机械动态风险评价及维修决策系统设计研究 |
4.1 智能预警和模式识别功能设计 |
4.1.1 异构数据采集、存储与预处理 |
4.1.2 设备早期故障预警和故障模式识别功能设计 |
4.2 旋转机械动态风险评价及维修决策方法研究 |
4.2.1 传统RCM设备故障模式风险评估 |
4.2.2 基于故障模式风险等级和实时健康度评价的动态风险评价 |
4.2.3 动态维修决策方法 |
4.3 旋转机械动态风险评价及维修决策系统功能模块设计 |
4.3.1 异构数据采集模块 |
4.3.2 时序性数据存储模块 |
4.3.3 时序性数据预处理模块 |
4.3.4 模型训练及优化模块 |
4.3.5 知识库模块 |
4.3.6 维修决策模块 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
研究成果及发表学术论文 |
作者和导师简介 |
附件 |
(9)语句包裹变更模式的识别方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 本文研究内容 |
1.3 文章结构 |
第2章 国内外研究现状 |
2.1 代码变更模式 |
2.1.1 重构模式 |
2.1.2 bug修复模式 |
2.2 语句包裹变更模式的研究 |
2.3 代码差异化分析 |
2.3.1 文本型代码差异化分析 |
2.3.2 树型代码差异化分析 |
2.4 小结 |
第3章 语句包裹模式识别方法概述 |
3.1 什么是语句包裹模式 |
3.1.1 语句包裹模式分类 |
3.1.2 语句包裹模式与抽取函数的区别 |
3.2 识别方法概述 |
3.2.1 识别算法流程 |
3.2.2 hunk集的获取 |
3.2.3 筛选候选hunk |
3.2.4 基于抽象语法树的语句包裹模式识别 |
3.3 小结 |
第4章 候选hunk的识别 |
4.1 包含语句包裹模式的候选hunk特征 |
4.2 基于LCS的候选hunk识别 |
4.2.1 算法思想 |
4.2.2 基于LCS的候选hunk识别算法 |
4.3 实验结果及分析 |
4.4 小结 |
第5章 语句包裹模式的识别 |
5.1 语句包裹模式识别 |
5.1.1 算法思想 |
5.1.2 语句包裹模式识别算法 |
5.2 实验结果及分析 |
5.3 小结 |
第6章 语句包裹模式分类分析 |
6.1 语句包裹模式分类 |
6.1.1 算法思想 |
6.1.2 语句包裹模式分类算法 |
6.2 语句包裹模式分类结果分析 |
6.2.1 语句包裹模式在四个项目中的占比 |
6.2.2 四个项目中语句包裹模式的分类分析 |
6.3 小结 |
第7章 结论 |
参考文献 |
致谢 |
在学期间主要科研成果 |
一、发表学术论文 |
(10)语句分裂变更模式的识别(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 本文研究内容 |
1.3 文章结构 |
第2章 国内外研究现状 |
2.1 代码变更模式 |
2.2 常见代码变更模式的识别和分类研究 |
2.2.1 重构模式(Refactoring) |
2.2.2 缺陷修复模式(bug-fixing) |
2.2.3 装饰型修改模式(cosmetic) |
2.3 差异化分析工具 |
2.3.1 文本差异化分析工具(Textual Differencing) |
2.3.2 树差异化分析工具(Tree-Differencing) |
2.4 本章小结 |
第3章 语句分裂变更模式的定义 |
3.1 语句分裂变更模式的研究方案 |
3.2 语句分裂变更模式变更数据集的获取 |
3.3 语句分裂变更模式两种形式的定义 |
3.3.1 拆分形式 |
3.3.2 替换形式 |
3.4 语句分裂变更模式的语法树节点变化特征 |
3.4.1 抽象语法树(AST) |
3.4.2 拆分形式的特征 |
3.4.3 替换形式的特征 |
3.5 本章小结 |
第4章 语句分裂变更模式的识别 |
4.1 识别方法概述 |
4.2 识别算法 |
4.3 代码变更块(hunk)的获取 |
4.4 抽象语法树(AST)的构造 |
4.5 抽象语法树中所需节点信息的获取 |
4.6 两种形式的识别 |
4.6.1 拆分形式的识别 |
4.6.2 替换形式的识别 |
4.7 识别算法的实验结果及分析 |
4.7.1 算法对人工筛选hunk集的识别结果及分析 |
4.7.2 算法对源数据集的识别结果及分析 |
4.8 本章小结 |
第5章 语句分裂变更模式的分类 |
5.1 语句分裂变更模式分类框架概述 |
5.2 分裂语句的类型 |
5.3 语句变更行为的类型 |
5.3.1 封装(encapsulation)-EN行为 |
5.3.2 更换(change)-CH行为 |
5.3.3 增加(add)-AD行为 |
5.3.4 分解(decompose)-DE行为 |
5.4 新增语句的类型 |
5.4.1 新增if语句-IF |
5.4.2 新增方法调用语句-MI |
5.5 特殊类型的补充 |
5.5.1 更换(change)-CH行为类型的补充 |
5.5.2 增加(add)-AD行为类型的补充 |
5.6 分类算法 |
5.6.1 分类算法概述 |
5.6.2 分裂语句的类型的确定 |
5.6.3 语句变更行为的类型的确定 |
5.6.4 新增语句的类型的确定 |
5.7 分类算法的实验结果及分析 |
5.7.1 分裂语句类型的分类结果 |
5.7.2 语句变更行为类型的分类结果 |
5.7.3 新增语句类型的分类结果 |
5.8 本章小结 |
第6章 结论 |
6.1 识别及分类算法实验结果的分析 |
6.2 课题研究总结 |
参考文献 |
致谢 |
在学期间主要科研成果 |
一、发表学术论文 |
四、一个基于相关存储的模式识别方法(论文参考文献)
- [1]面向无标签数据的旋转机械故障诊断方法研究[D]. 张志成. 吉林大学, 2021(01)
- [2]自动化测试中GUI目标的模式识别方法研究[D]. 周子闻. 北华航天工业学院, 2021(06)
- [3]基于深度学习的快递暴力分拣行为检测识别方法研究[D]. 丁奥. 北京印刷学院, 2021(09)
- [4]基于嵌入式Linux的肌电假肢复合动作模式识别与控制[D]. 乔明敏. 天津工业大学, 2021(01)
- [5]旋转机械早期故障诊断关键技术研究[D]. 杨静. 西安理工大学, 2020
- [6]基于确定学习理论的非线性系统智能控制方法研究[D]. 张付凯. 华南理工大学, 2020(05)
- [7]基于特性指标降维和改进熵权法的电力负荷模式识别算法研究[D]. 于依. 北方工业大学, 2020(02)
- [8]旋转机械早期预警及故障模式识别方法研究[D]. 刘家赫. 北京化工大学, 2020(02)
- [9]语句包裹变更模式的识别方法研究[D]. 于永胜. 齐鲁工业大学, 2020(02)
- [10]语句分裂变更模式的识别[D]. 段卫华. 齐鲁工业大学, 2020(02)