"车书"收藏爱好者

现在喜欢汽车收藏的人很多。有人喜欢收藏车标,有人喜欢收藏汽车模型,但有种鲜为人知的汽车爱好也许很少有人听说,那就是收藏“车书”——汽车样本。     

船舶柴油机NOx排放特性神经网络预测中的试验设计

研究船舶柴油机NOx排放特性神经网络预测中的学习样本选取试验设计方法。根据用于主机的船舶柴油机可能持续运行范围的工况变化特点,提出采用功率因素变边界的均匀设计法进行试验设计选取样本,并验证了其可行性。研究结果表明,变边界均匀设计法选取的样本用于神经网络训练,预测精度明显高于随机样本选取法。4位级变边界均匀设计法选取的样本训练得到的神经网络模型,NOx排放浓度预测误差小于3.8%,NOx比排放预测误差小4.5%。     

行李安检智能检测最难分样本集选取方法研究

研究表明,使业务模型性能变差的难分样本对系统边界决策能力增长有决定性影响。由于行李携带危险品的多样性及实物形态的不确定性,以及现场行李安检系统生成的行李X光图像数据呈现“长尾分布”特征,由有限次样本采集的数据集训练得到的智能检测模型,在应用于现场行李安检系统后,存在检测准确率不高的问题。文章针对行李安检智能检测数据分析闭环流程,提出最难分样本集的离散强化选取方法,可从现场行李安检系统运行过程中产生的危险品实例图像中选取最难分样本集,作为新增样本数据,用于智能检测模型的学习更新,实现安检智能检测软件性能的持续增强。     

基于一维深度卷积生成对抗网络的钢轨波磨识别方法

实际工程中钢轨波磨数据难以大量获取,无法构建庞大数据集进行智能诊断模型训练。针对这一问题,本文提出了一种基于一维深度卷积生成对抗网络的钢轨波磨识别方法。首先使用一维生成对抗网络生成与实际波磨振动信号结构相同的伪样本,对样本信号的数据集进行扩充;然后提取波磨振动信号的时域统计指标作为波磨数据的特征;最后使用分类算法对不同特征的波磨振动数据进行学习与分类。使用实测钢轨波磨振动数据进行试验验证,结果表明：利用本文方法所生成的伪样本数据,在时域、频域以及时域特征指标方面均与真实样本数据基本一致;使用KNN、SVM和DT三种分类模型对波磨数据的特征进行分类和对比,均可较好地进行波磨识别。     

基于NFP法的超声波检测基桩混凝土缺陷研究

超声波是检测基桩完整性的重要方法之一,具有缺陷位置和范围判定精确、可操作性强等优点。文中提取相关基桩规范中评价桩身完整性的主要参数,分析各参数的特点和不足,采用多因素综合概率分析(NFP)法,提出一种利用波速、波幅、主频为分析参数并输出定量结果的超声波检测基桩完整性的多参量判别方法,作为超声波检测基桩完整性的有效补充;将该方法应用于800余根工程桩混凝土缺陷检测,检测结果与钻芯结果具有较高的一致性,其中桩身完整且声测管埋设平直的桩身完整性评价指标K_((i))大部分为1.00～1.35;K_((i))>1.35时,除个别点外,其他均为首波判读错误引起的K_((i))离散;0.85≤K_((i))≤1.35时,声测线位置存在轻微或明显缺陷;K_((i))<0.85时,声测线位置存在严重缺陷。该方法可降低因首波位置判读不准引起的波速、波幅临界值变化的影响,快速判断基桩的完整性。     

基于神经网络集成的声学故障识别

提出一种基于神经网络集成的水下航行器声学故障识别方法。该方法把经单独训练的具有一定差异度的单个RBF神经网络加以集成,可提高分类器的泛化性能。实验证明该模型的有效性。