基于深度学习的数字化装备故障诊断研究综述

数字化装备具有结构复杂、技术密集、信息化程度高等特点,传统的故障诊断方法需要拆装的部件多、故障定位准确率低,而深度学习能够从装备原始数据中挖掘有价值且敏感的特征,适合用于数字化装备的智能故障诊断;为此,首先进行了部队数字化装备故障诊断的现实困境和挑战分析,阐述了国内外数字化装备维修保障的研究现状,而后总结了装备故障诊断的主要方法和研究应用进展,重点将深度学习在装备故障诊断领域的研究成果进行了梳理,最后结合实际提出了基于深度学习方法实现数字化装备故障诊断的3种研究思路。

一种基于多重聚类的离群点检测算法

在LDOF算法的基础上,提出一种基于多重聚类的离群点检测算法PMLDOF。该算法针对局部离群度量计算量大的缺点,采用聚类剪枝技术作为减少计算量的方法;同时,为了避免将位于簇边缘的离群点错剪,算法利用多重聚类的差异性对簇的边缘点进行筛选。在对数据集进行剪枝后,计算剩余数据的局部离群度LDOF,并找出符合条件的离群数据点。实验结果表明,算法在时间复杂度和检测精度上具有更好的优越性。

面向不均衡数据集中少数类细分的过采样算法

在不均衡数据集中,少数类样本的分布相对于决策边界具有差异性,而传统的过抽样算法通常并未对差异性做不同处理。为此,提出一种面向不均衡数据集的过采样算法SD-ISMOTE。该算法根据少数类样本的k近邻分布将其细分为DANGER,AL_SAFE,SAFE 3个集合,DANGER和AL_SAFE中的样本更靠近决策边界。借助ISMOTE思想在n维球体内随机插值,扩大两类样本的过采样范围,同时引入轮盘赌选择算法进行采样选择,避免新生成的样本冗余。实验结果表明,SD-ISMOTE算法在C4.5和朴素贝叶斯分类器下的分类性能相较于Borderline-SMOTE和ISMOTE均有不同程度的提高,可有效解决数据集中样本分布不均衡的问题。

可控流变共聚PP的流变性能

用可控流变法降解共聚聚丙烯(PP)获得可控流变共聚PP。采用应力流变仪和熔体流动速率仪研究可控流变共聚PP的流变性能,考察了基础树脂、过氧化物加入量、工艺参数对最终产品流变性能的影响。在熔体流动速率大、乙烯含量低的基础树脂中加入少量过氧化物便能显著改善流动性;当过氧化物的加入量超过一定值时,低频下的聚合物复数黏度反而增加;各种工艺参数对流变性能的影响由大到小依次为:挤出温度,喂料转速,主机转速:喂料转速与主机转速之比越小,熔体流动速率越高。

形成性评价在程序设计实践中的应用

针对计算机实践教学中的突出问题,提出一种面向程序设计类实验的形成性评价体系,介绍依托实验过程中产生的多种数据,开发一套融实验过程分析、代码静态评测、代码自动评测、代码与报告查重、报告辅助批阅等功能为一体的评价支持系统,并说明应用效果。

一种程序源代码相似度度量方法

提出一种程序源代码相似度度量方法,根据C语言程序源代码的结构特点划分函数作用域,采用相关规则对划分后的程序代码进行规格化处理,对生成的Token序列求Hash值,使用散列值匹配算法对程序源代码进行相似度度量。实验结果证明,该方法可提高程序源代码相似度度量精度,且运行效率较高。

典型装备备件消耗规律研究

目的制订合理的备件保障计划,提高备件保障工作的科学性。方法通过对某典型装备中正态寿命件和伽马寿命件修理方法的分析,依据更新过程理论以及概率论和数理统计方法,建立典型装备正态寿命件和伽马寿命件的消耗规律数学模型,并举例说明。结果通过示例,证明了建立的备件消耗规律数学模型具有较好的适用性。结论依据备件的消耗规律,可以为建制单位实现备件的精确化保障提供理论依据。

生态学视角下的研究生创新能力培养研究

生态学中的许多原理、方法对培养研究生的创新能力具有重要的价值和意义。课题组在对研究生创新能力结构进行剖析的基础上,提出一种由个体微环境、群体协同环境、社会仿生环境构成的研究生培养生态系统,围绕在层级化生态建设中如何优化研究生知识结构,树立创新意识,培养创新思维,加强创新实践等问题,提出一系列建设思路和对策、建议。

基于中间件的分布式多媒体系统

分析了分布式多媒体系统中异构产生的各种原因 ,提出了一种基于中间件技术的解决方案 。

基于混合采样的非平衡数据集分类研究

针对传统的过采样算法在增加样本的同时可能使决策域变小和噪声点增加的问题进行了研究,提出了一种基于错分的混合采样算法。该算法是以SVM为元分类器,Ada Boost算法进行迭代,对每次错分的样本点根据其空间近邻关系,采取一种改进的混合采样策略:对噪声样本直接删除;对危险样本约除其近邻中的正类样本;对安全样本则采用SMOTE算法合成新样本并加入到新的训练集中重新训练学习。在实际数据集上进行实验,并与SMOTE-SVM和Ada Boost-SVM-OBMS算法进行比较,实验结果表明该算法能够有效地提高负类的分类准确率。

一种融合本体和上下文的自适应层次分类模型

提出一种新的自适应层次分类(HAC)模型,通过本体对特征集进行语义扩展,并以增量形式在层次模型中构建特征上下文和类别相关上下文,以辅助实现一种高效、无阻滞的层次分类.实验结果证明,模型HAC具有相对更好的分类性能,而且分类速度更快,有利于实现实时在线的文档分类.

"装备"词义的拓展及所引发的问题与对策

应用普通逻辑的有关知识,分析了我军装备管理与保障体制调整改革前后装备词义的变化,同时审视了装备领域相关术语的词义拓展,提出了装备一词的基本内涵、词义拓展所引发的问题与对策.

基于保障场的装备保障力量适应配置模型

针对装备保障需求和环境的复杂不确定性特征,从相似性角度引入保障场的思维与方法,提出基于保障场势的作用范围划分方法,在此基础上构建了装备保障力量的适应性配置模型,重点从场理论中势能的角度对保障力量的适应配置进行分析。结果表明,该模型可使配置过程更具交互性和灵活性,对装备保障辅助决策具有一定参考价值和指导意义。

基于增量模式的文档层次分类研究

在文档层次分类中,分类器的自适应调整和阻滞会影响层次分类的精度。为解决上述问题,提出一种基于类别上下文特征的层次分类模型及增量学习算法。根据分类体系,渐进地为每个判决节点建立并维护一个类别相关的上下文特征集,依据文档在上下文特征集中的支持度,找到最可能的层次分类路径和类别。考虑到增量学习的特殊性,将语义相似度引入到路径置信度计算中,以缓解上下文特征集不完备的问题。实验结果表明,相对层次Bayes、层次SVM模型,该算法不仅具有自适应的特性,而且在测试文档集中能提升近8%的分类精度。

一种可并行的贝叶斯集合在线学习算法

无论是 Boosting 还是 Bagging 算法,在使用连续样本集进行分类器集合学习时,均需缓存大量数据.这对大容量样本集的应用不可行。本文提出一种基于贝叶斯集合的在线学习算法 BEPOL,在保持 Boosting 算法加权采样思想的前提下,只需对样本集进行一次扫描,就可实现对贝叶斯集合的在线更新学习。算法针对串行训练时间长、成员相关性差的缺点.采用了并行学习的思想,通过将各贝叶斯分量映射到并行计算结构上,提高集合学习的效率。通过UCI 数据集的实验表明,算法 BEPOL 具有与批量学习算法相近的分类性能和更小的时间开销,这使得算法对某些具有时间和空间限制的应用,如大型数据集或连续型数据集应用尤其有效。

黄芪总苷治疗小鼠柯萨奇B_3病毒性心肌炎的实验研究

目的:通过体内外抗病毒试验,观察黄芪总苷抗柯萨奇B3(CVB3)病毒作用和对小鼠病毒性心肌炎的治疗作用。方法:(1)体外试验:以100 TCID50的CVB3病毒感染Hep-2细胞后,分别加入不同浓度的黄芪总苷,观察黄芪总苷对CVB3病毒的抑制作用和心肌细胞的保护作用;(2)体内试验:用CVB3病毒感染小鼠造成病毒性心肌炎,静脉滴注不同剂量的黄芪总苷生药6.25、12.5、25.0 g/(kg.d),连续7 d,观察黄芪总苷抗病毒性心肌炎的作用。结果:体外试验显示,黄芪总苷对CVB3病毒有一定的抑制作用,能减轻CVB3病毒对心肌细胞的损伤,显示出良好的保护作用;体内试验表明:黄芪总苷对CVB3病毒致心肌炎小鼠血清CK、LDH、中和抗体、心肌细胞中CVB3滴度、心脏重量及系数、炎性浸润面积、坏死程度均有显著的抑制作用。结论:黄芪总苷对小鼠病毒性心肌炎有良好的治疗作用,且有明显的量效关系。

面向计算机核心能力的专业实践体系构建研究

针对工程教育认证背景,细化计算机专业核心能力培养目标,围绕解决复杂工程问题,改革专业实践内容和评价体系,变总结性评价为形成性评价,并通过引入大数据、人工智能等技术丰富形成性评价手段,最终建立以学生为中心、成果为导向、能力为目标的专业实践体系。

基于层次案例的程序设计类课程教学与质量评控研究

从程序设计类课程的自身特点和实际需求出发,提出引入多层次的案例教学模式,并将其与教学质量评控机制相结合,以Java语言教学为例,详细探讨不同教学案例的设计与教学组织方法。

基于保障场的装备保障力量配置优化研究

根据电场的作用机理，提出保障场的概念，从场思维的角度构建装备保障力量配置分析的优化模型；并进一步定量分析与定性判断相结合，提出装备保障力量配置优化的流程，最后结合实例具体分析。研究结果对装备保障的部署决策具有一定参考价值和指导意义。