基于数据不平衡下的高速列车小幅蛇行预测方法

高速列车行驶中所产生的蛇行运动会严重影响到列车的行驶安全,所以对蛇行运动进行预测可以做到提前预警。目前对于蛇行运动的研究主要为对蛇行失稳的预测,但列车运行过程中会出现正常到蛇行失稳的小幅蛇行中间状态,对小幅蛇行状态进行预测可以提前对蛇行失稳进行预警。为此,以高速列车转向架横向加速度信号为标准,针对高速列车蛇行运动数据的极端不平衡情形,提出了一种基于1D-CNN和CGAN的非平衡数据的预测方法。该方法首先利用CGAN的对抗性学习机制,通过生成器和鉴别器之间的博弈来优化更新参数。然后,将训练完备的CGAN模型用于生成样本,将增强后的数据送入1D-CNN分类器,并输出预测结果。在高速列车实际运行数据上进行实验,结果表明CGAN可以拟合高速列车蛇行故障运动的数据分布并增强数据集,且基于提出的方法预测精度为97.5%,大幅优于对比方法。因此基于CGAN-1DCNN的小幅蛇行预测方法可以在数据不平衡下对小幅蛇行的预测,实现对蛇行失稳的提前预警。

基于多尺度排列熵和线性局部切空间排列的机械故障诊断特征提取

机械设备监控系统收集的大量信号通常是包含多种自然振荡模式的非线性信号,这意味着单尺度特征提取无法表征这些非线性信号。而对于高维特征矩阵,也需要进一步提取主要的低维特征。针对这两个问题,提出了一种结合多尺度排列熵和线性局部切线空间排列(MPE-LLTSA)的非线性特征提取方法。首先通过MPE计算信号以获得具有高维度的多尺度特征。然后利用LLTSA挖掘嵌入的内在结构,实现低维特征提取。最后引入最小二乘支持向量机(LSSVM)来训练和识别低维特征。试验结果表明了该方法在机械模式分类和故障识别领域的应用潜力。

一个整合银行分行外联网络平台的解决方案

目前各大银行纷纷使用外联网络,以提供众多业务品种,争取到更多的客户。针对银行各分行间外联网建设中遇到的各种问题,该文提出了一种整合分行外联网络平台的解决方案,分阶段进行硬件建设,从而最终保障银行的服务能力,有一定的借鉴意义。

应用需要层次理论促进教师三维目标发展研究

本文从应用马斯洛需要层次理论出发,应用基本需要理论,提高教师基本技能;应用归属需要理论,促进教师专业成长;应用精神需要理论,激发教师实现自我价值。