基于单元分解的多粒子纠缠态的纠缠度量方法

针对大多数多粒子纠缠度量方法难以摆脱随着粒子数的增加带来的计算复杂度问题。文中利用多粒子纠缠态的共价键固态表示,将具有一维VBS表示的多粒子纠缠态进行了单元分解。在此基础上,提出一种新的多粒子纠缠度量方法。计算结果表明,该方法能够有效降低多粒子纠缠度量的计算复杂度。

基于物理模型和神经网络融合的表面粗糙度预测方法

当前表面粗糙度预测的单一建模方法都存在一定的局限性,物理建模方法无法表征实际加工动态过程,机器学习模型需要大量训练数据且解释性较差。提出了一种物理模型与神经网络深度耦合的融合模型,通过训练卷积自编码器作为特征提取器构建数据集,然后训练融合模型,实现对表面粗糙度的精确预测,通过高温合金侧铣实验建立的数据集进行了验证,上述模型在训练集上预测相对误差为4.48%,测试集上的平均预测相对误差为5.67%。以10%为允差范围,则预测的准确率为84.29%,有较高的精准度。

基于卷积自编码器特征提取的表面粗糙度预测方法

当前表面粗糙度预测的机器学习模型需要大量标签数据,或在数据预处理时会损失部分特征。提出一种基于卷积自编码器特征提取的表面粗糙度预测方法,通过无监督学习训练卷积自编码器作为特征提取器对加工数据进行降维,然后利用少量有标签数据训练多层感知机作为回归器,实现对粗糙度的精确预测,通过高温合金侧铣实验建立的数据集进行了验证,所述模型的预测平均误差约为5.03%,有较高的精准度。

基于深度CNN-LSTM神经网络的加工过程实时异常监测模型

为了有效兼顾加工过程实时信号的多维特征和序列特征,以实现精度更高的加工状态异常监测,本文提出了一种基于深度卷积-长短时记忆神经网絡(Convolution Neural Network-Long Short Time Memory,CNN-LSTM)的异常监测模型。该模型以数控系统中采集的实时数据为输入,先利用CNN提取其高维特征并生成特征向量,再利用LSTM进行序列特征提取,最后通过逻辑回归得到异常诊断结果。实验表明,该模型的准确率、精确率、召回率等性能指标均超过98.5%,明显优于其他异常监测模型。