针对窄间隙熔化极气体保护焊(Gas Metal Arc Welding,GMAW)焊道侧壁处局部咬边缺陷检测困难的问题,提出了一种基于电弧声信号特征提取与处理的咬边缺陷在线检测方法。通过分析正常、临界咬边和咬边这3种焊接状态的电弧形态和电弧声信号...针对窄间隙熔化极气体保护焊(Gas Metal Arc Welding,GMAW)焊道侧壁处局部咬边缺陷检测困难的问题,提出了一种基于电弧声信号特征提取与处理的咬边缺陷在线检测方法。通过分析正常、临界咬边和咬边这3种焊接状态的电弧形态和电弧声信号特征,证实坡口侧壁引起的电弧形态变化是影响电弧声信号变化的重要因素。在此基础上采用小波包时频分析,同时引入特征类间标准差作为评价指标,确定了能有效识别3种焊接状态的敏感特征。采用Sigmoid支持向量机和五折交叉验证建立预测模型,实验结果表明该模型能较好地实现3种焊接状态的预测分类,识别准确率达到96.0%。展开更多
局部二元模式即LBP(local binary patterns),是一种有效的纹理描述算子,能够很好地提取人脸表情特征信息。针对原始LBP算子仅考虑中心像素点与邻域像素点的灰度差异的问题,对其进行了改进,提出了多重中心化二值模式MLBP(multiple local ...局部二元模式即LBP(local binary patterns),是一种有效的纹理描述算子,能够很好地提取人脸表情特征信息。针对原始LBP算子仅考虑中心像素点与邻域像素点的灰度差异的问题,对其进行了改进,提出了多重中心化二值模式MLBP(multiple local binary patterns),并将改进后的MLBP算子进行人脸表情识别,通过改进前后在JAFFE人脸库的实验比较,该方法在识别率上取得了较好的效果。展开更多
个性化服务质量(Qo S,quality of service)预测是构建高质量云服务系统的重要环节,传统基于协同过滤方法采用集中式的训练模式难以保护用户隐私,为了在获取高准确预测效果的同时有效保护用户隐私,提出分布式用户隐私保护可调节的云服务...个性化服务质量(Qo S,quality of service)预测是构建高质量云服务系统的重要环节,传统基于协同过滤方法采用集中式的训练模式难以保护用户隐私,为了在获取高准确预测效果的同时有效保护用户隐私,提出分布式用户隐私保护可调节的云服务个性化QoS预测模型(DUPPA)。该模型采用“服务器-多用户”架构,服务器协调多个用户,处理多用户上传模型梯度和下载全局模型的请求并维护全局模型参数。为进一步保护用户隐私,提出用户隐私程度调节策略,通过调节本地模型参数初始化比例、梯度上传比例以平衡隐私程度和预测精度。在本地模型初始化阶段,用户计算本地模型与全局模型的差值矩阵,并选择差值矩阵中数值较大元素所对应的全局模型参数初始化本地模型参数;在梯度上传阶段,用户可选择部分重要的梯度上传至服务器来满足不同应用场景对隐私保护的需求。为了评估DUPPA的隐私程度,提出针对分布式矩阵分解模型梯度共享方案的数据重构攻击方法。实验结果表明,当DUPPA在梯度上传比例为0.1、本地模型参数初始化比例为0.5时,预测的平均绝对误差(MAE,mean absolute error)和均方根误差(RMSE,root mean square error)较传统的集中式矩阵分解模型分别降低了1.20%和0.91%;当DUPPA的梯度上传比例为0.1时,隐私程度至少是梯度上传比例为1时的5倍;当DUPPA的本地模型参数初始化比例为0.5时,隐私程度至少是本地模型参数初始化比例为1时的3.44倍。展开更多
文摘针对窄间隙熔化极气体保护焊(Gas Metal Arc Welding,GMAW)焊道侧壁处局部咬边缺陷检测困难的问题,提出了一种基于电弧声信号特征提取与处理的咬边缺陷在线检测方法。通过分析正常、临界咬边和咬边这3种焊接状态的电弧形态和电弧声信号特征,证实坡口侧壁引起的电弧形态变化是影响电弧声信号变化的重要因素。在此基础上采用小波包时频分析,同时引入特征类间标准差作为评价指标,确定了能有效识别3种焊接状态的敏感特征。采用Sigmoid支持向量机和五折交叉验证建立预测模型,实验结果表明该模型能较好地实现3种焊接状态的预测分类,识别准确率达到96.0%。
文摘个性化服务质量(Qo S,quality of service)预测是构建高质量云服务系统的重要环节,传统基于协同过滤方法采用集中式的训练模式难以保护用户隐私,为了在获取高准确预测效果的同时有效保护用户隐私,提出分布式用户隐私保护可调节的云服务个性化QoS预测模型(DUPPA)。该模型采用“服务器-多用户”架构,服务器协调多个用户,处理多用户上传模型梯度和下载全局模型的请求并维护全局模型参数。为进一步保护用户隐私,提出用户隐私程度调节策略,通过调节本地模型参数初始化比例、梯度上传比例以平衡隐私程度和预测精度。在本地模型初始化阶段,用户计算本地模型与全局模型的差值矩阵,并选择差值矩阵中数值较大元素所对应的全局模型参数初始化本地模型参数;在梯度上传阶段,用户可选择部分重要的梯度上传至服务器来满足不同应用场景对隐私保护的需求。为了评估DUPPA的隐私程度,提出针对分布式矩阵分解模型梯度共享方案的数据重构攻击方法。实验结果表明,当DUPPA在梯度上传比例为0.1、本地模型参数初始化比例为0.5时,预测的平均绝对误差(MAE,mean absolute error)和均方根误差(RMSE,root mean square error)较传统的集中式矩阵分解模型分别降低了1.20%和0.91%;当DUPPA的梯度上传比例为0.1时,隐私程度至少是梯度上传比例为1时的5倍;当DUPPA的本地模型参数初始化比例为0.5时,隐私程度至少是本地模型参数初始化比例为1时的3.44倍。