多输出分类综述

多输出分类(multi-output classification)旨在同时预测一个输入样例的多个离散输出值,其中多个输出可由多种离散变量(如二元变量、名义变量和有序变量)表征。近年来,该学习范式在机器学习领域已广受关注。尽管如此,现有研究工作主要针对输出结构简单的多输出分类任务(多类分类、多标签分类)展开研究,较少考虑现实应用中往往涉及复杂多样的输出空间结构,从而难以满足复杂多输出分类任务的需求。为了能够全面地应对各种变量表征输出的多种多输出分类任务,本文系统地阐述了不同多输出分类任务的定义,总结分析了各种多输出分类任务的输出空间结构特点以及问题建模方法,最后对多输出分类任务的发展方向进行了探讨。

基于多输出一维卷积神经网络的轴承故障诊断

轴承作为用途最为广泛的零部件之一,其可以有效减缓旋转部件之间的摩擦力从而避免损坏,并且可以固定旋转轴。然而,在恶劣条件下连续工作会导致不可避免的故障。因此,对于工厂来说,进行轴承故障类型以及故障程度诊断越来越有必要。近些年来,随着深度神经网络,特别是卷积神经网络(convolutional neural network,CNN)的出现,使得智能诊断方法在精度方面取得了显著的提升。然而,在复杂的实际工业场景下,除了准确性之外,效率问题也需要提起重视。针对目前的多数CNN网络或效率低或不能检测故障程度的问题,提出了一种基于一维卷积神经网络的多输出分类的方法。方法利用提取的相关特征同时进行轴承故障类型分类和故障程度(裂纹尺寸)分类,与传统的基于CNN的多类分类相比,在多输出分类中利用相关特征提高了诊断的准确性和效率。

基于GCA-DEA-MSVC方法的高校科研平台评价预测研究

高校科研平台评价与预测分析是促进科研工作健康高效发展的重要载体,但数据指标繁冗、逻辑关系复杂、影响因素众多等大大加剧了科研平台运行评价和预测难度。本文从大数据角度出发探索一种基于GCADEA-MSVC方法的高校科研平台评价预测方法。首先利用GCA方法从科研平台运行数据库中挖掘、提取出与评价结果密切相关的关键特征指标并进行分类构建特征指标库,然后利用DEA方法对特征指标库数据进行融合,提升数据质量构建相对效率指标库;最后,将特征指标库与相对效率指标库再次融合,基于改进的MSVC方法构建了高效的科研平台运行状态评价分类预测模型,并利用教育部重点实验室评价数据开展了实验研究,验证了所提方法的有效性。