为了解决寻常型银屑病在样本分布不平衡的数据中可能会导致的深度学习模型诊断效果下降等问题,通过结合改进模糊KMeans聚类算法对高聚类复杂度数据的处理能力以及Visual Geometry Group 13(VGG13)深度卷积神经网络模型的预测能力,提出...为了解决寻常型银屑病在样本分布不平衡的数据中可能会导致的深度学习模型诊断效果下降等问题,通过结合改进模糊KMeans聚类算法对高聚类复杂度数据的处理能力以及Visual Geometry Group 13(VGG13)深度卷积神经网络模型的预测能力,提出一种基于改进模糊KMeans聚类算法的VGG13深度卷积神经网络(VGG13-KMeans)模型,并将其应用于寻常型银屑病的诊断任务中。实验结果表明,相较于VGG13以及ResNet18两种方法,本文方法更适用于对银屑病特征的识别。展开更多
针对高速龙门式包带机的驱动过程平行轴产生噪声、振动和卡滞等问题,造成其驱动过程不同步的影响,提出一种降阶扩张状态观测器(reduced-order extended state observer,RESO)的线性自抗扰控制(linear active disturbance rejection cont...针对高速龙门式包带机的驱动过程平行轴产生噪声、振动和卡滞等问题,造成其驱动过程不同步的影响,提出一种降阶扩张状态观测器(reduced-order extended state observer,RESO)的线性自抗扰控制(linear active disturbance rejection contro,LADRC)控制器和TS型模糊神经网络(TS fuzzy neural network,TS-FNN)同步补偿器相结合的控制方法。首先,针对高速龙门式包带机单轴的噪声、摩擦力和振动对伺服系统控制精度的影响,采用RESO的LADRC算法,以抑制控制系统的外部扰动和减少参数调节数量,从而提高位置跟踪精度;同时,针对平行轴中双直线电机因参数摄动和机械耦合等不确定扰动对位置同步精度的影响,采用交叉耦合的控制方法并结合TS-FNN同步补偿器来提高两平行轴的同步精度。通过实验对比验证,所采用的控制策略能有效减少高速龙门式包带机的单轴的跟踪误差,并提高平行轴的同步误差和抗扰性。展开更多
文摘为了解决寻常型银屑病在样本分布不平衡的数据中可能会导致的深度学习模型诊断效果下降等问题,通过结合改进模糊KMeans聚类算法对高聚类复杂度数据的处理能力以及Visual Geometry Group 13(VGG13)深度卷积神经网络模型的预测能力,提出一种基于改进模糊KMeans聚类算法的VGG13深度卷积神经网络(VGG13-KMeans)模型,并将其应用于寻常型银屑病的诊断任务中。实验结果表明,相较于VGG13以及ResNet18两种方法,本文方法更适用于对银屑病特征的识别。