基于改进半监督局部保持投影算法的故障诊断

为解决在少量标记样本的条件下故障诊断困难的问题,提出一种基于改进半监督局部保持投影(ISS-LPP)的故障诊断方法。ISS-LPP算法利用部分标记样本的标签信息调整原始特征空间中样本间的权值矩阵,并根据所有样本在特征空间的分布情况自适应的调整邻域参数,寻找数据的低维本质流形,得到原始特征空间样本数据的低维特征向量和投影转换矩阵。以得到的低维特征向量为输入,建立分类器,识别和判断故障类型。将ISS-LPP算法应用于滚动轴承的故障诊断。实验结果表明:该方法能够在标记样本较少时,提高轴承的故障诊断精度。

多属性信息决策的改进无监督学习算法建模与应用

针对SOM网络无监督学习算法的单样本序列学习方式内存占用多的特点,采用Voronoi矢量原理改进权矢量迭代方式,使改进算法具有所有样本同时学习的能力,同时给出了算法的矢量映射误差测度和拓扑误差测度。然后根据改进算法建立了多属性信息决策的可视二维拓扑映射图模型,并对R&D项目中止决策进行了研究。计算结果表明,改进的无监督学习算法收敛速度快,基于拓扑映射图模型的多属性决策有效。

试析部队财务管理与监督的优化及改进

部队的财务管理关系到各项建设事业的完成和军队战斗力的形成。文章分析了部队财务体制中存在的一些弊端,提出优化及改进方案,以期更好地促进部队建设的良性发展。

加强和改进基层检察院社区矫正监督之我见

社区矫正是建设有中国特色社会主义刑罚制度的重要组成部分,充分体现了我国社会主义制度的优越性和人类文明进步的要求。社区矫正监督是检察机关刑罚执行监督的重要组成部分,是法律赋予检察机关的神圣职责和重要任务。目前,基层检察机关社区矫正监督仍然存在一些问题和不足,影响法治进程,应予以高度重视。本文试立足基层检察机关司法实务,分析社区矫正基本现状、存在问题,并提出相应对策建议。

分布外样本干扰下基于改进半监督原型网络的齿轮箱跨域故障诊断

实际工程中难以获取充足可用且同分布的齿轮箱故障样本,此外,获取的无标签样本难免会混入一些分布外的未知干扰样本,这些将给现有的齿轮箱智能故障诊断研究带来难题。提出一种改进半监督原型网络,面向分布外样本干扰,实现少样本下不同工况间的齿轮箱跨域故障诊断。首先,设计一种标签分配准则,既可以充分挖掘利用无标签样本信息,为无标签样本赋予伪标签,同时也可以有效抑制分布外未知样本的干扰。然后,定义一种基于标签平滑和度量缩放的修正代价函数,可以灵活有效地评估故障样本之间的相似性,挖掘元学习任务的通用特性,进一步提高模型泛化性。将所提方法用于分析不同健康状态的齿轮箱试验数据,并设置不同的少样本跨域诊断场景和分布外干扰样本进行对比验证。试验结果表明,相比现有方法,所提方法可以更有效地实现少样本下不同工况间的齿轮箱跨域故障诊断。

基于改进的有监督正交邻域保持嵌入的故障辨识

正交邻域保持嵌入(Orthogonal neighborhood preserving embedding,ONPE)是一种无监督的特征降维方法,且使用的是全局统一的邻域参数,在对高维故障特征集进行特征降维时,不能利用样本的类别标签信息和不能够根据样本空间分布的变化自适应调整邻域参数,使获得的低维特征仍出现混叠的情况。针对上述问题,提出了基于改进的有监督正交邻域保持嵌入(Improved supervised ONPE,IS-ONPE)特征降维的故障辨识方法。IS-ONPE利用样本的标签信息来调整样本点与点之间的距离以形成新的距离矩阵,通过新的距离矩阵进行邻域构建,同时利用局部集聚系数进行邻域参数的自适应调整,能够获得辨识度更高的低维特征。以低维特征作为支持向量机(Support Vector Machine,SVM)的输入来实现故障辨识。齿轮的故障辨识结果表明,所提出的方法能够提高故障辨识效果,具有一定优势。

内部审计关注企业内部控制执行的细节

随着经济社会的发展,现代企业内部控制制度的建立健全、外部约束机制的不断加强、会计电算化的普及,账务表面的错弊越来越少,内部审计逐步从传统的查错防错向管理服务转变,从内部检查和监督向分析和评价转变,即对企业内部控制体系进行全过程、全方位的监督和评价,将内审工作更多地体现在事前预防和事中控制,及时发现各个控制环节存在的问题,及时把评价和建议传递到相关执行部门,并监督及时改进,把企业的风险降到最低程度,这就需要内部审计人员熟悉企业内部控制制度和流程,能够关注到内部控制执行的细节。

浅论水产品质量安全监督现状及对策

本文综述了水产品质量安全监督的现状及存在的问题,提出了改进水产品质量安全监督六项对策,对完善水产品质量监管措施具有一定参考价值。

基于ACMPE、ISSL-Isomap和GWO-SVM的行星齿轮箱故障诊断

针对从行星齿轮箱非线性、非平稳振动信号特征提取困难的问题,提出了一种基于自适应复合多尺度排列熵(ACMPE)、改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)和灰狼群优化支持向量机(GWO-SVM)相结合的行星齿轮箱故障诊断方法。利用ACMPE从复杂域提取振动信号的故障特征,构建高维故障特征集;采用ISSL-Isomap方法对高维故障特征集进行维数约简,提取出低维、敏感故障特征;应用GWO-SVM分类器对低维故障特征进行模式识别,判断故障类型。行星齿轮箱故障诊断实验结果分析表明:与多尺度排列熵(MPE)、复合多尺度排列熵(CMPE)等特征提取方法相比,ACMPE方法在分类效果和识别精度上更具优势;与局部切空间排列(LTSA)、等度规映射(Isomap)、加权Isomap(W-Isomap)、监督Isomap(S-Isomap)和监督型自组织增量学习神经网络界标点Isomap(SSL-Isomap)等降维方法进行比较,ISSL-Isomap方法降维效果最佳;所提方法的故障识别率达到100%,具有一定优越性。