基于优化神经网络的空调系统未知类型故障诊断

目前基于数据驱动方法的制冷系统故障诊断模型,只能对参与建模训练的已知类型故障进行诊断,而对于未参与建模训练的未知类型故障,不能正确地诊断。针对这一问题,本文提出了一种优化神经网络的故障诊断策略。利用已知类型的故障数据建立BP神经网络模型,然后确定一个区分阈值,能够实现对未知类型故障的诊断识别。结果表明:对于包含所有故障类型的测试数据,模型的诊断正确率为88.62%,对于其中的未知类型故障,模型的诊断效果显著,正确率为99.48%。

基于变量预测-谷本相似度方法的局部放电中未知类型信号识别

针对局部放电中可能出现新的不属于已知放电类型的未知样本,提出一种基于变量预测-谷本相似度(VPM-Tanimotosimilarity)的未知类型信号识别方法。构建梯度谱图实现未知信号的表达,并使用两个指标来对样本分区域过滤以分离出未知类。首先,构建φ-Δφ、φ-Δu、φ-Δqmax、φ-Δn梯度模式和?-n谱图模式并提取特征。其次,对各已知类放电建立相应的VPM模型组并预测样本的特征向量。再次,计算样本和各已知类放电的Tanimoto相似度,获得与样本最匹配的已知类别。然后,计算识别结果的可靠率(IDAR)并划分可靠率空间,不同的区域有不同的判定方法。最后,利用Tanimoto相似度和各区域的IDAR对所有信号进行双重过滤以判定并分离出未知样本。实验结果表明,该方法取得了一定的识别效果。

让未知类型文件直接打开程序列表

当我们试图打开一个没有注册的文件类型时(如我们没有安装WPS，却欲打开以“WPS”为扩展名的文件)，就会弹出一个“Windows不能打开文件”的提示框(如图)，只有当我们点选“从列表中选择程序”并“确定”后，才能去选择程序进行试着打开。

基于改进SVDD算法与马氏距离的未知局部放电类型的识别

提出一种基于改进支持向量数据描述(SVDD)算法与马氏距离的未知类型的局部放电(PD)识别方法。首先,采集各个不同类型的放电样本,并提取特征向量构成样本集合;其次,利用SVDD算法求解得出训练样本的超球体中心a和半径R;然后,根据Otsu准则设定双阈值R_1和R_2,将特征空间划分为三个不同区域;最后,依据不同区域内的判定准则,以马氏距离为判定条件,确定待测样本的放电类型。试验结果表明,该方法对于未知类型的放电样本具有较高的正确识别率,验证了该方法的可行性。

未知病变类型脑血管中β-amyloid、α-actin、collagen Ⅳ的含量

目的研究未知病变类型脑血管病变的结构特征。方法通过刚果红染色、免疫组织化学染色、计算机图像分析技术对未知病变类型脑血管病变的β-amyloid、α-actin、collagenⅣ的含量进行研究。结果未知病变类型脑血管壁α-actin、collagenⅣ呈少量阳性染色,与正常脑血管存在显著差异(P<0.05);β-amyloid染色呈阴性,与正常脑血管无差异(P>0.05)。病变血管壁中上述三种蛋白的表达特点与脑血管淀粉样变(cerebralamyloidangiopathy,CAA)及小动脉硬化玻璃样变不同。结论未知病变类型脑血管病变具有不同于CAA的病变特征。

TBC“未知天线类型”问题的解决方案

对于高精度的GNSS数据处理,特别是当多种品牌的GNSS接收机共同作业时,对天线进行相位中心改正是非常有必要的。当采用TBC处理非天宝类型GNSS接收机数据时,在导入数据时,有时会出现不识别接收机和天线类型的错误或警告。通过修改Rinex格式文件头的接收机及天线类型,使其与TBC软件中接收机及天线配置文件中信息一致,问题得到解决。本文还对此类问题做了一些引申,结语给出了若干条建议。

基于L2-VAE的局部放电未知信号识别方法

典型油纸绝缘结构下局部放电中可能出现不属于已知放电类型的新的未知类别样本,极易造成故障类型判断错误,为此提出了一种基于L2正则化变分自编码器(L2-variational auto-encoders,L2-VAE)的未知类别信号识别方法。首先分别对各已知类高维特征建立多个改进的L2-VAE生成模型,尽可能地克服维数灾难问题;继而利用各生成样本和真实样本平均方差(mean square error,MSE)距离的最小值初步获得样本所属的已知类别;最后使用Otsu自适应算法对待识别样本的最小MSE距离集划分阈值,获取训练样本最小MSE距离集的上限,利用该上限和阈值的关系实现对未知类样本的判定和分离。实验结果表明,该方法可有效识别样本集中的已知类型并能够分离出样本集中的未知类别信号。

基于多特征相似度的蠕虫检测

在分析了正常网络流量分布的基础上,提出了基于多特征相似度的蠕虫检测方法.首先利用多个特征的高频统计结果分别计算相似度,然后将它们复合成一个相似度值,接下来比较相邻两次的相似度,最终发现异常.这种方法可以在一定程度上降低检测的误报率和漏报率,对蠕虫在大规模蔓延之前的检测效果也比较理想,可以在蠕虫爆发的早期阶段做出诊断,并且它不但可以用于已知类型的蠕虫检测而且对未知类型的蠕虫也有较好的检测效果.

基于多尺度Meanshift图像去噪算法

针对图像噪声类型未知、Meanshift平滑窗口难以确定致使图像细节被模糊的问题,提出多尺度Meanshift图像去噪算法。结合小波的'数字显微镜'的优点与Meanshift较强无参概率密度估计及快速模板匹配的特点,非常有效地去除了一组实际夜间远程拍摄图像中的未知噪声。算法执行过程中,首先,将图像进行二维离散小波变换,分解出低频子图和承载细节的高频轮廓子图;然后,区别于传统处理方式,高频子图保护不变,对低频子图进行Mean shift分析窗平滑,最后合成高频子图与低频滤波后图像形成去噪声后图像。该方法不仅弥补了单一Meanshift算法由于平滑窗口难以确定致使图像细节被过滤的缺陷,而且解决了一类实拍高噪声图像的去除,信噪比SNR为34.29。结果表明:本文提出的算法可以去除不同类型噪声图像,并可得到较高的信噪比。