基于Nadam-TimeGAN和XGBoost的时序信号故障诊断方法

为了提高故障诊断模型在数据不平衡场景下的诊断性能和模型泛化能力,提出了一种基于Nadam-TimeGAN和XGBoost的时序信号故障诊断方法。首先对比基于LSTM和GRU的TimeGAN模型,选取性能更优的GRU网络作为TimeGAN模型的组成单元,然后采用Nadam优化算法对TimeGAN模型的各组件进行优化,即构建Nadam-TimeGAN模型用以数据扩充,最后构建一个平衡的数据集输入XGBoost集成学习模型进行分类训练。实验选取转辙机动作电流数据集进行验证性实验,选取MFPT轴承数据集和CWRU轴承数据集进行泛化性实验,并与8种方法进行对比,结果表明,所提方法在准确率、召回率以及F1-score这3种评价指标上均高于其他方法,从而验证了所提方法在不平衡数据故障诊断方面的有效性和泛化性。

基于Nadam优化器的全连接神经网络在水泥3 d及28 d抗压强度预测中的应用实践

本文基于TensorFlow+Keras深度学习框架建立了水泥3 d及28 d抗压强度全连接神经网络数据驱动模型,采用基于Nadam优化器对模型进行训练,与SGD随机梯度下降相比,鲁棒性更好,精度更高。测试数据3 d抗压强度预测相对误差小于7.47%,28 d抗压强度预测相对误差小于3.57%,可满足实际生产需求。

基于Nadam优化器的全连接神经网络在水泥熟料f-CaO预测中的应用实践

本文基于TensorFlow+Keras深度学习框架建立了熟料f-CaO全连接神经网络数据驱动模型,采用基于Nadam优化器对模型进行训练,与SGD随机梯度下降相比,鲁棒性更好。此外,本文介绍了将模型用于水泥熟料f-CaO含量实时预测的实现方法,数据预测误差小于5.11%,可有效指导烧成优化控制系统,为烧成控制智能化提供数据支撑。

基于PSO-Nadam-BP神经网络的多传感器火灾检测算法

由于采用传统单传感器检测火灾时存在精度低、误报率高等不足,提出了一种基于PSO-Nadam算法优化BP神经网络的多传感器火灾检测算法。算法模型以火灾环境参数作为BP神经网络的输入,以不同火灾状态的概率作为输出。但是传统BP神经网络算法中存在两个问题,一是因初始权值和阈值随机选定而导致的可能陷入局部最优解,二是因反向误差传播过程中学习率α固定所导致的收敛速度慢。因此分别采用粒子群算法(PSO)和Nadam算法来优化BP神经网络模型。最后在MATLAB软件上进行算法仿真模拟,相较于BP神经网络模型,该优化模型输出结果与样本实际值吻合度更高,样本预测均方根误差更小,并且收敛速度更快。该算法在一定程度上提高了检测准确率和检测速度,为后续更完善的火灾检测算法打下基础。

基于CA-ResNet网络与nadam优化的入侵检测算法

【目的】针对深度学习模型在网络入侵检测中进行参数训练时因梯度消失而导致深度学习模型过拟合在测试集上准确率下降的问题。提出一种结合LeakyRelu激活函数与ResNet的网络入侵检测算法,即CA-ResNet,并采用nadam优化器对模型进行优化。【方法】该模型在DNN的基础上增加了网络的层次,结合了ResNet和LeakyRelu激活函数。【结果】解决了模型训练时梯度消失的问题,保证了该模型在测试数据集上的表现,使得训练的模型的泛化能力更强,同时通过增加网络的单层维度和总层次的深度,提高了网络的特征提取能力和对尺度的适应性。【结论】使用KDD Cup99数据中的Corrected数据集对算法进行验证。实验表明,该算法与CNN和CNN-BiLSTM算法相比具有更高的准确率和F1-score,准确率能够达到95.0%,F1-score能够达到97.5,时间复杂度为线性时间复杂度。

基于EfficientNetV2和迁移学习的乳腺癌病理图像分类

针对人工识别乳腺癌肿瘤存在无法避免人为因素的问题,提出一种基于EfficientNetV2和迁移学习的乳腺癌病理图像分类算法。首先,由于现有公开数据集BreaKHis样本数据量过小,通过数据预处理实现数据增强,从而使模型学习到更多鲁棒性的特征。然后将数据集在微调后的EfficientNetV2网络模型上进行迁移学习训练,同时采用Nadam进行梯度下降优化,进而实现乳腺癌病理图像的自动分类。实验结果表明,相较于其他深度学习模型,该模型以更少的参数与更高的准确率很好地以底层视觉特征映射了高层语义,有效提升了临床医学诊断的效率。

基于改进GRU模型算法的锂电池SOC估计

锂电池荷电状态(SOC)的准确估计对提高电池的动态性能和能量利用率至关重要。针对现有神经网络SOC估计方法在复杂工况下存在精度低,稳定性差等问题,本文提出一种改进GRU模型算法对SOC进行估计。首先将1DCNN和Bi-GRU相结合并添加注意力机制,构建1DCNN-Bi-GRU-ATT模型。其次,为解决ReLU激活函数易出现死神经元现象,将其改进为PReLU激活函数。同时,为解决MSE-Loss易受复杂工况中电池异常数据影响和MAE-Loss收敛速度较慢等问题,改用Huber-Loss作为网络损失函数。最后,将Adam算法使用Nesterov加速梯度改进为Nadam算法。锂电池SOC估计实验结果表明,在12种复杂工况下该模型算法的均方根误差和平均绝对误差的平均值分别为1.181 7%和0.924 1%,与改进前及其他模型相比,本文模型在12种情况中综合表现更为稳定和准确,有更高的泛化性。

基于GRU神经网络的耙吸挖泥船艏吹产量预测

由于耙吸挖泥船艏吹疏浚作业的过程复杂,以往国内外学者大多从利用耙吸挖泥船的关键设备的工作特性进行研究并建立相关模型,但从原理上建立耙吸挖泥船控制系统这样一个多参数非线性的输入时输出模型是不准而且不能满足实际控制系统的需要。文中采用数据驱动的方法解决耙吸挖泥船艏吹控制过程中控制变量与顺时产量之间的黑盒问题,通过大量的数据为基础,训练GRU神经网络,,使预测值和真实值更加接近。实验结果表明,GRU神经网络的预测效果要优于RNN神经网络,Nadam算法的优化效果好于Adam算法,可以有效地预测艏吹泥泵出口处产量,给施工提供有效的参考。

非遗文化为背景的蒙古族“那达慕”IP形象设计与研究

目前蒙古族“那达慕”大会文化的传播,缺少文化与大众之间连接的纽带,迫切需要具有代表性的IP形象来推广蒙古族“那达慕”大会的传统文化.文章旨在将蒙古族“那达慕”大会的元素与具有现代审美的IP形象相结合,提升“那达慕”的知名度,带动文化、旅游产业的发展,为非遗文化的传承与发展探索新的道路。

蒙古族那达慕大会中体育竞赛项目研究

那达慕大会是中华民族重要的非物质文化遗产,是我国重要的民族精神财产,国家和地区政府都要引导和扶持弘扬中华民族传统体育运动和少数民族传统体育运动。但在其传承过程中存在着一些问题。文章对全国各地开展的“那达慕”进行研究分析并提出相关建议。对其基本状况、分类方式、文化内涵和项目实施等分类,既可以推动对那达慕项目的研究、整合与完善,以传播中华民族文明,提高对那达慕项目的组织化程度,也可以推动国家《全民健身计划》的落实,以促进中国运动旅游项目的蓬勃发展,还可以推动从体育强国向运动强国的转型,为提升中国全民综合素养,为发扬中华民族的传统体育运动精神和发展竞技体育、学校体育作出积极贡献。

自适应类神经网络控制器在时变系统中的应用

针对一个时变且不确定的复杂系统,设计了一种全新间接型自适应多层类神经网络控制器。运用全新架构的多层类神经网络测算器,对时变受控体的系统参数进行在线识别,创新性地实现了利用极点配置法来计算自适应自我调试控制(STR)控制器参数。试验结果表明,自适应多层类神经网络控制器不论是在瞬时特性或是稳态特性方面,均优于传统的自适应STR控制器。通过对稳定时间、过冲量以及均方根稳态误差值等性能指标的交叉比较,证明了这类控制器具有优异的响应特性及强健性。

基于自适应深度信念网络的变电站负荷预测

精确的变电站级负荷预测是电网精益化运行决策的重要基础,但存在不同站间负荷特性差异大、微观关联因素多样性强等传统预测方法难以处理的问题。基于变电站历史负荷数据与其所在区域的外部环境数据,通过深度信念网络算法(deep belief network,DBN)强大的学习能力,避免了相似日等特征选取问题,并采用 Nadam 动量优化算法训练深度信念网络,得到 DBN 最佳参数,构成针对变电站负荷预测的学习框架,并基于 Keras 深度学习框架自动调整 DBN 结构,达到最优预测结果。以 20 个具有典型负荷特性的 220kV变电站实际负荷数据为样本集,在周、日和小时级 3 个预测时间尺度上,通过 2 种误差计算方式作实例对比证明,所提方法能够充分进行自适应深度学习,并进行高精度变电站级负荷预测。

民族传统节庆体育与旅游产业融合机理及效应——以内蒙古那达慕为个案

采用文献资料法、频度统计法、专家咨询法等研究方法,对耦合机理和价值创造机理作用于民族传统节庆体育与旅游产业相互影响形成融合发展的效应进行分析。研究认为:民族传统节庆体育具备与旅游产业融合的天然优势,是旅游产业的重要根基与资源;民族传统节庆体育对旅游产业具有渗透和提升效应,旅游产业对民族传统节庆体育具有引致和扩散效应,二者的融合过程是新产业价值链的增值过程;宏观供给层的政策与制度、市场垄断等因子,微观供给层的企业整合能力、核心能力刚性、知识的学习与创新能力等因子,需求层的游客消费能力、消费行为惯性等因子是民族传统节庆体育与旅游产业融合障碍因子。提出建议:培育市场,推动融合发展根本动力,解除需求障碍;把握政策规制,创造良好融合平台;提升旅游企业核心能力,加强科学技术的应用。

新疆那达慕草原节体育产业化的发展前景

在对新疆那达慕草原节发展现状的调查基础上,重点从政策走向、社会支持程度、体育资源的可开发性及那达慕草原节对地区经济发展的促进作用4个方面对其体育产业化的发展前景进行分析,认为新疆那达慕草原节在良好的政策环境、独特的体育文化资源以及社会支持的综合作用下,体育产业化发展存在巨大的潜力和空间。

蒙古族“那达慕”品牌建设与推广策略

通过文献资料法、田野调查法对蒙古族"那达慕"品牌建设与推广策略进行研究,研究表明:蒙古族"那达慕"是独具游牧文化特色的经典赛事,目前,"那达慕"市场化程度仍然较低,尤其在品牌建设与推广方面存在明显不足。建议:制定品牌战略发展规划,改革赛事体制;市场定位清晰,文化定位鲜明;健全品牌识别系统,完善赛事传播体系;拓展推广宽度,增加推广深度;做好维护推广,提高延伸推广效益。

蒙古族传统体育——那达慕文化变迁研究

通过对那达慕表层文化与深层文化变迁及发挥那达慕文化资源优势等方面的论证,认为对那达慕文化资源的振兴与开发,应注重挖掘蒙古族传统体育文化资源,既要积极抢救即将消失的优秀民族文化遗产,也要努力开发民族文化资源,从而实现那达慕文化与社会经济之间、传统文化与现代文化之间的互动。

仪式庆典中的认同建构与国家的“在场”——以河南蒙古族的“那达慕”为例

在青海省黄河南部有一部分特殊的蒙古族群体,在与周围藏族长达700多年的互动往来中,因逐渐丧失本民族的文化特质,而常常被外界误识为"藏民"。80年代以来,在国家民族政策的影响下,这一族群尝试通过复振蒙古民族的文化传统,重塑民族特色和形象。本文以其中较为典型的文化复振活动--那达慕为例,通过对河南蒙古族恢复那达慕的过程的叙述,旨在探讨该族群如何借助这一仪式活动,来建构和强化身份认同意识,并进一步揭示了该仪式中地方社会与国家的互动关系。

基于深度学习与优化近似解析离散方法的全波形反演

本文通过采用一种有效的优化近似解析离散(ONAD)方法,实现了基于深度学习技术的正演与反演。本文的正演模拟方法首次将ONAD方法与循环神经网络(RNN)结合了起来。RNN是一种适用于序列数据的神经网络,它利用前一时刻和当前时刻的信息来获取输出信息。ONAD是一种有效的正演模拟方法,与RNN相似之处在于它利用历史时刻的波场来计算当前时刻的波场。基于此,我们可以利用RNN框架来表达ONAD方法。接下来,基于以上所提出的正演方法,我们利用深度学习技术来实现全波形反演。由于反演的主要目的是使实际数据与合成数据之间的误差最小化,因此反演本质上是一个优化问题。在深度学习的框架下有许多新的优化器,如Adam优化器和Nadam优化器,它们会被作为反演过程中的优化器来对速度模型进行优化。我们设计了六个数值实验,前两个给出了正演模拟结果,表明本文使用的正演模拟方法能有效地抑制数值频散,提高计算效率。另外四个实验给出了反演结果,表明本文的方法可以有效实现反演成像。我们比较了几种深度学习优化器,发现Nadam优化器的收敛速度更快,反演效果更好。总之,我们的数值实验表明,利用ONAD方法与深度学习技术来实现正演和反演是非常有效的。

新疆那达慕草原节发展现状研究

通过政策走向、社会支持程度、民族体育文化传播、对地区经济发展作用四个方面对新疆那达慕草原节的发展现状进行调查研究,认为新疆那达慕草原节在良好的政策环境、独特的体育文化资源以及社会支持的综合作用下,呈现出良好的发展趋势。那达慕草原节对新疆民族体育文化的传播和地区经济的发展,有很大的推动作用。