RBF神经网络在电气设备状态评估中的应用

以切比雪夫正交基函数(RBF)神经网络搭配教师模块作为电气设备状态评估的模型,通过对过去序列样本的学习,在考虑影响电气设备状态的各种因素的情况下用教师模块对学习过程进行监督,调整网络的权值,然后识别电气设备状态当前情况。结果表明该神经网络具有良好的识别能力、快速的收敛能力并可以应用于大规模的电气设备状态评估中。     

自助法在小样本数据均值估计中的应用

自助法（Bootstrap）是较好的处理小样本数据的方法,其无先验性及计算过程中只需要实际观测数据的优越性,使其广泛地应用于小样本数据处理。针对方法自身存在的缺陷,文章比较了目前自助法常用的两种抽样方式的优劣性,并采用改进的样本经验分布函数来解决这个问题,通过对均值的估计证实了方法的有效性。     

基于损失平滑的对抗样本攻击方法

深度神经网络(DNNs)容易受到对抗样本的攻击,现有基于动量的对抗样本生成方法虽然可以达到接近100%的白盒攻击成功率,但是在攻击其他模型时效果仍不理想,黑盒攻击成功率较低。针对此,提出一种基于损失平滑的对抗样本攻击方法来提高对抗样本的可迁移性。在每一步计算梯度的迭代过程中,不直接使用当前梯度,而是使用局部平均梯度来累积动量,以此来抑制损失函数曲面存在的局部振荡现象,从而稳定更新方向,逃离局部极值点。在ImageNet数据集上的大量实验结果表明：所提方法与现有基于动量的方法相比,在单个模型攻击实验中的平均黑盒攻击成功率分别提升了38.07%和27.77%,在集成模型攻击实验中的平均黑盒攻击成功率分别提升了32.50%和28.63%。     

低照度小样本限制下的失效卫星相对位姿估计与优化

低照度图像信息受损严重,会导致失效卫星的位姿估计精度和鲁棒性降低。基于此,提出了无监督生成式对抗网络低照度图像增强模型。生成器以U-Net网络为基础,并设计密集残差连接结构。判别器设计为全局-局部的双辨别器结构,由传统的单一标量扩展为多标量判别。在小样本的条件下,基于进化训练与并行训练方式改进基于SinGAN的数据增广方法。最后,在基于ORB-SLAM位姿初始化的基础上,建立特征信息的局部地图,克服位姿估计对参考帧的依赖;通过关键帧ROI的稠密匹配,建立关于平面法向量和单目相机安装高度的非线性优化模型求解尺度因子;通过闭环检测后的相似性变换,构建关键帧集合的联合位姿图优化方程,实现对位姿矩阵的全局校正。实验结果表明：测量稳定后,低照度图像的姿态角误差最大值为4°,而图像增强后的姿态角误差最大为0.5°;对于以角速度20°/s运动的失效卫星旋转5周,相对静止下的跟踪测量为5周,1 m水平方向机动下的跟踪测量为4.5周。可以满足失效卫星相对姿态测量的任务需求。     

基于分层置信规则库的惯导系统性能评估方法

为解决惯导系统（INS）性能评估所面临的高价值样本缺失、评估指标多、系统复杂等问题,提出一种基于分层置信规则库（Hierarchical BRB）的惯导系统性能评估方法。将专家知识与监测数据进行有效融合,提高了惯导系统的性能评估精度。首先,针对惯导系统结构构建分层BRB模型,同时将系统内部器件产生组合误差考虑在模型中。其次,为降低专家知识不确定性对初始模型评估精度的影响,采用基于投影算子的协方差矩阵自适应优化策略（P-CMA-ES）构建优化模型,通过监测数据对模型参数进行微调。最后,以某型捷联惯导系统的性能评估为例,验证了所提方法的有效性。     

模糊等价关系下滚动轴承振动性能变异分析

在小样本且概率分布未知条件下,提出模糊等价关系和自助最大熵模型,并通过变异概率分析滚动轴承振动性能变异过程。对滚动轴承振动加速度原始数据分组得到样本,选定本征样本,计算各样本间的模糊等价系数;运用自助最大熵模型建立各样本的概率密度函数,通过交集法得到各样本相对于本征样本的变异概率,建立模糊等价系数和变异概率的关系曲线以实现对变异过程的监控;通过仿真和实验案例验证了所提模型的可行性和正确性。实验结果表明:随着磨损直径的逐渐增大,变异概率曲线呈“躺椅状”非线性上升趋势,对应滚动轴承磨损的3个阶段,即初级磨合阶段、正常性能退化阶段和性能恶化阶段。      

基于改进极限学习机的光谱定量建模方法

依据近红外光谱(NIR)产生原理,提出了粒子群优化极限学习机(PSO-ELM)算法,运用于小样本氨水浓度定量分析。通过优化极限学习机(ELM)隐藏节点参数,解决了极限学习机由于输入权值和隐含层偏差随机产生的建模结果具有随机性的问题,提高了预测模型的稳定性、精确度和泛化性能。经实验验证,优化后的PSO-ELM相比ELM,模型预测集均方根误差由0.01166减小至0.00322,预测集相关系数由0.9951提高至0.9979。将优化后的模型预测结果与支持向量机(SVM)、BP神经网络算法等传统方法的建模结果进行对比,优化后的PSO-ELM算法具有较高的精确度和良好的泛化性能,模型预测效果优于传统的定量回归分析算法。     

基于虚拟样本生成的铺丝表面缺陷检测

自动铺丝构件在实际生产过程中会受到环境和工艺等因素的影响,从而导致缺陷的产生并对铺丝构件以及装配整体带来严重危害。由于自动铺丝成型技术的保密性以及制造工艺昂贵和耗时等因素,有关缺陷图像的样本数据集难以获取,造成了小样本学习的问题。提出通过虚拟样本生成的方法来扩容数据集并将其作为目标检测网络的输入训练样本。针对铺丝缺陷特点,在YOLOv5s中添加坐标注意力机制来优化设计,得到最终的目标检测网络模型并命名为Place-YOLO,其精度值为0.941,平均精度均值mAP为0.833,与原始YOLOv5s相比提升了1.8%。     

基于小样本学习的钢板表面缺陷检测技术

近年来,数据驱动的缺陷检测技术在工业部门得到了初步应用,提升了生产智能化的水平,但是受制于训练样本不足、检测精度较低的问题,这种方法目前仍然难以进一步推广.因此,本文提出了一种数据驱动的钢板表面缺陷检测技术.针对训练样本不足的问题,采取数据增强方法增广数据集.针对检测精度较低的问题,采取层次结构模型方法提升缺陷检出率....     

考虑样本不平衡的X光安检图像违禁品分类方法

X光安检图像违禁品分类被广泛应用于协助维护航空和运输安全。针对X光安检图像中违禁品尺度不一、存在困难样本及旅客行李安检固有的正负样本不均衡等问题，提出一种端到端的考虑样本不平衡的X光安检图像违禁品分类方法。采用多尺度特征提取网络捕获尺度不一的多类型违禁品特征，通过特征融合模块提升模型对图像边缘和纹理特征的表达能力，基于代价敏感思想设计损失函数，解决数据集不平衡问题，并提高困难样本分类精准度。在公开数据集SIXray上构建的子集实验结果表明：所提方法相较于端到端分类模型，平均AP指标值提升了4.5%，特别是对剪刀等难分类样本，AP指标值都有显著的提升效果。