检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

样本不均衡时轴承故障的非平衡卷积网络诊断

制造技术与机床 2023年第4期 174-180页

作者：裴红蕾无锡工艺职业技术学院机电与信息工程学院江苏宜兴214200

为了提高样本不均衡条件下轴承故障诊断精度,提出了基于VAE-SNN的样本增广方法和基于非平衡损失网络的故障诊断方法。首先,使用变分自编码器用于数据生成,并依据孪生神经网络对生成数据的类别进行判定,实现了基于变分自编码器和孪生神... 详细信息

为了提高样本不均衡条件下轴承故障诊断精度,提出了基于VAE-SNN的样本增广方法和基于非平衡损失网络的故障诊断方法。首先,使用变分自编码器用于数据生成,并依据孪生神经网络对生成数据的类别进行判定,实现了基于变分自编码器和孪生神经网络的样本增广;其次,分析了卷积神经网络无差别对待样本的缺点,针对不均衡样本的特殊性,提出了非平衡损失函数卷积网络,该网络能够自动关注数量少、难分的样本训练。经实验验证,生成对抗网络增广的样本相似度为0.847,孪生神经网络增广的样本相似度比对抗网络提高了6.61%,说明孪生神经网络的样本增广效果更好;在相同诊断方法前提下,样本增广后比增广前的准确率提高了9.42%,说明样本增广有利于提高轴承的故障诊断准确率;非均衡损失网络比卷积神经网络的诊断精度提高了7.17%,比自适应深度学习提高了4.12%,验证了非均衡损失网络的高准确率和优越性。

关键词：样本不均衡轴承故障诊断非平衡损失函数孪生神经网络变分自编码器

样本不均衡及不同工艺条件下立铣刀磨损状态辨识方法研究

在线全文

学校读者我要写书评

暂无评论

样本不均衡及不同工艺条件下立铣刀磨损状态辨识方法研究

作者：史珂铭西南交通大学

学位级别：硕士

立铣刀由于加工范围广泛,是数控铣床上使用较多的一种铣刀。实际生产中,通常会在立铣刀的有效工作周期内,采取提前更换刀具的措施,避免立铣刀过度磨损影响产品加工质量,导致换刀频率和刀具成本增加。因此,准确辨识立铣刀的磨损状态,在... 详细信息

立铣刀由于加工范围广泛,是数控铣床上使用较多的一种铣刀。实际生产中,通常会在立铣刀的有效工作周期内,采取提前更换刀具的措施,避免立铣刀过度磨损影响产品加工质量,导致换刀频率和刀具成本增加。因此,准确辨识立铣刀的磨损状态,在保障产品生产质量的前提下,对提高生产效率、降低生产成本有着重要意义。以卷积神经网络为代表的深度学习方法因其强大的非线性特征提取能力,为立铣刀磨损状态辨识提供了一种“端到端”的解决思路。然而,加工过程中立铣刀磨损存在非均匀退化的现象、人工标记立铣刀磨损状态代价高且影响生产效率,致使基于深度学习模型辨识立铣刀磨损状态仍面临以下问题:1)立铣刀铣削过程中不同磨损状态样本数量不均衡,导致深度学习模型对少数类样本磨损状态辨识困难;2)立铣刀经常需在不同工艺条件下对产品进行加工,当前深度学习模型泛化性能不足,导致其对不同工艺条件下的立铣刀磨损状态辨识精度低。为此,本文开展了样本不均衡及不同工艺条件下立铣刀磨损状态辨识方法研究,主要研究工作如下:(1)开展了立铣刀磨损试验,进行了立铣刀磨损状态表征方法研究。基于生产现场条件,搭建铣削加工试验台,开展铣削试验并采集主轴振动数据,依据后刀面磨损带宽度将立铣刀磨损状态划分为四类,建立立铣刀磨损振动数据集。然后构建卷积神经网络提取立铣刀磨损振动样本的特征,基于该模型在恒定工艺条件、样本不均衡条件和不同工艺条件下开展立铣刀磨损状态表征实验,并进行多层级特征可视化分析。从表征实验结果可以发现,尽管卷积神经网络对恒定工艺条件下均衡数据集样本的磨损状态能取得较好表征效果,但对于样本不均衡和不同工艺条件下磨损特征聚类效果较差,不同磨损状态样本特征混叠严重,难以准确表征立铣刀的磨损状态,卷积神经网络的辨识能力有待进一步提升。(2)针对卷积神经网络和经典代价敏感辨识模型对样本不均衡条件下少数类样本磨损状态辨识精度低的问题,提出了一种基于深度特征加权卷积神经网络的立铣刀磨损状态辨识方法。该方法通过利用平衡影响因子和方差影响因子改进卷积神经网络中的原始交叉熵损失函数,重新加权特征信息,从而降低多数类样本对分类决策边界的干扰,提高各类磨损状态样本特征的聚集程度。实验结果表明所提方法能够有效提升样本不均衡条件下的立铣刀磨损状态辨识精度,并取得了比其他经典方法更优异的辨识结果。(3)针对卷积神经网络和经典迁移辨识模型对不同工艺条件下的立铣刀磨损状态辨识精度低的问题,提出了一种基于多类域适应卷积神经网络的立铣刀磨损状态辨识方法。该方法首先构建卷积神经网络提取磨损振动样本可迁移特征,利用最大均值差异缩小不同工艺条件样本的整体分布差异;再利用类间-类内距离约束增强模型的特征分布对齐能力;最后对目标域数据的输出概率矩阵采取最大化核范数的策略,以提取区分性高的目标域样本磨损特征。实验结果表明,多类域适应卷积神经网络摆脱对人工标记数据的依赖,取得了比其他典型深度学习模型更高的辨识精度。(4)基于以上研究成果,根据样本不均衡及不同工艺条件下立铣刀磨损状态辨识需求,开发了一套具备离线训练、在线测试功能的立铣刀磨损状态辨识监测系统,该系统可基于采集数据在线辨识立铣刀磨损状态,为工作人员做出换刀决策提供参考。

关键词：立铣刀磨损状态辨识卷积神经网络样本不均衡不同工艺条件

样本不均衡条件下的高速公路交通事故建模及持续时间预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

样本不均衡条件下的高速公路交通事故建模及持续时间预测

作者：陈俊宇华南理工大学

学位级别：硕士

高速公路交通事故的准确检测、快速救援能有效降低事故的影响,对提高道路安全水平与经济效益具有重要意义。而针对高速公路中交通事故影响程度大、波及范围广及样本不均衡等特性,传统的事故建模方法存在主观性强、精度低与可移植性差等... 详细信息

高速公路交通事故的准确检测、快速救援能有效降低事故的影响,对提高道路安全水平与经济效益具有重要意义。而针对高速公路中交通事故影响程度大、波及范围广及样本不均衡等特性,传统的事故建模方法存在主观性强、精度低与可移植性差等问题。近年来,基于数据驱动的方法为交通事故建模提供了丰富且有效的理论基础与实践研究,逐渐成为领域内的主流技术。因此,为提高高速公路交通事故的主动预防与应急处置水平,本研究通过调查道路运行特征与交通事故的内在联系,剖析事故在潜在风险阶段、发生阶段及影响阶段的影响因素,提出了针对不均衡样本条件下的交通事故风险预警、自动检测与持续时间预测的整体解决方案。研究的主要工作和成果如下:(1)为向交通事故建模提供数据分析依据,研究采用了高速公路交通事故数据、交通流参数时序与天气数据进行实例分析,并探究了事故发生阶段交通流的变化规律与影响事故发生的时空因素,最终设计了联合交通事故风险预警与自动检测的统一技术流程;(2)针对高速公路交通事故风险预警任务中样本不均衡与多元异构数据难解析问题,在考虑决策过程中的特征交互影响后,研究设计了一个新的由数据融合、特征交互与概率映射三种结构组件组成的深度网络SAIN;同时,为弱化样本不均衡带来的负面影响,研究在模型优化目标中引入了Focal Loss损失。通过对比实验发现,所提出的SAIN模型较其他基准模型具有更好的预测性能;且消融实验结果表明,加入的多元特征、模型结构组件与Focal Loss函数均能提高SAIN模型的预测效果;(3)针对高速公路交通事故自动检测任务中样本不均衡与小样本学习问题,提出了一种新的基于数据增强的交通事故检测方法ADASYN-XGBoost。该方法利用自适应合成过采样技术ADASYN生成事故类样本以平衡数据集的类别比例。然后,使用XGBoost筛选主要事故影响变量并构建交通事故自动检测模型。最后,在训练过程中使用贝叶斯超参数搜索方法优化模型。通过对比实验发现,所建立的ADASYNXGBoost模型较基准方法具有更好的检测效果;并且,消融实验的结果表明,使用XGBoost进行特征筛选能够过滤掉冗余特征,提高ADASYN模型的预测性能;相比较于传统机器学习模型,ADASYN进行数据增强后的检测效果更优;(4)针对高速公路交通事故持续时间预测任务中回归模型难拟合长尾分布数据的问题,本文提出基于核密度估计的样本权重计算方法改进随机森林算法训练过程中的采样概率,构建一个密度加权回归森林模型RFDW,并设计基于RFDW的高速公路交通事故持续时间预测技术流程。通过对比实验发现,所提模型的预测误差低于基准模型;同时,基于核密度加权的方法能够有效降低尾部数据的预测误差,缓解长尾数据给模型带来的精度损失。此外,研究通过SHAP分析进一步探究了各影响因素与事故持续时间的变化规律。综上所述,本文以提高样本不均衡条件下的数据驱动模型性能为切入点,设计了一种面向多元异构数据且考虑特征交互作用的交通事故风险预警模型(SAIN),以捕捉高速公路中的潜在事故风险,进而为高速公路使用者与管理者发出危险预警。同时,面对样本不均衡且不充分的事故数据,提出了一种交通事故自动检测方法(ADASYNXGBoost),能够高精度检测高速公路上发生的交通事故,及时发出事故告警以有利于避免二次事故的发生。面对长尾分布数据难拟合的问题,提出的密度加权随机森林模型(RFDW)可有效地预测已发生事故的持续时间,为交通管理部门和系统及时疏导、调度事故上游交通提供数据依据。因此,上述研究成果为高速公路先进交通事故管理与主动防控系统的建立与完善丰富了算法模型和技术理论,向实际高速公路中的交通事故预防与管控提供了更有效的理论方法。

关键词：交通事故风险预警交通事故自动检测交通事故持续时间预测数据驱动样本不均衡

样本不均衡条件下基于自调整支持向量机的故障诊断

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

北京理工大学学报 2013年第4期33卷 394-398页

作者：易辉宋晓峰姜斌刘宇芳周智华南京航空航天大学自动化学院江苏南京210016 国电科学技术研究院江苏南京210031

故障数据样本和正常运行数据样本量的不均衡将导致支持向量机在构建故障分类超平面时发生偏移,降低了基于支持向量机的故障诊断的诊断准确率.针对该问题,文中提出一种能够自动调整风险惩罚因子的新型支持向量机.该方法能够自举式地对有... 详细信息

故障数据样本和正常运行数据样本量的不均衡将导致支持向量机在构建故障分类超平面时发生偏移,降低了基于支持向量机的故障诊断的诊断准确率.针对该问题,文中提出一种能够自动调整风险惩罚因子的新型支持向量机.该方法能够自举式地对有效样本进行挑选,并加大高信息量数据样本的风险惩罚因子,抑制样本不均衡导致的分类超平面偏移,进而提高故障诊断的准确性.所提方法被用于变压器故障诊断实验,实验过程中正负样本的风险损失始终相等,有效地抑制了样本不均衡现象对诊断造成的影响,验证了所提算法的有效性.

关键词：故障诊断自调整支持向量机样本不均衡

在线全文

学校读者我要写书评

暂无评论

面向样本不均衡的文本分类算法研究

面向样本不均衡的文本分类算法研究

作者：熊思诗北京邮电大学

学位级别：硕士

随着人工智能的高速发展,文本分类技术在各行各业的智能化业务中得到普及,提高了文本内容的处理效率。然而这一应用正面临着来自复杂数据场景的严峻挑战。自然采集的数据集由于自身分布差异或采集难度不同往往呈现出样本分布不均衡的特... 详细信息

随着人工智能的高速发展,文本分类技术在各行各业的智能化业务中得到普及,提高了文本内容的处理效率。然而这一应用正面临着来自复杂数据场景的严峻挑战。自然采集的数据集由于自身分布差异或采集难度不同往往呈现出样本分布不均衡的特点。模型训练过程容易被样本数量更多的类别所主导,从而在稀有类上的分类表现不佳,这限制了基于深度学习的分类模型在实际场景中的落地。因此,样本不均衡下的分类问题是亟待解决的现实问题。论文面向样本不均衡的文本分类展开研究,旨在构建不均衡数据集下性能更优的文本分类模型。主要工作包括:1.在样本类别分布不均衡的场景下,标准交叉熵损失学习到的特征空间也会不平衡,并且模型性能会随着不平衡比上升而退化。针对此问题,论文提出了基于原型监督对比学习增强的文本分类算法。为了增强模型的表征学习能力,在特征提取器之后设计了一个双分支神经网络,该网络由特征学习分支和分类器学习分支并行组成,前者由原型监督对比损失指导训练,后者由带原型相似度惩罚的分布感知边际损失指导训练。论文所提方法更偏向于表征少数类概念,有助于模型对不均衡数据维持一个平衡且分类边界清晰的特征空间。2.大多数不均衡分类方法总是以牺牲多数类性能为代价来提升少数类精度。针对此不足,论文提出了一种简单且高效的特长多元化的自适应多专家文本分类算法。各个专家模型采用不同作用机制的损失函数训练,使每个专家模型都有差异化的优势类别。为了寻求专家模型间的最优组合方式,设计了权重自适应学习模块,为可信专家模型分配更高的聚合权重。该算法提升了各个类别上的分类性能,具有更强的泛化能力和更稳定的模型效果。3.面向内容智能审核的实际需求,论文设计并实现了交互界面简洁、易于操作的中文不良文本分类系统。该系统集成了论文所提先进算法,可帮助审核员承担绝大比例流量的文本审核工作,具有一定的实用性。论文对上述两种算法在自构建的数据集及公开数据集上进行了大量实验与分析,验证了其创新性和先进性。此外,还将训练好的模型部署到了实际应用系统中,进一步发挥了其价值。因此,论文的研究具有理论和应用的双重意义。

关键词：文本分类样本不均衡对比学习多专家模型

计及样本不均衡的轨道零部件缺陷检测与模型加速研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计及样本不均衡的轨道零部件缺陷检测与模型加速研究

作者：涂振威西南交通大学

学位级别：硕士

截至2021年底,全国铁路营业里程突破15万公里,城市轨道交通运营里程8708公里,轨道交通在现代综合交通运输体系中的骨干作用日益凸显,随之而来对于轨道基础设施的安全检测需求日益增加。钢轨、轨枕和扣件作为轨道的重要组成部分,其服役... 详细信息

截至2021年底,全国铁路营业里程突破15万公里,城市轨道交通运营里程8708公里,轨道交通在现代综合交通运输体系中的骨干作用日益凸显,随之而来对于轨道基础设施的安全检测需求日益增加。钢轨、轨枕和扣件作为轨道的重要组成部分,其服役状态直接影响列车的运行安全,如何通过有效的检测手段,对零部件缺陷进行实时有效的检测,是轨道巡检的重点研究方向。但现有检测技术仍存在识别率低和速度慢等问题。为此,本文以轨道零部件作为研究对象,研究基于深度学习的缺陷检测方法,重点解决缺陷检测中的样本不均衡和模型复杂等问题,实现边缘端实时且准确的缺陷检测。论文的主要工作如下:首先,对轨道零部件的精准识别和定位是高质量缺陷检测的前提和基础,因此本文在讨论目前主流的目标检测算法和实例分割算法的基础上,提出了适用于本文轨道零部件识别定位的优化算法,并分别采用基于批量归一化层γ系数的剪枝算法和TensorRT推理优化两种方法对定位模型进行加速,实现精准快速的零部件定位。其次,针对样本不均衡问题,通过分析轨枕、扣件和钢轨三种轨道零部件的缺陷特征,提出了对应的缺陷检测方法:1)针对轨枕缺陷样本不均衡且轨枕裂缝缺陷细微的特点,提出基于深度集成学习的轨枕缺陷检测方法,利用多种深度网络扩充轨枕缺陷特征,并构建集成分类器分担个体风险,进一步提升轨枕缺陷检测的准确性;2)针对扣件缺陷样本稀缺且扣件几何特征明显的特点,提出实例分割+几何特征的缺陷判定准则,首先利用实例分割算法进行扣件定位,然后提取扣件掩码进行轮廓查找并计算像素长度,通过定量方法对比两侧扣件的像素长度差实现扣件缺陷判断,本方法有效抑制了缺陷样本稀缺带来的负面影响;3)针对钢轨缺陷样本不均衡且缺陷类别易混的特点,提出实例分割+缺陷细分类的级联检测网络,实现双分辨率和高分辨率的钢轨缺陷检测。在实例分割阶段引进Focal Loss类别损失函数以均衡正负样本,在缺陷细分类阶段采用轻量级分类网络MobileNet v2以实现快速分类,本方法有效提升了钢轨缺陷的检出率和细分类准确率。最后,将本文提出的轨道零部件缺陷检测算法部署至Jetson AGXXavier嵌入式设备中,最终实验表明本文方法具有较高的检测精度和较快的检测速度,可满足实时缺陷检测要求,具有较高的实用价值。

关键词：轨道零部件缺陷检测样本不均衡模型加速计算机视觉

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向样本不均衡条件的混合气体检测方法研究

面向样本不均衡条件的混合气体检测方法研究

作者：夏皖豫哈尔滨理工大学

学位级别：硕士

工业和生活环境中常存在各种各样的气体,这些气体通常是以混合物形式存在。基于MOS气体传感器阵列的混合气体检测已成为当前热点研究领域。然而,在实际条件下存在因训练样本不均衡而导致传统的机器学习模型性能下降的问题。本文研究在... 详细信息

工业和生活环境中常存在各种各样的气体,这些气体通常是以混合物形式存在。基于MOS气体传感器阵列的混合气体检测已成为当前热点研究领域。然而,在实际条件下存在因训练样本不均衡而导致传统的机器学习模型性能下降的问题。本文研究在样本不均衡条件下的混合气体成分识别和浓度预测方法,主要研究内容如下:针对类不均衡混合气体识别准确率低的问题,本文提出ADASYN-GA-SVM混合气体成分识别方法。首先,采用分层五折交叉验证,确保每个子集中各类别样本量的比例与原始数据集中的各类别样本量的比例相同。利用自适应综合过采样(ADASYN)方法自适应地将决策边界转移到难以学习的样本上,对数据集中少数类样本进行扩充,并与原训练集组成新训练集。再结合支持向量机(SVM)对小样本数据的良好处理能力,实现混合气体成分识别。为了进一步提高模型的气体成分识别准确率,采用遗传算法(GA)优化SVM模型的惩罚因子和核参数。实验结果表明,对不均衡样本采用不同样本扩充方法后的识别准确率均有提升,其中ADASYN-GA-SVM混合气体成分方法的平均识别准确率比扩充前提高6.8%。针对类不均衡混合气体浓度预测精度低的问题。本文提出SMOTE-PSOMLSSVR方法对混合气体进行浓度预测。利用合成少数类过采样(SMOTE)方法降低过拟合、增加样本多样性的特点,对训练集中的少数类进行扩充。再结合多输出最小二乘支持向量机回归(MLSSVR)方法预测精度高和鲁棒性强的特点,实现混合气体的浓度预测。为解决MLSSVR中两个正则化参数和核参数选择问题,利用粒子群算法(PSO)的收敛速度快、易实现等优点对MLSSVR模型中的超参数进行寻优。实验结果表明,该模型采用样本扩充后的均方根误差(RMSE)和平均绝对百分比误差(MAPE)比扩充前分别提高0.3462和0.6828。

关键词：混合气体样本不均衡样本扩充 MLSSVR

基于DeepLabv3的样本不均衡图像语义分割研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

成都工业学院学报 2022年第3期25卷 16-21页

作者：王汉谱刘志豪谷旭轩廖建英贺志强涂兵彭怡书湖南理工学院信息科学与工程学院湖南岳阳414006 湖南理工学院机器视觉与人工智能研究中心湖南岳阳414006

卷积神经网络(Convolutional Neural Networks,CNN)在处理语义分割上具有独特优势,但是小目标、稀少目标等样本不均衡问题成为影响分割精度的重要因素。由此提出一种以DeepLabv3网络为基本框架,结合了Focal Loss和GPB/OWT/UCM边缘分割... 详细信息

卷积神经网络(Convolutional Neural Networks,CNN)在处理语义分割上具有独特优势,但是小目标、稀少目标等样本不均衡问题成为影响分割精度的重要因素。由此提出一种以DeepLabv3网络为基本框架,结合了Focal Loss和GPB/OWT/UCM边缘分割的图像语义分割方法。首先,利用DeepLabv3网络中Resnet101编码器进行特征提取,所得特征经过空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块后获得多尺度信息,再通过解码器恢复到原图分辨率,进行图像的像素级分割;然后,引入Focal Loss替换原来网络中的交叉熵损失函数,即在原来每个单像素损失值上加权重,加强对困难样本特征的学习;最后,融合GPB/OWT/UCM边缘分割算法,使得小目标区域的语义信息仅由低等级特征去单独决定,从而优化小目标和稀少目标的边缘细节的分割。实验结果表明:在PASCAL VOC 2012数据集上,该方法所得均交并比(Mean Intersection over Union,MIoU)为80.23%,相比于原来DeepLabv3网络,MIoU值提升了0.71%,改善了样本不均衡问题。

关键词：语义分割样本不均衡多尺度信息边缘细节

基于改进生成对抗网络的非侵入式负荷预测样本不均衡的改善方法

在线全文

学校读者我要写书评

暂无评论

电器与能效管理技术 2022年第3期 23-29,38页

作者：裘星尹仕红张之涵谢智伟江敏丰郭兴林杨建明郑建勇深圳供电局有限公司广东深圳440304 东南大学电气工程学院江苏南京210096

采用神经网络对负荷进行识别训练时,由于不常用负荷的原始样本数量较少而常用负荷样本数量较多,从而导致训练的样本分布不均衡。传统的生成对抗网络(GAN)和采用辅助分类器的生成对抗网络(ACGAN)在对样本进行扩充训练时,原始的模型会容... 详细信息

采用神经网络对负荷进行识别训练时,由于不常用负荷的原始样本数量较少而常用负荷样本数量较多,从而导致训练的样本分布不均衡。传统的生成对抗网络(GAN)和采用辅助分类器的生成对抗网络(ACGAN)在对样本进行扩充训练时,原始的模型会容易产生梯度消失等问题。在原始ACGAN的模型基础上,在其判别真假损失函数上添加梯度惩罚函数,使得判别器和生成器在相互优化过程中梯度下降更快,更容易达到纳什均衡,从而使原始样本的不均衡情况得到有效改善。通过公共数据集PLAID进行测试分析,并验证了所提方法的有效性。

关键词：生成对抗网络辅助分类器负荷识别样本不均衡样本扩充