-
面向長(zhǎng)距離輸煤皮帶的邊緣-云協(xié)同計(jì)算架構(gòu)與異常檢測(cè)加速策略研究
長(zhǎng)距離輸煤皮帶作為煤炭運(yùn)輸?shù)年P(guān)鍵設(shè)備 ,其穩(wěn)定運(yùn)行對(duì)工業(yè)生產(chǎn)至關(guān)重要 。然而 ,傳統(tǒng)的輸煤皮帶異常檢測(cè)手段 , 如人工巡檢 、單點(diǎn)傳感器檢測(cè)和云端集中式處理 , 存在主觀性強(qiáng) 、信息孤立 、處理延遲等問(wèn)題 , 難以精準(zhǔn) 、及時(shí)地識(shí)別皮帶跑偏 、撕裂 、托輥損壞等復(fù)雜故障 。針對(duì)這一現(xiàn)狀 ,研究提出面向長(zhǎng)距離輸煤皮帶的邊緣-云協(xié)同計(jì)算架構(gòu)與異常檢測(cè)加速策略 。通過(guò)構(gòu)建融合邊緣計(jì)算與云計(jì)算能力的分布式計(jì)算架構(gòu) ,在邊緣端部署SVM 、CNN等檢測(cè)模型 ,對(duì)輸煤皮帶運(yùn)行數(shù)據(jù)進(jìn)行實(shí)時(shí)處理與分析 ,云端則負(fù)責(zé)模型訓(xùn)練與優(yōu)化 ,并將優(yōu)化后的模型下發(fā)至邊緣端 。該策略可實(shí)現(xiàn)長(zhǎng)距離輸煤皮帶異常的快速 、精準(zhǔn)檢測(cè) , 降低網(wǎng)絡(luò)傳輸負(fù)載 , 提升系統(tǒng)響應(yīng)速度 , 保障輸煤皮帶的安全穩(wěn)定運(yùn)行 , 為工業(yè)場(chǎng)景下設(shè)備故障檢測(cè)提供高效的解決方案 。
-
機(jī)器學(xué)習(xí)基本算法原理
機(jī)器學(xué)習(xí)將是下述內(nèi)容的主要介紹對(duì)象，通過(guò)這篇文章，小編希望大家可以對(duì)機(jī)器學(xué)習(xí)的相關(guān)情況以及信息有所認(rèn)識(shí)和了解，詳細(xì)內(nèi)容如下。
-
基于優(yōu)化支持向量機(jī)方法的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)研究
摘要:隨著全社會(huì)用電量的逐步增大以及國(guó)家雙碳戰(zhàn)略的逐漸落地,可再生能源的高效利用成為當(dāng)前發(fā)展階段需要不斷探索的問(wèn)題。由于存在無(wú)序性,風(fēng)力發(fā)電難以大規(guī)模接入電網(wǎng)系統(tǒng),若能有效預(yù)測(cè)風(fēng)電場(chǎng)的出力并進(jìn)行統(tǒng)一調(diào)度,將大幅提高風(fēng)力發(fā)電利用率?；诖?首先闡述了支持向量機(jī)理論,然后針對(duì)其解決大樣本問(wèn)題的低效性進(jìn)行了優(yōu)化,最后通過(guò)實(shí)驗(yàn)對(duì)比了優(yōu)化的支持向量機(jī)方法在風(fēng)速預(yù)測(cè)中的有效性和準(zhǔn)確性。
-
基于煙花算法優(yōu)化SVM的變壓器故障診斷
摘要:提出了一種基于煙花算法優(yōu)化支持向量機(jī)的變壓器故障診斷模型。標(biāo)準(zhǔn)的支持向量機(jī)是二分類,現(xiàn)對(duì)其進(jìn)行非線性處理及多分類變換,使其能適用于變壓器故障分類。針對(duì)支持向量機(jī)參數(shù)難以確定的情況,采用煙花算法優(yōu)化支持向量機(jī),從而搭建煙花算法優(yōu)化支持向量機(jī)的故障診斷模型。實(shí)驗(yàn)分析結(jié)果表明,所提方法的故障診斷準(zhǔn)確率優(yōu)于其他算法。最后,進(jìn)一步將算法用于機(jī)器學(xué)習(xí)的其他標(biāo)準(zhǔn)數(shù)據(jù)集,證明了該算法具有泛化性。
-
一種基于多特征量的直流電弧故障檢測(cè)方法
摘 要：文中提出了一種基于支持向量機(jī)SVM分類器的直流電弧故障檢測(cè)方法與若干可用于直流電弧故障檢測(cè)的時(shí)域、頻域特征量，特別是基于希爾伯特-黃變換的時(shí)頻域特征。將特征值導(dǎo)入SVM分類器進(jìn)行訓(xùn)練后，SVM分類器可檢測(cè)出直流電弧故障。在SVM分類器的設(shè)計(jì)和訓(xùn)練過(guò)程中，采用遺傳算法參數(shù)尋優(yōu)結(jié)合K折交叉驗(yàn)證選取最優(yōu)參數(shù)。實(shí)驗(yàn)結(jié)果表明， SVM分類器的分類準(zhǔn)確率高達(dá)98%以上。
-
淺析人臉檢測(cè)技術(shù)的探究
摘 要：通過(guò)對(duì)支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)及AdaBoost算法的對(duì)比分析，發(fā)現(xiàn)支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)算法構(gòu)造的分類器復(fù)雜度高，效率低。而AdaBoost則從弱分類器中逐步推選出強(qiáng)分類器并組成級(jí)聯(lián)分類器，快速將大量的非人臉圖像排除掉，從而提高檢測(cè)速度，滿足人臉實(shí)時(shí)檢測(cè)應(yīng)用領(lǐng)域的需求。
-
什么是支持向量機(jī) 什么是支持向量
支持向量機(jī)，英文為Support Vector Machine，簡(jiǎn)稱SV機(jī)（論文中一般簡(jiǎn)稱SVM）。它是一 種監(jiān)督式學(xué)習(xí)的方法，它廣泛的應(yīng)用于統(tǒng)計(jì)分類以及回歸分析中。 支持向量機(jī)（Sup
-
機(jī)器學(xué)習(xí)中有哪一些算法是經(jīng)常用的
AI技術(shù)發(fā)展的三大支柱：“算法＋大數(shù)據(jù)＋計(jì)算能力”，算法是人工智能發(fā)展的核心關(guān)鍵之一，很多技術(shù)環(huán)節(jié)和系統(tǒng)功能的實(shí)現(xiàn)都依賴于算法的精準(zhǔn)度，算法的優(yōu)劣直接影響了人工智能的發(fā)展方向。那么我們當(dāng)下感受到
-
基于支持向量機(jī)的聯(lián)機(jī)手寫識(shí)別
本文結(jié)合GDTW核函數(shù)和聯(lián)機(jī)手寫識(shí)別樣本的特征向量的特點(diǎn)，引入新的控制參數(shù)優(yōu)化GDTW核函數(shù)的計(jì)算。實(shí)驗(yàn)結(jié)果表明，本文提出的優(yōu)化方法不僅減少了支持向量的數(shù)目，而且提高了GDTW-SVM運(yùn)行效率。
-
基于RNS和SVM的斷路器故障診斷研究
針對(duì)高壓斷路器故障樣本難以獲取等問(wèn)題，在研究了其機(jī)械特性的基礎(chǔ)上，本文提出了一種基于實(shí)數(shù)陰性選擇法(RNS)和支持向量機(jī)(SVM)的兩級(jí)分類器診斷方法。建立分類器的數(shù)學(xué)模型。通過(guò)實(shí)數(shù)陰性選擇算法產(chǎn)生檢測(cè)器，進(jìn)行第一次分類，對(duì)不屬于檢測(cè)器的數(shù)據(jù)導(dǎo)入二次分類器，進(jìn)行二級(jí)分類。實(shí)驗(yàn)表明，基于實(shí)數(shù)陰性算法和支持向量機(jī)算法相結(jié)合的斷路器故障診斷算法，對(duì)斷路器的多種故障都能夠有效地分類，提高了斷路器故障診斷的準(zhǔn)確率和速度。
-
基于支持向量機(jī)的沼氣中CH4濃度預(yù)測(cè)
摘要：組建了沼氣檢測(cè)的實(shí)驗(yàn)系統(tǒng)，采用國(guó)家標(biāo)準(zhǔn)混合氣獲取大量的濃度標(biāo)定數(shù)據(jù)，分析了目前廣泛應(yīng)用的甲烷濃度預(yù)測(cè)算法及影響預(yù)測(cè)結(jié)果的因素，討論了支持向量機(jī)在CH4濃度預(yù)測(cè)中的應(yīng)用，在此基礎(chǔ)上研究了將多通道探測(cè)器
-
基于支持向量機(jī)的無(wú)人機(jī)視覺障礙檢測(cè)
摘要：自主障礙檢測(cè)與回避是無(wú)人機(jī)低高度飛行時(shí)保障其生存性的一項(xiàng)關(guān)鍵技術(shù)，有重要的研究意義。通過(guò)對(duì)機(jī)器視覺原理的研究，考慮到支持向量機(jī)方法能同時(shí)減小匹配難度和計(jì)算量，實(shí)時(shí)性能、泛化性能良好，故采用該方法
-
改進(jìn)遺傳算法的支持向量機(jī)特征選擇解決方案介紹
支持向量機(jī)是一種在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上發(fā)展而來(lái)的機(jī)器學(xué)習(xí)方法[1]，通過(guò)學(xué)習(xí)類別之間分界面附近的精確信息,可以自動(dòng)尋找那些對(duì)分類有較好區(qū)分能力的支持向量,由此構(gòu)造出的分類器可以使類與類之間的間隔最大化,因而
-
基于改進(jìn)遺傳算法的支持向量機(jī)特征選擇
引言 支持向量機(jī)是一種在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上發(fā)展而來(lái)的機(jī)器學(xué)習(xí)方法[1]，通過(guò)學(xué)習(xí)類別之間分界面附近的精確信息,可以自動(dòng)尋找那些對(duì)分類有較好區(qū)分能力的支持向量,由此構(gòu)造出的分類器可以使類與類之間的間隔最大
-
一種基于SVM的數(shù)字儀表顯示值識(shí)別方法
數(shù)字儀表識(shí)別在工業(yè)中應(yīng)用廣泛，但各種儀表差別較大，方法也差別很多。在此提出了一種數(shù)字儀表顯示值的快速識(shí)別方法，該方法首先由計(jì)算機(jī)自動(dòng)定位分割圖像中的數(shù)字區(qū)域，并實(shí)現(xiàn)了單個(gè)數(shù)字的切分，然后根據(jù)數(shù)字特點(diǎn)，創(chuàng)新性地改進(jìn)了特征提取方法，對(duì)每個(gè)數(shù)字圖像提取了一組具有較高區(qū)分度，且計(jì)算簡(jiǎn)單的典型特征。最后，基于SVM識(shí)別，構(gòu)造了一種數(shù)字識(shí)別器，實(shí)現(xiàn)了儀表顯示值的實(shí)時(shí)識(shí)別。
-
基于SVM的傳感器非線性特性校正新方法
摘 要：介紹了一種基于支持向量機(jī)的解決傳感器系統(tǒng)非線性特性問(wèn)題的新方法。支持向量機(jī)是Vapnik教授提出的基于統(tǒng)計(jì)學(xué)習(xí)理論的新一代機(jī)器學(xué)習(xí)技術(shù)，它有效地解決了小樣本學(xué)習(xí)問(wèn)題，因此該方法對(duì)樣本數(shù)量沒(méi)有特殊的要
-
支持向量機(jī)語(yǔ)音識(shí)別算法在OMAP5912上的移植
針對(duì)語(yǔ)音識(shí)別這種典型的多類分類問(wèn)題，提取MFCC參數(shù)作為語(yǔ)音特征，采用支持向量機(jī)(SVM)作為識(shí)別算法，進(jìn)行非特定人孤立詞識(shí)別。在給出一種多類分類方法并分析該算法優(yōu)缺點(diǎn)的基礎(chǔ)上，對(duì)算法中的所有參數(shù)進(jìn)行測(cè)試，選取最佳參數(shù)進(jìn)行實(shí)驗(yàn)，識(shí)別率達(dá)到95％以上。為了滿足語(yǔ)音識(shí)別系統(tǒng)對(duì)實(shí)時(shí)性和便攜性的要求，將該算法在OMAP5912嵌入式系統(tǒng)開發(fā)平臺(tái)上進(jìn)行實(shí)現(xiàn)，與傳統(tǒng)的語(yǔ)音識(shí)別系統(tǒng)相比，該系統(tǒng)易于使用，語(yǔ)音識(shí)別更為快速使捷，并且具有一定的通用性。
-
支持向量機(jī)語(yǔ)音識(shí)別算法在OMAP5912上的移植
針對(duì)語(yǔ)音識(shí)別這種典型的多類分類問(wèn)題，提取MFCC參數(shù)作為語(yǔ)音特征，采用支持向量機(jī)(SVM)作為識(shí)別算法，進(jìn)行非特定人孤立詞識(shí)別。在給出一種多類分類方法并分析該算法優(yōu)缺點(diǎn)的基礎(chǔ)上，對(duì)算法中的所有參數(shù)進(jìn)行測(cè)試，選取最佳參數(shù)進(jìn)行實(shí)驗(yàn)，識(shí)別率達(dá)到95％以上。為了滿足語(yǔ)音識(shí)別系統(tǒng)對(duì)實(shí)時(shí)性和便攜性的要求，將該算法在OMAP5912嵌入式系統(tǒng)開發(fā)平臺(tái)上進(jìn)行實(shí)現(xiàn)，與傳統(tǒng)的語(yǔ)音識(shí)別系統(tǒng)相比，該系統(tǒng)易于使用，語(yǔ)音識(shí)別更為快速使捷，并且具有一定的通用性。
-
支持向量機(jī)語(yǔ)音識(shí)別算法在OMAP5912上的移植
支持向量機(jī)語(yǔ)音識(shí)別算法在OMAP5912上的移植
-
改進(jìn)遺傳算法的支持向量機(jī)特征選擇解決方案
支持向量機(jī)是一種在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上發(fā)展而來(lái)的機(jī)器學(xué)習(xí)方法[1]，通過(guò)學(xué)習(xí)類別之間分界面附近的精確信息,可以自動(dòng)尋找那些對(duì)分類有較好區(qū)分能力的支持向量,由此構(gòu)造出的分類器可以使類與類之間的間隔最大化,
- 觀看華邦安全閃存技術(shù)研討會(huì)，分享你的設(shè)計(jì)安全小“芯”思
- 得捷芯聞解碼研習(xí)站第二期：傳感器賦予設(shè)備感知萬(wàn)物之力
- 泰克全棧式電源測(cè)試解決方案來(lái)襲，讓AI數(shù)據(jù)中心突破性能極限
- 學(xué)習(xí)狀態(tài)監(jiān)控CbM系統(tǒng)設(shè)計(jì)，完成測(cè)試
- 挑戰(zhàn)趣味測(cè)試，了解PI電機(jī)驅(qū)動(dòng)IC超能力
- 分享設(shè)計(jì)槽點(diǎn)，尋找華邦電子為您帶來(lái)的小確幸
- 我與貿(mào)澤不得不說(shuō)的秘密，如何讓選型和設(shè)計(jì)更輕松與愜意？
