关键词： 滚动轴承   连续小波变换   卷积神经网络   故障诊断  

摘要： 旋转设备是工业机械设备中最重要的部分,滚动轴承作为其关键部件,一旦发生故障,在造成经济损失的同时,严重的还会导致人员伤害,所以对其故障进行诊断十分有必要。然而轴承工作环境较为恶劣,处在变负载、变转速和强噪声下,这就增加了故障诊断的难度。因此,有必要提出故障诊断性能更好的方法,以实现不同条件下的精确故障诊断。论文主要研究内容如下: (1)针对振动信号对干扰敏感且直接均等分按顺序转二维图像易丢失信息问题,提出将信号通过算法转为二维图像以作为网络输入。首先对比了一维和二维神经网络的性能;然后通过将GAF、MTF、RP、STFT与CWT五种图像转换方法和不同模型进行对比实验,得出基于CWT转换方法和Res2Net网络的轴承故障效果优于其他方法。 (2)针对轴承在变噪声和变负载环境下故障诊断能力差,且常见方法不考虑数据特征多尺度性问题,提出一种基于CWT-MBFRAN的多尺度和双线性诊断方法。该方法使特征信息之间相互影响和制约,在增大感受野组合的同时能提取更多细微的故障信息。且双线性模型的上下部份元素相乘,可实现二次多尺度特征融合。实验结果表明,在变负载和弱噪声实验具有较好的泛化能力和数据集适应性。 (3)针对强噪声影响下诊断性能不佳问题,使用基于奇异值分解和能量差分谱法对原信号降噪,再提高含噪信号的信噪比后,再使用自适应批量归一化算法缩小数据分布差异,从而增强故障诊断模型对强噪声的鲁棒性。 (4)针对使用连续小波变换转图像时小波函数选择困难和时间关系弱问题,提出了融合多小波生成图像和基于残差收缩TCN时间网络的诊断方法。该方法可自适应获取各图像重点特征,利用软阈值再次降噪的同时获取时间依赖关系。实验表明,结合内容(3)能够较好的完成强噪声干扰下的滚动轴承故障诊断任务。 综上所述,在凯斯西储大学轴承数据集上做变负载和弱噪声实验时,平均准确率为95.78%和97.93%;在齿轮箱数据集上进行混合数据实验时,平均准确率为99.85%,均高于比较方法。且本文提出的多小波融合图像架构不仅适用于本文,还为其他二维化图像分析方法提供了新思路,在强噪声实验下,比其它方法提高了7.8%的平均准确率。本文所提方法具有较好的鲁棒性,为更智能化的故障诊断奠定了基础。

关键词： 轨道电路数据   绝缘节识别   小波变换   支持向量机   样本划分  

摘要： 随着经济的快速增长,对铁路运输效率和运输能力的要求越来越高。绝缘节作为轨道电路的重要组成部分,对轨道信号实现电气隔离,以保证铁路的正常运行。绝缘节可分为机械绝缘节和电气绝缘节两种。目前,国内高铁站内采用的机械绝缘节类型中,胶接绝缘节最为普遍,此种绝缘节的平顺性通常要弱于电气绝缘节,严重损伤时会引起车辆的高频振动。为便于对胶接绝缘节的状态进行综合评价,本文需要解决绝缘节定位和绝缘节分类两个问题。鉴于此,本文挖掘胶接绝缘节和电气绝缘节的数据特性,并基于轨道电路数据识别两类绝缘节的位置及区分绝缘节的类别。根据数据信号的特征属性,本文建立了基于小波变换和支持向量机(Support Vector Machine,简称SVM)的两类绝缘节识别方法。针对绝缘节定位问题,首先对轨道电路数据信号做归一化处理。其次借助小波变换系数模极大值点对应信号突变点的理论,选取db3小波对信号做小波变换并获取小波变换系数的模极大值点。之后针对小波变换系数模极大值点中包含许多非绝缘节处的干扰点的情况,根据绝缘节处的信号特性,通过设置阈值等措施滤除干扰点,仅保留绝缘节处的值最大的模极大值,实现绝缘节的准确定位。最后对比分析了不同小波的绝缘节定位效果,以及其他方法的定位效果。针对绝缘节分类问题,首先根据绝缘节定位点及绝缘节的长度信息,选取轨道电路信号中的绝缘节位置点及两侧有效样本点,将其划分为单个样本,并提取合适的特征参数,构造特征集。其次输入特征集到RF、XGBoost、BP神经网络、SVM等分类器中进行分类识别。结果表明,基于SVM的建模方法得到的准确率为99.42%,精准率为100%,召回率为95.24%,F1评分为97.56%,相比其他模型更好,且平均运行时间更短。因此SVM模型可以更有效的区分两类绝缘节。

关键词： 合作学习   英语教学   教学策略  

摘要： 英语核心素养和新课标理念强调学生学习的自主性，倡导主动、探究、合作的学习方式。基于此，笔者通过设计实施小组合作任务和相应的评价机制，分析小组合作学习法在英语听、说、读、写教学中的运用、效果以及在实施过程中产生的问题和应对措施，探讨了小组合作学习法在英语教学中起到的积极作用。在合作学习中，学生相互支持进行学习，充分运用目标语言，不断发展语言能力，同时提高了创新精神和合作能力，有利于学生综合素质的全面提高。

关键词： 标记分布学习   图像集分类   哈希学习   深度学习  

摘要： 标记学习的任务就是为未知样本预测出其标记信息。它是人工智能中的一项重要任务,广泛应用于图像检索、人脸识别、图像分割、物体跟踪等领域。许多研究者对标记学习进行了研究并提出了很多优秀的算法。标记学习主要存在两种学习范式:(1)将样本通过一个映射函数直接映射到标记空间,虽然这种方式能够很好地建模标记学习,但这些方法通常都有着非常高的计算复杂度;(2)基于哈希的标记学习。哈希技术因其具有低存储、高检索效率的优势,目前广泛应用于大规模检索系统。将哈希技术应用于标记学习,可增加标记学习的可扩展性。另外,基于哈希的标记学习在预测阶段均是由已知数据的标记预测所得,因此,基于哈希的标记学习方式相对于传统的由模型独立生成标记的方式所生成的标记信息更加符合真实的数据分布。在标记学习中,标记分布学习(Label Distribution Learning,LDL)作为一种新型学习范式,目前已经取得了比较高的精度和效率。然而仍然存在一些亟待解决的重要问题导致现有的基于哈希的标记分布学习方法只达到次优的性能:(1)浅层的语义建模导致学习过程中无法有效捕获隐式语义;(2)已有方法简单地构造了一个带有标记相似性的矩阵来保存实例的语义关系,这不能完全建模实例的内在语义关系;(3)已有方法没有很好地解决哈希中存在量化误差问题,这将导致较大的信息损失。针对这些问题,本文提出了基于深度离散哈希的标记分布学习(Deep Discrete Hashing for Label Distribution Learning,DDH-LDL),该方法构建了第一个基于哈希的标记分布学习的深度学习框架。具体来说,DDH-LDL通过多层非线性变换捕获隐式语义信息,同时通过图卷积神经网络的语义信息聚合作用,将实例的语义关系保留到哈希码中。此外,本文精心设计了一个离散优化模块,该模块无缝集成到所提出的深度哈希框架中,以减少二值量化误差。在几个被广泛测试的数据集上的实验验证了该方法在精度和效率方面的优越性。此外,本文研究了图像集标记学习。图像集标记学习在近些年受到了广泛关注,其任务是学习图像集合的标记信息。虽然目前的方法有着较高的精度,但仍然有一些没有解决的问题:(1)集合内部的图像间存在一定的相似和互补性,但是已有的方法没有较好的考虑图像集中图像间的关系;(2)没有对集合内各个图像采取有效的集合内部的聚合约束,因此不能很好地建模集合内图像的内在关系。为了解决这些问题,本文提出了基于自注意力聚合哈希的图像集标记学习(Self-Attention Aggregation Hashing for Image Set Label Learning,SAAH-ISLL)。该方法基于哈希检索技术,能够快速进行检索,根据检索结果的标记来预测未知样本,减小了标记学习的不确定性,因此更加可靠。该方法充分考虑了图像集合内各个图像之间的联系,根据标记对集合中心进行约束,将样本相似性关系保留至哈希码中,这种做法更加符合图像集标记学习的独有特性。本文在多个数据集上进行了验证,证明了该方法的有效性。

关键词： 深度学习   流场时程   流动特征提取   流场表征与重构   流动特征识别  

摘要： 流场时变特性的研究是解决复杂流动问题的关键,对流致振动问题、流固耦合机理以及流动控制等研究具有重要意义。然而中高雷诺数情况下流场的时变特征复杂,难以通过传统特征工程等方法开展特征研究,深度学习的发展为此类问题的研究提供了新的手段。本文从非定常流动的时程数据角度出发,提出了流场时程深度学习的流动特征分析方法,开展了流场时变特征提取、特征降维与重构、特征识别等研究。 1、提出了基于流动时程深度学习的流场特征提取方法:比较了不同模型的特征提取精度,开展了不同物理量对时变特征提取的精度研究,并针对不同来流速度的流场提出了归一化时程的特征研究方法。 2、提出了基于流动时程深度学习的流场特征表征方法:比较了非线性全连接模型、线性卷积模型、非线性卷积模型的表征精度,对简单外形的圆柱、方柱绕流的层流流动、湍流流动等问题开展了研究,并将方法应用于外形较复杂的桥面流动问题。 3、提出了基于流动时程深度学习的时变流场高分辨率重构方法:提出了平均向量组合法和非线性机器学习方法建立空间坐标与模型编码之间的映射,开展了层流流动、湍流二维测点、湍流三维测点和桥梁绕流数据的流动高分辨率重构研究,实现了基于较少已知时程样本的流动高分辨率重构建模。 4、提出了基于时程深度学习的流动时变特征识别方法:提出基于无监督学习方法的流动时变特征识别模型,实现了复杂流动的非定常特征识别,开展了圆柱层流流动的非定常特征分析,并进行了机翼绕流的流动分离区的智能识别。 研究结果表明,通过本文所提出的流场时程深度学习研究方法,可以实现非定常流动时变特征的深入、全面的分析,是复杂流动非定常特征研究的有效方法。

关键词： 野生型胶质母细胞瘤   弥散张量成像   影像组学特征   预后价值   风险分层   机器学习  

摘要： 背景:　　胶质母细胞瘤(Glioblastoma,GBM)是胶质瘤中发病率最高、恶性程度最高且预后最差的一种分型。其标准多模式治疗包括最大安全切除术以及术后规律放疗联合替莫唑胺化疗。尽管进行了标准治疗，患者中位生存期也仅有12-15个月。世界卫生组织(World Health Organization,WHO)于2021年发布了第5版中枢神经系统(Central Nervous System,CNS)肿瘤分类办法，其中异柠檬酸脱氢酶(Isocitrate Dehydrogenase,IDH)野生型且病理检验提示肿瘤组织存在坏死或微血管增生，或具有表皮生长因子受体基因扩增、7号染色体扩增/10号染色体缺失(+7/-10)、端粒酶逆转录酶(Telomerase Reverse Transcriptase,TERT)启动子区突变这三个分子变异之一的成人弥漫性胶质瘤被定义为“胶质母细胞瘤，IDH野生型”。与2016年的WHO CNS肿瘤分类办法相比，IDH突变型的胶质瘤被排除在GBM之外，显著降低了 GBM的异质性。然而，目前的临床工作发现IDH野生型GBM患者的治疗反应及预后情况仍存在较大差异。这表明IDH野生型GBM背后可能存在不同亚型。因此，对IDH野生型GBM患者进行风险分层，探索各个亚型背后的特征性生物学通路将有助于改善疾病管理，指导个体化治疗。近年来，影像组学与机器学习技术的飞速发展大大降低了提取与分析高通量数据的难度。因此，大量的影像组学研究得以展开，众多研究结果表明医学影像可部分地反映肿瘤的病理生理特征。在胶质瘤磁共振成像(Magnetic Resonance Imaging,MRI)相关的影像组学研究中发现，影像组学特征比临床病理特征显示出了更高的预后价值。作为MRI中的结构成像序列，弥散张量成像(Diffusion Tensor Imaging,DTI)通过收集并分析脑中水分子扩散方向的信息来展示脑白质纤维束的微观结构，它能够清晰地反映胶质瘤对脑白质纤维束的侵犯与浸润，帮助人们了解胶质瘤对脑组织微观结构的影响。然而,由于缺乏对DTI序列相关指标的含义与临床意义的了解，使DTI序列的临床应用受到极大的限制。　　目的：　　从DTI图像中提取并筛选出具有高预后价值的影像组学特征，构建并验证预测IDH野生型GBM患者预后的影像组学模型，对患者进行风险分层，寻找可能的肿瘤亚型。探索这些高预后价值的影像组学特征背后的生物学基础，从而对IDH野生型GBM患者进行早期精准干预，以改善患者的预后。　　方法：　　本研究团队搜集了从2013年1月到2022年1月之间，于郑州大学第一附属医院神经外科进行手术治疗并经过组织病理确认的脑胶质瘤患者的临床及影像资料信息，经过入组筛选后共纳入258名IDH野生型GBM患者。将入组患者按照约1∶1的比例随机分入训练集(N=134)与验证集(N=124)。将同时具有术前DTI图像与术后肿瘤标本转录组测序(RNA Sequencing,RNA-Seq)数据的患者纳入影像基因组学分析集(N=53)。从入组患者的术前DTI图像中提取轴向弥散率(Axial Diffusivity,AD)、各项异性分数(Fractional Anisotropy,FA)、径向弥散率(Radial Diffusivity,RD)和平均弥散率(Mean Diffusivity,MD)参数图，并分别从中提取影像组学特征。依次通过组内相关系数(Intraclass Correlation Coefficient,ICC)分析、单变量预后分析、套索算法(least absolute shrinkage and selection operator,LASSO)联合Cox回归分析的特征筛选办法，使用最终筛选出的最具预后价值的影像组学特征构建预后模型，并算出每位患者的影像组学风险得分(Radscore)。然后，使用多种指标与方法，从多维度来综合评价影像组学预后模型的预测能力。此外，我们使用加权基因共表达网络分析(Weighted Gene Co-expression Network Analysis,WGCNA)结合基因集富集分析（Gene Set Enrichment Analysis,GSEA）方法，在影像基因组学分析集中寻找影像组学特征背后的关键生物学通路。　　结果：　　从AD、FA、MD和RD参数图中提取影像组学特征共计4788个，进行特征筛选后共得到14个预后价值较高的影像组学特征构建预后模型，其中以体素强度特征与纹理特征对预后模型的贡献最大，而形状特征则未入选。经统计分析，分入训练集与验证集的患者之间的临床信息无显著差异[性别(P=0.376）、年龄（P=0.638）、术前卡氏评分（Karnofsky Performance S

关键词： 多旋翼无人机   故障诊断   深度学习   抗噪声   变工况   小样本  

摘要： 近些年来无人机发展迅猛,其中多旋翼无人机凭借结构简单、成本低廉、垂直起降、小巧便携等特点已经在众多民用以及军事领域中被广泛应用。由于多旋翼无人机经常会在一些条件恶劣的场景下执行任务,因而容易发生故障,造成无人机性能下降,甚至坠机,因此研究多旋翼无人机系统的故障诊断技术,对于保证多旋翼无人机飞行安全和可靠性具有重要的意义。目前基于数据驱动的故障诊断技术方兴未艾,但其在多旋翼无人机故障诊断领域应用尚存在一些难点问题。本文以四旋翼无人机作为多旋翼无人机系统的具体研究对象,结合深度学习相关理论知识,重点研究多旋翼无人机出现结构损伤性故障情况下的故障诊断技术,分别考虑系统在不同噪声、不同工况和小样本条件下的故障诊断问题,提出基于卷积神经网络的故障诊断新方法,全文的主要工作和创新点如下: 首先,对多旋翼无人机故障诊断研究背景、研究现状和研究意义进行了概述。将四旋翼无人机作为实际的研究对象,对其结构和飞行原理进行了介绍;基于QBall-X4搭建了四旋翼无人机故障数据采集平台,从软硬件方面对故障数据采集平台进行了介绍,接着分别在不同程度的结构损伤性故障下采集了无人机飞行数据;最后对卷积神经网络的组成及工作原理进行了浅析。 其次,针对多旋翼无人机故障系统在不同噪声干扰条件下故障诊断性能下降的问题,提出了一种基于堆栈稀疏降噪自编码卷积神经网络模型,改善了卷积神经网络模型在含有噪声数据下的诊断性能。将无人机飞行数据进行预处理后直接输入诊断模型实现了端到端的故障诊断,同时利用数据增强方法来扩充了飞行数据样本的多样性,并利用批量归一化加快了模型训练和收敛速度。通过仿真实验验证了所提方法的有效性。 接着,针对多旋翼无人机故障系统负载工况变化导致飞行数据分布发生改变,造成故障诊断模型泛化能力降低的问题,提出一种基于Ada BN算法的一维卷积神经网络多旋翼无人机故障诊断方法。该方法通过采用自适应批量归一化来调整网络模型中的BN层参数,提高了诊断模型在变工况情况下的故障诊断准确率。此外,在卷积神经网络模型的第一层中使用卷积核Dropout操作来模拟手动向训练数据中添加噪声,增加训练样本的多样性,增强了模型的抗噪能力。最后通过采用灰狼优化算法来对模型的超参数进行寻优,进一步降低了模型应用的调参难度。通过对比仿真实验验证了所提方法在不同工况条件下均都具有良好的诊断性能。 最后,针对在多旋翼无人机由于机体结构限制以及传感器测点不足造成可采集的飞行故障数据集不完备的问题,提出了一种基于孪生混合网络的小样本多旋翼无人机故障诊断方法。该方法采用度量学习的思想构建卷积神经网络和长短时记忆网络混合模型,利用卷积神经网络对数据空间维度特征进行提取,同时利用长短时记忆网络对时序数据的上下文信息进行特征提取,进而通过利用最大均值差异可以在不增加网络复杂度的条件下很好衡量两个样本间的差异,提高了模型在小样本数据条件下的诊断精度。通过对比仿真实验验证了所提方法的有效性。

关键词： 自监督学习   知识蒸馏   通道拆分   增量学习  

摘要： 如今,深度学习方法在各个领域及应用场景中都取得了巨大的成功,包括图像识别、图像合成和物体检测等。但所有这些模型在连续学习多个任务后,应用于先前的任务都面临着一个重大的性能挑战,即模型调整其参数以学习新任务时,之前数据中学习到的任务会成断崖式的遗忘,这种现象称之为灾难性遗忘。人们为了解决这一问题提出了各种增量学习的方法,旨在缓解对以前任务的遗忘和学习新任务的不妥协,从而在任何给定的时间点可以完成所有学习过的任务。本文主要针对自监督学习预训练完成的卷积神经网络,发现其神经网络中通道信息,围绕增量学习的正则化方法展开研究,旨在提出一种提高增量学习效果的新方法。本文的主要贡献分为以下三个部分:1、提出一种基于自监督学习方法对卷积神经网络的通道进行解耦。本文采用门控机制,即在自监督学习的每个卷积对应的输出通道后加入一个可以训练的权重参数,通过自监督知识蒸馏的方法,使不同通道后的参数权重稀疏分离,从而在后续任务中,通过不同通道后的参数权重来判断神经网络中所有通道对于不同任务的重要性程度。2、通过自监督知识蒸馏的方法实现通道可解释性以及子任务分类。通过门控机制,每个样本都可以训练出一组控制门向量。本文首先通过对子任务中同类的控制门向量做均值操作,来判定子任务该类别中的通道重要性排序,选取重要通道组成新的子网络来实现对子任务的分类。在小数据集上,通过屏蔽掉1-10%左右的参数便能够在二分类子问题上使原有准确率提升;在较大数据集上,关闭少量通道便能够在二、三分类子问题上取得10%左右的准确率提升。为了证明该方法的有效性,本文对通道向量做了特征降维、重要通道分析、通道类别相似性等语义性分析方法,证明了通道解耦方法可以在通道层面上获取到了一定的语义信息,这对可解释性以及后续下游任务都用一定的指导作用。3、在已有的基于正则化的增量学习方法中加入门控机制,实现对自监督网络的任务增量。通过门控机制对不同通道中参数的限制,优化控制门的训练过程,使训练的过程更加的高效。之后在该方法的基础上加入SE模块并融入门控机制,并在自监督学习中采用了控制门机制和SE模块通道的参数重要性,用于增量学习正则化方法当中,结果准确率得到进一步提升。本文设计了一种自监督学习网络通道解耦的方法。并通过这一算法,用于后续的子任务分类、通道可解释性以及优化增量学习的正则化方法的工作当中。

关键词： 机器学习   公募基金   业绩预测   基金选择   神经网络  

摘要： 近年来,在中国经济高质量发展和实现共同富裕战略目标的背景下,公募基金凭借着其低门槛、多样化、规范透明等特点,深得中国投资者的推崇。截止到2022年12月底,中国公募基金市场管理规模已超过26万亿元,整体上呈现良好发展态势,但其中仍存在投资者利益被轻视,投资者教育同质化,缺乏针对性等问题。基金市场中占比最大的普通投资者因缺乏经验和专业知识,更容易受到多种外部因素影响,在投资中呈现出较大的非理性,从而导致选基、投资失败的现象。为帮助投资者克服在公募基金投资过程中的局限性。本文在研究众多公募基金业绩影响因素和公募基金业绩评价相关文献的基础上,首先使用Lasso、岭回归、支持向量回归机(SVR)、随机森林、梯度提升回归树(GBRT)、XGBoost、Light GBM以及深度神经网络八种机器学习方法构建了公募基金业绩预测模型,通过比较预测业绩(超越基准收益率与累计收益率)与真实业绩的差距,来观测使用基金历史回报、风险因素和衡量基金经理能力的各种指标是否对于公募基金未来业绩具有预测效果并对影响基金未来业绩的因素进行分析;其次,在不同的市场情形下,根据预测结果构建投资组合,并使用收益标准差、最大回撤、夏普比率、索丁诺比率等指标对投资组合的收益与风险进行评估,以进一步的分析模型的业绩预测能力和对“好坏”基金的区分能力;最后,通过投资组合单个和多个投资周期的实际业绩表现来衡量基于机器学习预测模型的选择有潜力的基金的有效性。经过实验发现机器学习方法对基金未来业绩具备一定的预测能力,同时也具有对“好坏”基金的区分能力,使用机器学习方法所构成的投资组合无论是在一个投资周期还是在多个投资周期,最后所取得的收益率均能超越随机选择基金所构成的组合和沪深300指数涨跌幅。但遗憾的是,当使用超越基准收益率作为预测指标时,对于基金的区分能力弱于使用累计收益率作为预测指标,这可能是因为基金经理对基金基准设置不够准确,造成了一定的风格漂移。而各个模型在不同的市场情形下的表现不同,在市场连续上涨期间,使用神经网络模型所构建的投资组合不仅风险低于其他模型的组合而且获得了更高的累计收益率;而在市场连续下跌期间,XGBoost所构成的投资组合虽然能获得超越其他模型和沪深300指数涨跌幅的累计收益率,但也承担着较高的风险。另外,在经历八个投资周期后,神经网络模型的组合最终取得最高的收益率,这说明神经网络模型长期表现更佳。本文通过实验证明,使用基于横截面回归的机器学习方法在一定程度上能够预测公募基金未来的业绩并帮助选出具有潜力的基金;使用神经网络构建模型,预测基金未来的累计收益率对基金的筛选效果更好。从而为投资者选择基金提供了一些经验和参考,为基金公司和基金监管部门改进管理方式提供一些启示。

关键词： 初中   区域地理   教学策略   方法迁移  

摘要： 区域地理在中考地理中是十分重要的考点，同时也是地理学科的一个分支。区域地理所涉及的内容十分繁杂，学生从小学升到初中，虽然在思维能力和学习能力上有所提高，但是初中区域地理的学习不仅要求学生牢记地理基础知识，更要运用学习的地理原理深入地分析地理问题。因此区域地理对培养学生地理思维能力和综合能力有着极其重要的作用。学习地理不能单靠死板的记忆，更要注重理解消化，因此教师在区域地理教学中探索运用积极有效的教学策略显得尤为重要。