【摘 要】
：
深度学习在控制图模式识别的运用上,易受控制图样本量和控制图质量特征数据点数的影响,针对这个问题,本文提出基于感知器-卷积神经网络的孪生神经网络(Perceptron-Convolutio
【机 构】
：
贵州大学 机械工程学院,贵阳550025;贵州大学 现代制造技术教育部重点实验室,贵阳550025;贵州大学 现代制造技术教育部重点实验室,贵阳550025;贵州大学 现代制造技术教育部重点实验室,贵
论文部分内容阅读
深度学习在控制图模式识别的运用上,易受控制图样本量和控制图质量特征数据点数的影响,针对这个问题,本文提出基于感知器-卷积神经网络的孪生神经网络(Perceptron-Convolutional Siamese Neural Network,PCSNN)模型,该模型先使用两层感知器将控制图原始数据映射到高维空间,再通过一维卷积神经网络提取样本对特征;通过计算样本对特征的空间距离和样本特征的相似概率,识别控制图的异常模式.实验结果表明,在控制图样本量较少情况下,该模型具有较高的识别率,同时发现控制图质量参数在小范围内波动时,该模型也有较好的识别性能.
其他文献
现有的组推荐方法侧重于寻找组内成员之间的相似性,而忽略了成员之间存在的差异.在群组成员差异性显著的情况下,丢弃群组成员间的差异性,竭力寻求相似性,这样会大大降低群组
当前在线学习社区学习者的情感识别多是采用有监督机器学习方法,其需要使用大量有标记数据对分类模型进行训练,这将会耗费大量的时间和人力成本,从而大幅提升了情感识别的成
现有的知识图推荐模型通过聚合相邻实体节点的特征和结构信息来更新当前位置实体节点的嵌入表示,为了控制计算成本和维护模型的稳定性,通常使用随机的固定大小的采样邻域来替
如今,基于云计算的软件服务对自适应资源分配提出要求,这种分配可以根据需要动态调整资源,以保证良好的服务质量(QoS,Quality of Service)和低成本资源.然而,在复杂波动的负
针对同时存在全局与局部环境的移动机器人路径规划问题,提出了一种分层路径规划方法.采用改进势场-蚁群融合算法进行规划.首先,在全局环境下采用改进蚁群算法进行路径规划,为
针对考虑运输时间的柔性作业车间调度问题,构建了以最大完工时间最小化、最大机器负载最小化和总机器负载最小化为目标的多目标优化模型,并提出一种小生境粒子群优化算法求解
针对现有室内场景识别方法仅通过关注视觉信息本身,而缺乏考虑图像中所含语义内容,提出一种基于长短期记忆神经网络和卷积神经网络的融合深度神经网络室内场景识别方法.首先使用labelImg工具为Visual Genome数据集图像生成位置描述符,经数据预处理算法处理后通过GloVe模型得到词向量.然后引入带有L2正则化的小批量梯度下降算法训练模型,将注意力机制与融合深度神经网络模型结合实现对位置描述符进
邻居选择和邻居数量对于推荐系统评分预测具有关键作用.本文采用复杂网络模型中多种聚类方法,针对现有方法通常基于单一相似性选择邻居的问题,建立用户为节点,相似性与置信系
面对网络学习资源的信息过载问题,如何根据用户的偏好推荐其感兴趣的学习资源是网络教育智能化的关键应用.协同过滤推荐算法无需构建资源的特征描述,经常应用于形式多样的网
基于卷积神经网络的目标检测在智能机器人、无人机等领域有着重要的应用,但其模型普遍结构复杂、参数量大、占用资源多,难以满足嵌入式目标检测任务中的实时性需求.针对此问题,本文提出一种多尺度特征融合注意力网络(MSFAN:Multi-Scale Feature-fusion Attention Network)模型,该模型基于MobileNet_YOLOv3网络模型,并结合多尺度特征融合等改进措施,在高