【摘 要】
：
针对储运过程典型的管道堵塞故障样本数量不足、诊断知识不完备的实际情况,提出储运过程管道堵塞故障小样本模式识别方法;以支持向量机(SVM)算法为基础,构建了储运过程故障模式识别框架,分析了基于SVM方法的故障模式分类;利用储运过程仿真模型采集正常及故障过程数据,建立SVM多分类模式识别器,通过识别器核函数选取和参数优化,进行了管道堵塞故障小样本模式识别的仿真应用研究。仿真实验结果表明,SVM方法能够
【机 构】
：
后勤工程学院后勤信息与军事物流工程系,76174部队
【基金项目】
：
总后勤部军需物资油料部项目（油20080208）
论文部分内容阅读
针对储运过程典型的管道堵塞故障样本数量不足、诊断知识不完备的实际情况,提出储运过程管道堵塞故障小样本模式识别方法;以支持向量机(SVM)算法为基础,构建了储运过程故障模式识别框架,分析了基于SVM方法的故障模式分类;利用储运过程仿真模型采集正常及故障过程数据,建立SVM多分类模式识别器,通过识别器核函数选取和参数优化,进行了管道堵塞故障小样本模式识别的仿真应用研究。仿真实验结果表明,SVM方法能够准确、快速实现故障模式识别,为储运过程故障模式识别提供了一种实用方法。
其他文献
针对在双选信道下OFDM系统需要同时获取精确的载波偏移和信道状态信息,而采用贝叶斯MAP算法进行联合载波频率偏移和信道状态估计复杂度过高的问题,提出一种基于EM-MAP的联合CFO双选信道估计算法。首先利用基扩展模型解决信道状态由于快时变带来的可辨识问题,然后引入期望最大化(EM)算法对系统的载波频偏和信道状态信息进行联合估计,避免大规模的矩阵求逆,降低算法复杂度。仿真结果表明,该方法能获取与MA
研究一个在并行与分布式计算环境下兴起的树分割问题:给定一个节点和边均带权值的树T,通过切割树的边,将该树T分割成节点不相邻的子树,使得所有子树的节点权值之和不超过一个给定的上限K,并且使得被割边的权值之和最小。提出了一个能在多项式时间内完成的快速优化算法,包括一个基本的自底向上的结构及其动态规划方案和两个能大量节省计算空间的剪枝方案。实验表明,该算法在性能上相比其他同类算法要快十倍甚至数百倍,因而
针对化学反应优化对反馈信息利用不足导致后期求解效率低的问题,提出化学反应蚁群优化算法。该算法利用化学反应优化生成较优解,通过信息素转换策略将较优解转换为蚁群算法的初始信息素,最后由蚁群算法累积更新信息素得到最优解。以TSP为例进行仿真,结果表明,与化学反应优化、蚁群算法、模拟退火算法相比,所提算法具有更高的寻优能力、收敛效率和计算效率。
设计了求解稀疏优化模型的加速线性Bregman算法,该稀疏优化模型可以理解成基追踪模型的一个近似。设计的加速算法主要基于Lagrange对偶和SVD预条件方法两个技术。由Lagrange对偶理论可知,线性Bregman算法等价于梯度法极小化对偶问题的目标函数,由此可以推导出线性Bregman算法的收敛速度与矩阵A的条件数有关。据此,通过使用SVD预条件方法改善了A的条件数从而加快了线性Bregma
针对预重传GBN-ARQ方案在误码率低的情况下吞吐率与时延大大下降的问题,结合重传编码合并技术,提出了一种基于TDD上行CSI的自适应预重传GBN-HARQ方案。首先,发送端将数据进行前向纠错编码得到不同冗余版本;然后,根据上行CSI信息对重传分组自适应地选择冗余版本数,在信道状况较差时一次性传输多个冗余版本以保证预重传的可靠性,减小由预重传错误所带来的时延性能下降,在信道状况较好时采用较少冗余以
民国时期大学哲学科系的“热”是短暂的、特殊的情况，主要以五四前后的北大哲学系“热”为标志，其原因与新文化运动的影响有密切关系，但“热”的表象背后也包含某种假象。而哲学
局部线性嵌入(LLE)和等距映射(ISOMAP)在降维过程中都只单一地保留数据集的某一种特性结构,从而使降维后的数据集往往存在顾此失彼的情况。针对这种情况,借助流形学习的核框架,提出融合LLE和ISOMAP的非线性降维方法。新的融合方法使降维后的数据集既保持着数据点间的局部邻域关系,也保持着数据点间的全局距离关系。在仿真数据集和实际数据集上的实验结果证实了该方法的优越性。
目的:评价冠状动脉血流储备分数测定(FFR)指导下的冠脉介入治疗较传统冠脉造影指导下的冠脉介入治疗对患者住院费用的影响。方法:2014年1月至2015年12月经冠脉造影确诊冠心病
为了提升受阴影衰落等因素影响下的协作频谱感知性能,采取了一种改进的基于动态阈值和可信度相结合的协作频谱感知方法。该方法利用各认知用户的检测信噪比对检测可信度较低的认知用户进行过滤,各认知用户根据检测信噪比设定一个适合自身的动态阈值进行能量感知,融合中心结合各单节点感知结果和分配的传输可信度作出最终判决。仿真结果表明,在检测信道和传输信道均受到阴影衰落等因素严重影响下,与单纯的动态阈值协作感知和传统
针对Taylor算法进行TDOA定位时,其初始估计位置的误差易导致Taylor算法不收敛和定位精度差的问题,提出一种基于自然选择的线性递减权重粒子群优化(W-SPSO)与Taylor算法协同定位的方法。该方法先通过W-SPSO算法得到一个初始估计位置(x,y),再通过Taylor算法在(x,y)处进行迭代运算得到最终定位结果。不同噪声情况下的仿真结果显示:W-SPSO与Taylor算法协同定位方法