简介：本文阐述了用超声波短时作用来处理水样,从而找到更科学地计数水体中微囊藻细胞数的方法。并通过实验进一步研究了超声波频率和作用时间对处理效果的影响。

简介：针对深层超限学习机算法在网络层数较浅时样本特征利用率低,和网络层数较深时样本特征经高层抽象后有效性降低的问题,本文提出了两种密集连接的多层超限学习机算法:Dense-HELM和Dense-KELM.这种密集连接的网络结构,使样本特征信息在层与层之间被充分利用,能够在不增加网络深度的情况下,显著提高算法的识别精度.最后,对文中提出的两种算法在20组基准数据集上进行实验,结果显示:本文提出的算法可以显著提高算法的识别精度,减少算法的训练时间,这表明所提出的算法具有有效性和实用性.

简介：为了检测医用体外碎石机焦点位置的声场特性，判断是否符合国家标准要求，特采用直接测量的方法，使用针式水听器在时间和空间域内进行逐层扫描，寻找焦点位置并测量焦点位置的声压强度；通过能量图直观显示焦点位置的能量分布，通过测量采集到焦点位置连续10次冲击波的声场强度、脉冲上升时间、脉冲宽度．这样所得到的医用体外碎石机焦点声场特性符合国家标准的要求．

简介：在此提出一种改进的深度卷积神经网络模型,该模型通过增加并联卷积层,拓展卷积神经网络宽度实现,有利于提取图像特征,提高网络性能;卷积层中对特征图像采用批量归一化方法进行预处理,加快网络训练.实验结果表明,该模型能更准确地学习宫颈癌细胞图像特征,从而有效降低了分类错误率.

简介：设计了一种分布式光伏电站数据通讯管理机,包括硬件系统和软件系统.硬件系统基于ARM嵌入式处理器设计,通过RS485/232串口对光伏电站终端设备的实时数据进行采集并解析处理,采用以太网/GPRS与光伏电站控制系统的服务器相连,实现数据的远程无线通讯和传输.软件系统基于多任务实时系统Linux,采用模块化设计,包含了任务管理、内存管理、时间管理和同步通信等功能模块.该通讯管理机具有对分布式光伏电站监控数据的实时采集、存储、分析处理、上传和转发等功能.

简介：为解决空气处理机组在故障检测过程中难以获得大量带有类标记样本,且故障样本数据标记代价较高的问题,本文结合支持向量机与半监督学习方法,提出了针对空气处理机组故障检测的半监督学习算法.首先利用序列前向选择选出重要的特征作为分类依据,将半监督学习方法引入支持向量机的学习过程中,并使用遗传算法寻找支持向量机的最佳参数.然后选择类标记置信度高的未标记样本加入训练样本集,利用未标记样本中有利于支持向量机的信息,提高学习性能.实验表明,提出的混合算法能够在故障标记样本比较少的情况下达到较高的故障诊断率.

简介：域自适应算法是一种能有效解决训练集（源域）和测试集（目标域）样本分布不一样但是具有相关性的方法.文章提出一个跨领域分布适配超限学习机（DDM-ELM）用于解决域自适应问题.DDM-ELM旨在基于超限学习机的框架下,充分利用丰富的有标签源域样本和无标签目标域样本,得出一个精确的目标域分类器.具体来说,DDM-ELM同时满足以下目标：1）最小化源域样本的分类误差;2）通过最小化投影最大化均值偏差来有效减小源域和目标域的分布差距;3）利用目标域样本的流形正则化来探索目标域样本的几何机构特性.这使得DDM-ELM能在同时继承超限学习机优点的前提下更加适合于目标域样本.经过大量的实验结果证明,相比于几种先进的域自适应方法,DDM-ELM在分类准确率和效率上均有所提高.

简介：深度学习是人工智能领域发展的一个不可或缺的部分,并且广泛应用于图像识别方面.为了进一步降低宫颈癌细胞图像的识别错误率,本文提出了一种基于卷积神经网络的改进算法.该算法通过搭建卷积神经网络框架,对下采样过程中特征提取阶段的池化模型进行改进,在下采样过程中对池化域内的每个元素分配合适的权值得到下采样特征图.实验结果表明,我们所提出的基于卷积神经网络的改进算法降低了对宫颈癌细胞图像的识别错误率.

简介：为有效降低宫颈癌细胞图像在图像识别中的假阴性率,在此提出一种改进的残差网络算法.该改进算法通过对交叉熵代价函数增加权重实现,根据不同病变程度的宫颈细胞建立权重矩阵,有针对地对假阴性类别的输出进行加权处理,优化分类输出、减少假阴性误判.实验结果表明,对于不同的宫颈细胞图像数据集,本改进算法输出分类效果稳定;与传统图像分类算法相比,改进后的交叉熵代价函数算法在识别分类宫颈细胞图像时,能有效降低宫颈癌细胞图像的假阴性率.

简介：在C-R2A数据处理机上,根据故障现象结合电路原理,用替换法查找故障,并进行元件代换。