您好, 歡迎來到化工儀器網(wǎng)
| 產(chǎn)地類別 | 進(jìn)口 | 電動(dòng)機(jī)功率 | 3800kW |
|---|---|---|---|
| 讀出方式 | SSI | 工作原理 | 模擬量 |
| 外形尺寸 | 35*75mm | 外型尺寸 | 25*68mm |
| 應(yīng)用領(lǐng)域 | 文體,石油,鋼鐵/金屬,制藥/生物制藥,電氣 | 重量 | 3kg |
產(chǎn)品簡(jiǎn)介
詳細(xì)介紹
1037668編碼器換向誤碼輸出SICK秉銘AFM60A-S1AM262144經(jīng)網(wǎng)絡(luò)是具有復(fù)雜結(jié)構(gòu)和多個(gè)非線性處理單元的模型,被廣泛的應(yīng)用于在計(jì)算機(jī)視覺,自然語言處理等領(lǐng)域得.但是,深度神經(jīng)網(wǎng)絡(luò)存在不可解釋這一致命缺陷,即”黑箱問題”,這使得深度學(xué)習(xí)在各個(gè)領(lǐng)域的應(yīng)用仍然存在巨大的障礙.本文提出了一種新的深度神經(jīng)網(wǎng)絡(luò)模型,知識(shí)堆疊降噪自編碼器嘗試以一種邏輯語言的方式有效解釋網(wǎng)絡(luò)結(jié)構(gòu)及內(nèi)在運(yùn)作機(jī)理,同時(shí)確保邏輯規(guī)則可以進(jìn)行深度推導(dǎo)。進(jìn)一步通過插入提取的規(guī)則到深度網(wǎng)絡(luò),使KBSDAE不僅能自適應(yīng)地構(gòu)建深度網(wǎng)絡(luò)模型并具有可解釋和可視化特性,而且有效地提高了模式識(shí)別性能.大量的試驗(yàn)結(jié)果表明,提取的規(guī)則不僅能夠有效地表示深度網(wǎng)絡(luò),還能夠初始化網(wǎng)絡(luò)結(jié)構(gòu)以提高KBSDAE的特征學(xué)習(xí)性能,模型可解釋性與可視化,可應(yīng)用性更強(qiáng). 對(duì)用戶興趣進(jìn)行預(yù)測(cè)的協(xié)同過濾自動(dòng)編碼器推薦模型,給出了模型的設(shè)計(jì)原理、損失函數(shù)以及具體結(jié)構(gòu).模型使用單隱藏層自動(dòng)編碼器實(shí)現(xiàn),用戶評(píng)分與旁信息同為模型的輸入/輸出數(shù)據(jù),旁信息也直接參加模型的訓(xùn)練,這種設(shè)計(jì)不僅降低了模型的規(guī)模和復(fù)雜度,而且旁信息可以直接對(duì)用戶興趣進(jìn)行修正.同時(shí),通過對(duì)訓(xùn)練數(shù)據(jù)集合的合理劃分與擴(kuò)充,使得訓(xùn)練的網(wǎng)絡(luò)模型增加了表達(dá)能力.在真實(shí)數(shù)據(jù)集上的對(duì)比實(shí)驗(yàn)表明,本文提出的方法提高了評(píng)分化試題推薦是實(shí)現(xiàn)高效學(xué)習(xí)的有效途徑,幫助學(xué)生從"題海戰(zhàn)術(shù)"中解脫出來,對(duì)實(shí)現(xiàn)適應(yīng)性教學(xué)、促進(jìn)教育公平具有重要意義。但目前個(gè)性化試題推薦方法大多是基于協(xié)同過濾進(jìn)行試題層面的個(gè)性化推薦,沒有聚焦到知識(shí)點(diǎn)層面,存在推薦試題定位不準(zhǔn)確的問題。針對(duì)上述問題,對(duì)基于深度自編碼器和二次協(xié)同過濾的個(gè)性化試題推薦方法進(jìn)行了研究。首先考慮到學(xué)生對(duì)知識(shí)點(diǎn)的認(rèn)知情況進(jìn)行基于知識(shí)點(diǎn)的二次協(xié)同過濾試題推薦,然后應(yīng)用項(xiàng)目反應(yīng)理論和深度自編碼器來預(yù)測(cè)學(xué)生在推薦試題上涉及推薦知識(shí)點(diǎn)的得分以及綜合得分,后對(duì)預(yù)測(cè)結(jié)果協(xié)同判斷并控制終個(gè)性化推薦試題的難度,產(chǎn)生終的推薦試題列表。通過對(duì)比實(shí)驗(yàn)驗(yàn)證提出的推薦方法的推薦結(jié)果相對(duì)于傳統(tǒng)試題推薦更具個(gè)性化和準(zhǔn)確性。 近對(duì)神經(jīng)網(wǎng)絡(luò)模型的研究在圖像修復(fù)任務(wù)中顯示出巨大的潛力,其核心任務(wù)是理解圖像語義信息并重建缺失的圖像內(nèi)容.這些研究可以生成語義和內(nèi)容上合理的結(jié)構(gòu)和紋理,但通常會(huì)導(dǎo)致與孔洞周圍區(qū)域不一致的扭曲結(jié)構(gòu)或模糊紋理,特別是人臉圖像修復(fù)問題.人臉圖像修復(fù)工作經(jīng)常需要為包含大量外觀元素以及局部屬性的缺失區(qū)域（例如眼睛或嘴巴）生成語義上的新內(nèi)容,這些缺失區(qū)域往往具有*的屬性和語義信息從而導(dǎo)致生成內(nèi)容不合理.為了解決以上問題,提出了一個(gè)有效的深度神經(jīng)網(wǎng)絡(luò)模型,模型的生成器結(jié)合全連接卷積和U-net網(wǎng)絡(luò)的*特性,同時(shí)提出局部屬性辨別器使修復(fù)內(nèi)容具有創(chuàng)新性的同時(shí)也能夠使整體與局部保持語義一致性.模型不僅提升了對(duì)于人臉圖像整體語義信息的感知能力,同時(shí)也基于局部屬性能夠有效地修復(fù)人臉關(guān)鍵部位,通過在CelebA數(shù)據(jù)集上的實(shí)驗(yàn)證明了該模型能夠有效地修復(fù)人臉缺失部分并且能夠生成新穎的修復(fù)內(nèi)容. 究齒輪裂紋損傷對(duì)行星輪系編碼器信號(hào)的影響機(jī)理,以利用編碼器信號(hào)對(duì)行星齒輪箱進(jìn)行健康監(jiān)測(cè),通過動(dòng)力學(xué)分析研究了在齒輪裂紋損傷影響下行星輪系編碼器信號(hào)的響應(yīng)特性,并建立了響應(yīng)的模型。首先采用能量法推導(dǎo)了齒輪存在裂紋時(shí)的時(shí)變嚙合剛度算法,并構(gòu)建了扭轉(zhuǎn)動(dòng)力學(xué)模型,用于獲取編碼器信號(hào);在此基礎(chǔ)上,通過將行星輪裂紋時(shí)的嚙合剛度代入構(gòu)建的模型中,求解得到行星輪裂紋影響下的編碼器響應(yīng)信號(hào),分析編碼器信號(hào)中蘊(yùn)含的扭轉(zhuǎn)振動(dòng)特征;后根據(jù)模型進(jìn)一步研究了不同裂紋損傷下的行星輪系編碼器響應(yīng)信號(hào)。在實(shí)驗(yàn)臺(tái)上進(jìn)行了驗(yàn)證,結(jié)果表明:當(dāng)行星輪出現(xiàn)裂紋故障時(shí),編碼器響應(yīng)信號(hào)中蘊(yùn)含的扭轉(zhuǎn)振動(dòng)出現(xiàn)明顯沖擊特征;隨著裂紋損傷程度增加,編碼器響應(yīng)信號(hào)中扭轉(zhuǎn)振動(dòng)的沖擊特征逐漸增強(qiáng),其均方根值與峭度值明顯增加,可有效評(píng)估故障損傷程度。該研究結(jié)果可為編碼器信號(hào)用于行星齒輪箱健康監(jiān)測(cè)提供理論依據(jù)。 
1037668編碼器換向誤碼輸出SICK秉銘AFM60A-S1AM262144飛機(jī)關(guān)鍵機(jī)械部件故障診斷對(duì)于提高其運(yùn)行的安全性和可靠性有重要意義。工程實(shí)際中存在以下問題,一是帶標(biāo)簽故障樣本難以獲取;二是現(xiàn)有模型往往要求訓(xùn)練和測(cè)試數(shù)據(jù)服從同分布。因此,本文提出一種遷移深度降噪自動(dòng)編碼器用于解決標(biāo)簽樣本缺少下的飛機(jī)關(guān)鍵機(jī)械部件故障診斷問題。該方法主要包括兩部分:（1）構(gòu)建深度降噪自動(dòng)編碼器用于從原始振動(dòng)信號(hào)中自適應(yīng)提取有效的故障特征;（2）通過參數(shù)遷移方法構(gòu)建遷移深度降噪自動(dòng)編碼器用于處理標(biāo)簽樣本缺少情形下的故障診斷問題。實(shí)驗(yàn)室數(shù)據(jù)被用于驗(yàn)證本文方法的有效性,實(shí)驗(yàn)結(jié)果顯示本文方法能夠有效完成標(biāo)簽數(shù)據(jù)缺少下的飛機(jī)關(guān)鍵機(jī)械部件故障診斷問題。
1037658 AFM60B-S1AK032768
1037659 AFM60B-S1AL032768
1037660 AFM60B-S1AM032768
1037661 AFM60B-S4AA032768
1037662 AFM60B-S4AK032768
1037663 AFM60B-S4AL032768
1037664 AFM60B-S4AM032768
1037665 AFM60A-S1AA262144
1037666 AFM60A-S1AC262144
1037667 AFM60A-S1AL262144
1037668 AFM60A-S1AM262144
1037669 AFM60A-S4AA262144
1037670 AFM60A-S4AC262144
1037671 AFM60A-S4AL262144
1037672 AFM60A-S4AM262144
1037673 DFS60A-BEEA16384
1037674 DFS60B-T5AA05000
1037675 DFS60A-T5AA16384
1037676 DFS60E-T5CA01024
1037677 DFS60A-T5CA16384
1037678 DFS60B-T5EA05000
1037679 DFS60A-T5EA16384
1037681 DFS60E-BEAK00360
1037682 DFS60B-S1EK00360
1037685 DKS40-E5Z0-S21
1037686 DKS40-E5Z0-S22
1037687 ARS60-F1M18000
1037689 DFS60E-TEEM01024
1037690 DFS60B-BHEC02500
1037693 DKS40-R5L00300
1037694 DFS60B-S4CL07200
1037695 DFS60B-S1EA04000
1037696 ARS60-G1M00360
1037697 DFS60E-S4EA01024
1037698 DFS60B-BBEC10000
1037699 DFS60B-TEAK02048
1037700 DFS60E-S1EL00360
1037701 DFS60E-S1EL02000
1037702 DFS60B-BGEM05000
1037703 DFS60B-BDEA01074
1037704 DFS60B-TEAK02018
1037706 ATM60-A4K0-K12
1037709 VFS60A-TGPZ0-S02
1037710 DFS60E-T4AC01024
1037711 DFS60B-BZPZ0-S01
1037712 DFS60B-S4AK10000
1037714 DFS60B-SZZA0-S01
1037716 VFS60A-T5PZ0-S02
1037717 VFS60E-T5EZ0-S01
1037718 ATM60-AAA0-K14
1037719 DFS60E-BGEC02048
1037720 DFS60B-BGEC10000
1037721 DFS60B-S1EK03600
1037722 DFS60E-BHEA00500
1037724 DFS60E-S4EM00360
1037725 DFS60B-S4CL02048
1037726 DFS60B-BHCL01024
1037727 DKS40-A5P01024
1037728 AFS60E-S4AM002048
1037729 VFS60A-TDPK01024
1037732 DFS60E-TGEA01024
1037733 DKS40-R5J00060
1037735 AFx60-Sales-Kit-02
1037736 DFS60B-TEAC01024
1037737 DFS60B-S1EK07000
| 1037704 | DFS60B-TEAK02018 |