《特征融合与GA-SVM在刀具状态监测中的应用研究》PDF+DOC
作者:李顺才,李巍,吴明明
单位:中国机械工程学会;北京机床研究所
出版:《制造技术与机床》2015年第04期
页数:4页 (PDF与DOC格式可能不同)
PDF编号:PDFZJYC2015040560
DOC编号:DOCZJYC2015040569
下载格式:PDF + Word/doc 文字可复制、可编辑
《支持向量机动态多分类方法》PDF+DOC2017年第02期 房汉鸣,税爱社,汪辉,宗福兴
《基于CNN-SVM和特征融合的齿轮箱故障诊断》PDF+DOC2020年第08期 饶雷,唐向红,陆见光
《霍尔效应式位移传感器的温度补偿》PDF+DOC2019年第07期 钦志伟,卢文科,左锋,冯阳
《智能刀具状态监测系统及其应用》PDF+DOC2000年第03期 何友义,揭平英
《刀具状态智能监控技术》PDF+DOC1998年第01期 李小俚,田淑艳,关新平
《基于特征融合的刀具磨损监测方法》PDF+DOC1996年第04期 杨林,李圣怡,梁建成,吴学忠
《神经元网络传感器信息综合用于刀具状态监测》PDF+DOC1991年第07期 David A Dornfeld
,卢冶
《基于支持向量机的气敏传感器阵列信号处理方法》PDF+DOC2005年第08期 汪晓东
《支持向量机技术在智能传感器系统中的应用》PDF+DOC2010年第08期 王晓峰,张菲菲
《基于信息融合与GA-SVM的煤矿瓦斯浓度多传感器预测模型研究》PDF+DOC2013年第09期 郭瑞,徐广璐
为保证监测的准确性,刀具监控系统往往采用多个传感器进行监测并采集数据,导致监测成本的增加。通过对一个传感器的信号数据建立多个信号处理模型,将多个模型的特征进行融合,深度挖掘信号中所蕴含有关刀具磨损的敏感特征,提高监测的准确性,降低成本;同时针对将融合所得特征输入支持向量机(SVM)进行刀具磨损状态的识别时,常需要反复调整惩罚参数c和核函数g的问题,采用遗传算法(GA)对惩罚参数c和核函数g进行优化,减少了SVM模型的搭建时间,提高了SVM的识别准确率。
提示:百度云已更名为百度网盘(百度盘),天翼云盘、微盘下载地址……暂未提供。