企业官网建设流程全解析

动画毕业设计代做网站,网页设计总结与体会200字,杭州手机模板建站,域名备案好了后怎么做网站✅作者简介#xff1a;热爱科研的Matlab仿真开发者#xff0c;擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。#x1f34e; 往期回顾关注个人主页#xff1a;Matlab科研工作室#x1f447; 关注我领取海量matlab电子书和…✅作者简介热爱科研的Matlab仿真开发者擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。 往期回顾关注个人主页Matlab科研工作室 关注我领取海量matlab电子书和数学建模资料个人信条格物致知,完整Matlab代码获取及仿真咨询内容私信。 内容介绍0、DWVD简介DWVD即离散韦格纳分布Discrete Wigner-Ville Distribution是轴承故障诊断领域中一种先进的时频分析技术它基于信号能量分布进行计算。通过评估信号自身的时频相干性DWVD能够生成一张能量高度集中的时频分布图。对于轴承局部损伤例如点蚀、裂纹引发的瞬态冲击响应DWVD展现出卓越的性能它不仅能以极高的时频分辨率精确捕捉每个故障冲击的发生时刻和持续时间还能清晰展现冲击能量集中的共振频带及其调制边带结构在时频面上形成连续且尖锐的时频脊线。这种出色的时频凝聚特性使DWVD对微弱故障极为敏感能够有效揭示被强噪声掩盖的早期故障特征。此外由于DWVD采用无窗设计它克服了短时傅里叶变换中时间分辨率与频率分辨率之间的权衡限制提供了更为真实和精细的信号能量演化视图。这些优势使DWVD非常适合在复杂工况下进行轴承故障的精确诊断不仅能有效识别外圈、内圈、滚动体等部件的特征故障频率还能深入揭示调制现象中的频率成分以及冲击信号的传播特性为故障类型的判定、损伤程度的评估以及故障演化趋势的预测提供丰富且可靠的时频特征依据。本期我们将展示使用DWVD变换对凯斯西储大学CWRU轴承故障数据进行分析诊断的案例如图所示。1、版本及示范数据说明本次分析使用的软件版本为matlab2024a及以上具体代码在24a版本上运行示范数据则采用了凯斯西储大学CWRU提供的10种轴承故障数据。2、重磅发布我们率先提出了一种创新的轴承故障诊断方法即基于改进多尺度卷积神经网络模型DVMGRUDWVD-MCNN-KELM融合时频变换与改进多尺度卷积网络紧跟当前发文热点。该方法结合了“离散韦格纳分布(Discrete Wigner-Ville DistributionDWVD)、多尺度卷积神经网络MCNN以及门控循环网络GRU”的各自优势。其中多尺度卷积神经网络MCNN作为CNN的变体具备比传统CNN更强的特征提取能力。3、当前网络模型介绍当前我们采用的网络模型为DVMGRUDWVD-MCNN-GRU它融合了时频变换与改进多尺度深卷积神经网络的优势。据知网查询截图显示该模型目前尚未被他人使用具有先发优势4、模型详细介绍该模型首先利用时频方法将数据序列转换为二维图像以增强故障特征的可见性随后选用“交叉熵”损失函数作为网络训练的指导标准并合理划分训练集、验证集和测试集。在网络训练过程中通过验证集不断优化模型降低损失确保模型的泛化能力不受影响最后采用T-SNE方法对网络识别前后的效果进行可视化展示。⛳️ 运行结果 部分代码function [Metrics]polygonareametric(ActualLabel, PredictedLabel,isPlot)%%%%% WARNING %%%%%%%%NUMERICALLY LARGER CLASS WILL BE AUTOMATICALLY ASSIGNED AS PositiveClass%THIS IS BECAUSE OF THE FUNCTION OF perfcurve. IT REQUIRES LARGER CLASS AS PositiveClass.% INTRODUCTION:% This study proposes a stable and profound knowledge criterion that allows the performance of a classifier% to be evaluated with only a single metric called as polygon area metric (PAM). This function is not only% calculates PAM value, but also gives Classification Accuracy (CA), Sensitivity (SE), Specificity (SP),% Kappa (K) and F measure metrics.%% CITATION INFORMATION:% Please cite the following paper for the usage of PAM value:% Aydemir O., A New Performance Evaluation Metric for Classifiers: Polygon Area Metric, Journal of Classification, (2020). https://doi.org/10.1007/s00357-020-09362-5%% USAGE OF THE FUNCTION:% INPUTS;% -ActualLabel: Actual label of the trials (samples), 1xN dimension binary labels% -PredictedLabel: Predicted (estimated) label of the trials (samples), 1xN dimension binary labels% -isPlot: A logical value indicating whether the resultant figure will be drawn. Default is true%% OUTPUT;% -Metrics: This struct gives 7 evaluation metrics which are Polygon Area...% (PA), Classification_Accuracy (CA), Sensitivity (SE), Specificity...% (SP), AUC (AUC), Kappa (K), F_measure (F_M), respectively.% AUC: Area under curve value, which should be obtained by Receiver operating characteristic (ROC), 0AUC1%% EXAMPLE;% -ActualLabel[1 1 1 1 1 0 0 0 0];% -PredictedLabel[1 1 1 0 0 0 0 0 1];% -[Metrics]polygonareametric(ActualLabel,PredictedLabel)%Code introductionif nargin2error(You have to supply all required input paremeters, which are ActualLabel, PredictedLabel)endif nargin 3isPlot true;end%plotting the widest polygonA11;A21;A31;A41;A51;A61;a[-A1 -A2/2 A3/2 A4 A5/2 -A6/2 -A1];b[0 -(A2*sqrt(3))/2 -(A3*sqrt(3))/2 0 (A5*sqrt(3))/2 (A6*sqrt(3))/2 0];if isPlotfigureplot(a, b, --bo,LineWidth,1.3)axis([-1.5 1.5 -1.5 1.5]);set(gca,FontName,Times New Roman,FontSize,12);hold on%gridend% Calculating the True positive (TP), False Negative (FN), False Positive...% (FP),True Negative (TN), Classification Accuracy (CA), Sensitivity (SE), Specificity (SP),...% Kappa (K) and F measure (F_M) metricsPositiveClassmax(ActualLabel);NegativeClassmin(ActualLabel);cpclassperf(ActualLabel,PredictedLabel,Positive,PositiveClass,Negative,NegativeClass);CMcp.DiagnosticTable;TPCM(1,1);FNCM(2,1);FPCM(1,2);TNCM(2,2);CAcp.CorrectRate;SEcp.Sensitivity; %TP/(TPFN)SPcp.Specificity; %TN/(TNFP)PrTP/(TPFP);ReTP/(TPFN);F_M2*Pr*Re/(PrRe);FPRFP/(TNFP);TPRTP/(TPFN);KTP/(TPFPFN);[X1,Y1,T1,AUC] perfcurve(ActualLabel,PredictedLabel,PositiveClass);%ActualLabel(1) means that the first class is assigned as positive class%plotting the calculated CA, SE, SP, AUC, K and F_M on polygonx[-CA -SE/2 SP/2 AUC K/2 -F_M/2 -CA];y[0 -(SE*sqrt(3))/2 -(SP*sqrt(3))/2 0 (K*sqrt(3))/2 (F_M*sqrt(3))/2 0];if isPlotplot(x, y, -ko,LineWidth,1)set(gca,FontName,Times New Roman,FontSize,12);% shadowFill(x,y,pi/4,80)fill(x, y,[0.8706 0.9216 0.9804])end%calculating the PAM value% Get the number of verticesn length(x);% Initialize the areap_area 0;% Apply the formulafor i 1 : n-1p_area p_area (x(i) x(i1)) * (y(i) - y(i1));endp_area abs(p_area)/2;%Normalization of the polygon area to one.PAp_area/2.59807;if isPlot%Plotting the Polygonplot(0,0,r)plot([0 -A1],[0 0] ,--ko)text(-A1-0.3, 0,CA,FontWeight,bold,FontName,Times New Roman)plot([0 -A2/2],[0 -(A2*sqrt(3))/2] ,--ko)text(-0.59,-1.05,SE,FontWeight,bold,FontName,Times New Roman)plot([0 A3/2],[0 -(A3*sqrt(3))/2] ,--ko)text(0.5, -1.05,SP,FontWeight,bold,FontName,Times New Roman)plot([0 A4],[0 0] ,--ko)text(A40.08, 0,AUC,FontWeight,bold,FontName,Times New Roman)plot([0 A5/2],[0 (A5*sqrt(3))/2] ,--ko)text(0.5, 1.05,J,FontWeight,bold,FontName,Times New Roman)plot([0 -A6/2],[0 (A6*sqrt(3))/2] ,--ko)text(-0.65, 1.05,FM,FontWeight,bold,FontName,Times New Roman)set(gca,FontName,Times New Roman,FontSize,12);griddaspect([1 1 1])endMetrics.PAPA;Metrics.CACA;Metrics.SESE;Metrics.SPSP;Metrics.AUCAUC;Metrics.KK;Metrics.F_MF_M;categories {澶氳竟褰㈤潰绉疨AM;鍒嗙被鍑嗙‘鐜?;鐏垫晱搴?;鐗瑰紓鎬?;鏇茬嚎涓嬮潰绉疉UC;Kappa绯绘暟; F_measure};printVar cell(7,2);printVar(:,1)categories;printVar(:,2){PA, CA, SE, SP, AUC, K, F_M};disp(棰勬祴缁撴灉鎵撳嵃:)for i1:length(categories)fprintf(%23s: %.2f \n, printVar{i,1}, printVar{i,2})end 参考文献 部分理论引用网络文献若有侵权联系博主删除团队擅长辅导定制多种毕业课题和科研领域MATLAB仿真助力毕业科研梦 各类智能优化算法改进及应用生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划2E-VRP、充电车辆路径规划EVRP、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位 机器学习和深度学习时序、回归、分类、聚类和降维2.1 bp时序、回归预测和分类2.2 ENS声神经网络时序、回归预测和分类2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类2.7 ELMAN递归神经网络时序、回归\预测和分类2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类2.9 RBF径向基神经网络时序、回归预测和分类2.10 DBN深度置信网络时序、回归预测和分类2.11 FNN模糊神经网络时序、回归预测2.12 RF随机森林时序、回归预测和分类2.13 BLS宽度学习时序、回归预测和分类2.14 PNN脉冲神经网络分类2.15 模糊小波神经网络预测和分类2.16 时序、回归预测和分类2.17 时序、回归预测预测和分类2.18 XGBOOST集成学习时序、回归预测预测和分类2.19 Transform各类组合时序、回归预测预测和分类方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断图像处理方面图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知 路径规划方面旅行商问题TSP、车辆路径问题VRP、MVRP、CVRP、VRPTW等、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划EVRP、 双层车辆路径规划2E-VRP、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻 无人机应用方面无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划 通信方面传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配 信号处理方面信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理传输分析去噪、数字信号调制、误码率、信号估计、DTMF、信号检测电力系统方面微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电 元胞自动机方面交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀 雷达方面卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别 车间调度零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP