1031451編碼器的碼率控制及優(yōu)化技術(shù)ARS60-A4M08192序列具有連續(xù)性,隨機性以及周期性,其特性表明了對其進行預(yù)測的可行性與困難性。通過分析時間序列數(shù)據(jù),可以挖掘數(shù)據(jù)的周期性、基本趨勢和關(guān)聯(lián)規(guī)則等有價值的信息,還能夠?qū)ξ磥碜邉葸M行預(yù)測。時間序列預(yù)測模型的應(yīng)用范圍十分廣泛,包括電力需求預(yù)測、金融市場預(yù)測以及現(xiàn)代醫(yī)療診斷等領(lǐng)域,無論是為了獲取商業(yè)利益還是規(guī)避風(fēng)險,提高時間序列預(yù)測的準(zhǔn)確性,都具有的研究價值和實用價值。針對不同時間尺度對時間序列進行預(yù)測,分為細(xì)粒度預(yù)測和粗粒度預(yù)測。目前的主要預(yù)測方法包括統(tǒng)計學(xué)習(xí)方法、傳統(tǒng)機器學(xué)習(xí)方法、前饋神經(jīng)網(wǎng)絡(luò)方法和循環(huán)神經(jīng)網(wǎng)絡(luò)方法等。這些方法都有各自的限制或者需根據(jù)實際應(yīng)用場景做出組合、調(diào)整、改進。在應(yīng)用領(lǐng)域,預(yù)測精度每提高一點,都能帶來巨大的收益。神經(jīng)網(wǎng)絡(luò)擁有通用的逼近能力,強大的計算能力和表達能力,是一種理想的規(guī)則和模式學(xué)習(xí)器,可以用來發(fā)展更高級形式的預(yù)測器。本文致力于研究神經(jīng)網(wǎng)絡(luò)工作原理,從而對其進行結(jié)構(gòu)調(diào)整和改進,以及模型組合等工作,建立時間序列粗粒度和細(xì)粒度預(yù)測模型,提高時間序列預(yù)測精度。針對時間序列的細(xì)粒度預(yù)測問題,本文提出了一種名為LSTM-corr的基于LSTM的修正模型。LSTM-corr是在LSTM的基礎(chǔ)上添加了一層用于校正LSTM結(jié)果的前饋神經(jīng)網(wǎng)絡(luò)校正層,從而提供更更穩(wěn)定的預(yù)測結(jié)果。將數(shù)據(jù)中心能耗預(yù)測作為具體應(yīng)用場景,利用數(shù)據(jù)中心仿真器GreenCloud產(chǎn)生的數(shù)據(jù)中心能耗序列作為實驗數(shù)據(jù)集,實驗結(jié)果表明LSTM-corr模型的預(yù)測效果要明顯好于單一的LSTM模型。針對時間序列的粗粒度預(yù)測問題,本文提出了兩種方案:基于神經(jīng)網(wǎng)絡(luò)語言模型的趨勢預(yù)測方案和基于自編碼器的粗粒度預(yù)測方案。前者為粗粒度范圍預(yù)測,后者為粗粒度具體值預(yù)測,過標(biāo)定的機器人,其定位誤差可達到幾毫米,滿足不了機器人自動化生產(chǎn)的應(yīng)用需求。為了保證機器人高效穩(wěn)定地工作,還需要獲取機器人工具中心點的位置信息,為機器人的性能分析提供數(shù)據(jù)依據(jù)。因此本文開發(fā)了基于拉線編碼器的工業(yè)機器人標(biāo)定與測量系統(tǒng),完成對機器人的標(biāo)定與位置測量。本文在國內(nèi)外研究現(xiàn)狀與實際調(diào)研的基礎(chǔ)上論證了該系統(tǒng)的必要性,進而確定系統(tǒng)的數(shù)據(jù)采集方案與總體結(jié)構(gòu)布局;隨后在系統(tǒng)總體方案的設(shè)計約束條件下,提出了基于拉線編碼器的機器人標(biāo)定算法與測量算法。標(biāo)定算法將數(shù)據(jù)采集設(shè)備的位置當(dāng)作機器人誤差傳遞的一部分,標(biāo)定時數(shù)據(jù)采集設(shè)備基準(zhǔn)點的計算與機器人結(jié)構(gòu)參數(shù)的辨識過程相互迭代,終實現(xiàn)機器人的結(jié)構(gòu)參數(shù)補償。測量算法主要包含了坐標(biāo)求解與初始位置校準(zhǔn)兩部分。坐標(biāo)求解算法是根據(jù)采集到的機器人工具中心點與基站基準(zhǔn)點之間的長度數(shù)據(jù)和基站的坐標(biāo)位置求解被測點的三維坐標(biāo);系統(tǒng)采用的是站點可動式結(jié)構(gòu)布局,測量前站點基準(zhǔn)點的位置是未知的,初始位置校準(zhǔn)算法建立了測量系統(tǒng)各個站點之間坐標(biāo)系模型,通過簡單的校準(zhǔn)過程即可獲得各個站點位置相對參考坐標(biāo)系中的變換矩陣.度計量轉(zhuǎn)臺的測量精度,對轉(zhuǎn)臺所用編碼器分度誤差與細(xì)分誤差的校準(zhǔn)展開研究。首先,介紹了轉(zhuǎn)臺的結(jié)構(gòu),設(shè)計了方便進行相互比對的雙角度編碼器測角系統(tǒng)并描述了其多讀數(shù)頭布置方式。然后,基于直接比較法與自校準(zhǔn)法進行了雙編碼器分度誤差的快速、高精度校準(zhǔn)。后,借助精密電容式位移傳感器測量系統(tǒng),利用比較法檢測了兩套編碼器各讀數(shù)頭的單信號周期測量誤差。校準(zhǔn)結(jié)果顯示:采用雙讀數(shù)頭均布的套編碼器的分度誤差為±0.27″,細(xì)分誤差在±0.1″以內(nèi);基于四讀數(shù)頭均布方式進行測量的第二套編碼器分度誤差.

1031451編碼器的碼率控制及優(yōu)化技術(shù)ARS60-A4M08192已知類樣本集和未知類樣本集在樣本分布上的差異性,會導(dǎo)致投影域遷移問題。此外,目前的零樣本圖像識別模型用樣本所屬類別的原型屬性當(dāng)做樣本的屬性,導(dǎo)致類內(nèi)樣本屬性多樣性下降,限制了模型的泛化能力。針對上述問題,本文的主要研究內(nèi)容如下:為了緩解投影域遷移問題,本文提出基于屬性約束自編碼器的零樣本圖像識別算法（ACAR）。首先,利用自編碼器在源域中訓(xùn)練得到已知類樣本的特征到屬性空間的投影矩陣。然后,在目標(biāo)域中使用自編碼器,通過添加投影矩陣的約束項將源域的自編碼器和目標(biāo)域的自編碼器關(guān)聯(lián)起來。并且在目標(biāo)域的自編碼器中添加未知類樣本的屬性約束項,通過迭代算法得到未知類別樣本的屬性。后,利用余弦相似性預(yù)測出未知類樣本的標(biāo)簽。此算法同時利用源域的樣本信息和目標(biāo)域的樣本信息來學(xué)習(xí)投影矩陣,結(jié)合對未知類屬性的約束,能緩解投影域遷移問題。第二,為進一步提高識別準(zhǔn)確率,本文在ACAR算法的基礎(chǔ)上提出基于雙自編碼器的零樣本圖像識別算法（CALC）。首先在源域的自編碼器部分添加一項關(guān)于已知類樣本原型屬性和源域投影矩陣的約束項。然后結(jié)合CALC算法求出未知類樣本的屬性。后通過余弦相似性預(yù)測得到未知類樣本的標(biāo)簽。與ACAR算法相比,CALC更能提高識別準(zhǔn)確率。第三,為了提高對樣本屬性刻畫的準(zhǔn)確度,本文提出基于樣本屬性自編碼器的零樣本圖像識別算法（TALC）。首先,利用自編碼器在源域中學(xué)習(xí)出已知類別樣本的屬性。然后,用學(xué)出的樣本屬性替換該樣本類原型屬性,利用CALC算法求出未知類別樣本的屬性。后,利用余弦相似性預(yù)測得到未知類樣本的標(biāo)簽。該算法利用自編碼器在源域中學(xué)習(xí)樣本的屬性,將CALC算法中源域原型屬性替換為樣本屬性,從而提高了模型.

1031448 ARS60-A4K08192                                              

1031449 ARS60-A4B08192                                              

1031450 ARS60-A4L08192                                              

1031451 ARS60-A4M08192                                              

1031452 ARS60-A4T08192                                              

1031453 ARS60-A1A08192                                              

1031454 ARS60-A1K08192                                              

1031455 ARS60-A1B08192                                              

1031456 ARS60-A1M08192                                              

1031457 ARS60-AAK08192                                              

1031458 ARS60-AAA08192                                              

1031459 ARS60-AAB08192                                              

1031461 ARS60-AAM08192                                              

1031466 ARS60-ADA08192                                              

1031468 ARS60-ADL08192                                              

1031469 ARS60-ADM08192                                              

1031471 ARS60-ADK08192                                              

1031473 ARS60-AAB08196                                              

1031474 ARS60-ADA09000                                              

1031475 ARS60-A4A10000                                              

1031476 ARS60-A4A12800                                              

1031477 ARS60-AAA14400                                              

1031478 ARS60-A4A16384                                              

1031479 ARS60-A1A16384                                              

1031480 ARS60-A1M16384                                              

1031481 ARS60-AAA16384                                              

1031482 ARS60-ADA16384                                              

1031483 ARS60-A1A18000                                              

1031484 ARS60-A4A18080                                              

1031485 ARS60-ADM22528                                              

1031486 ARS60-A4A32767                                              

1031487 ARS60-A4R32767                                              

1031488 ARS60-A1A32767                                              

1031489 ARS60-A1R32767                                              

1031490 ARS60-AAA32767