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 | 石油,地礦,印刷包裝,紡織皮革,制藥 | 重量 | 3kg |
產(chǎn)品簡介
詳細(xì)介紹
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(jī)性以及周期性,其特性表明了對(duì)其進(jìn)行預(yù)測(cè)的可行性與困難性,。通過分析時(shí)間序列數(shù)據(jù),可以挖掘數(shù)據(jù)的周期性、基本趨勢(shì)和關(guān)聯(lián)規(guī)則等有價(jià)值的信息,還能夠?qū)ξ磥碜邉?shì)進(jìn)行預(yù)測(cè),。時(shí)間序列預(yù)測(cè)模型的應(yīng)用范圍十分廣泛,包括電力需求預(yù)測(cè),、金融市場(chǎng)預(yù)測(cè)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(xiǎn),提高時(shí)間序列預(yù)測(cè)的準(zhǔn)確性,都具有的研究價(jià)值和實(shí)用價(jià)值。針對(duì)不同時(shí)間尺度對(duì)時(shí)間序列進(jìn)行預(yù)測(cè),分為細(xì)粒度預(yù)測(cè)和粗粒度預(yù)測(cè),。目前的主要預(yù)測(cè)方法包括統(tǒng)計(jì)學(xué)習(xí)方法,、傳統(tǒng)機(jī)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(shí)際應(yīng)用場(chǎng)景做出組合、調(diào)整,、改進(jìn),。在應(yīng)用領(lǐng)域,預(yù)測(cè)精度每提高一點(diǎn),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(qiáng)大的計(jì)算能力和表達(dá)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(jí)形式的預(yù)測(cè)器,。本文致力于研究神經(jīng)網(wǎng)絡(luò)工作原理,從而對(duì)其進(jìn)行結(jié)構(gòu)調(diào)整和改進(jìn),以及模型組合等工作,建立時(shí)間序列粗粒度和細(xì)粒度預(yù)測(cè)模型,提高時(shí)間序列預(yù)測(cè)精度,。針對(duì)時(shí)間序列的細(xì)粒度預(yù)測(cè)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(cè)結(jié)果,。將數(shù)據(jù)中心能耗預(yù)測(cè)作為具體應(yīng)用場(chǎng)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(shí)驗(yàn)數(shù)據(jù)集,實(shí)驗(yàn)結(jié)果表明LSTM-corr模型的預(yù)測(cè)效果要明顯好于單一的LSTM模型,。針對(duì)時(shí)間序列的粗粒度預(yù)測(cè)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(shì)預(yù)測(cè)方案和基于自編碼器的粗粒度預(yù)測(cè)方案。前者為粗粒度范圍預(yù)測(cè),后者為粗粒度具體值預(yù)測(cè),過標(biāo)定的機(jī)器人,其定位誤差可達(dá)到幾毫米,滿足不了機(jī)器人自動(dòng)化生產(chǎn)的應(yīng)用需求,。為了保證機(jī)器人高效穩(wěn)定地工作,還需要獲取機(jī)器人工具中心點(diǎn)的位置信息,為機(jī)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(jī)器人標(biāo)定與測(cè)量系統(tǒng),完成對(duì)機(jī)器人的標(biāo)定與位置測(cè)量。本文在國內(nèi)外研究現(xiàn)狀與實(shí)際調(diào)研的基礎(chǔ)上論證了該系統(tǒng)的必要性,進(jìn)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(jì)約束條件下,提出了基于拉線編碼器的機(jī)器人標(biāo)定算法與測(cè)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(jī)器人誤差傳遞的一部分,標(biāo)定時(shí)數(shù)據(jù)采集設(shè)備基準(zhǔn)點(diǎn)的計(jì)算與機(jī)器人結(jié)構(gòu)參數(shù)的辨識(shí)過程相互迭代,終實(shí)現(xiàn)機(jī)器人的結(jié)構(gòu)參數(shù)補(bǔ)償,。測(cè)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(jī)器人工具中心點(diǎn)與基站基準(zhǔn)點(diǎn)之間的長度數(shù)據(jù)和基站的坐標(biāo)位置求解被測(cè)點(diǎn)的三維坐標(biāo);系統(tǒng)采用的是站點(diǎn)可動(dòng)式結(jié)構(gòu)布局,測(cè)量前站點(diǎn)基準(zhǔn)點(diǎn)的位置是未知的,初始位置校準(zhǔn)算法建立了測(cè)量系統(tǒng)各個(gè)站點(diǎn)之間坐標(biāo)系模型,通過簡單的校準(zhǔn)過程即可獲得各個(gè)站點(diǎn)位置相對(duì)參考坐標(biāo)系中的變換矩陣.度計(jì)量轉(zhuǎn)臺(tái)的測(cè)量精度,對(duì)轉(zhuǎn)臺(tái)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(tái)的結(jié)構(gòu),設(shè)計(jì)了方便進(jìn)行相互比對(duì)的雙角度編碼器測(cè)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(jìn)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(cè)量系統(tǒng),利用比較法檢測(cè)了兩套編碼器各讀數(shù)頭的單信號(hào)周期測(cè)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(jìn)行測(cè)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(huì)導(dǎo)致投影域遷移問題。此外,目前的零樣本圖像識(shí)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(duì)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(shí)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(xiàng)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(xiàng),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(cè)出未知類樣本的標(biāo)簽,。此算法同時(shí)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(duì)未知類屬性的約束,能緩解投影域遷移問題。第二,為進(jìn)一步提高識(shí)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(shí)別算法(CALC),。首先在源域的自編碼器部分添加一項(xiàng)關(guān)于已知類樣本原型屬性和源域投影矩陣的約束項(xiàng),。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(cè)得到未知類樣本的標(biāo)簽,。與ACAR算法相比,CALC更能提高識(shí)別準(zhǔn)確率,。第三,為了提高對(duì)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(shí)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(cè)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