CN110196358A - 基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法 - Google Patents

基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法 Download PDF

Info

Publication number
CN110196358A
CN110196358A CN201910501269.0A CN201910501269A CN110196358A CN 110196358 A CN110196358 A CN 110196358A CN 201910501269 A CN201910501269 A CN 201910501269A CN 110196358 A CN110196358 A CN 110196358A
Authority
CN
China
Prior art keywords
input variable
fabric
shield effectiveness
learning machine
extreme learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910501269.0A
Other languages
English (en)
Other versions
CN110196358B (zh
Inventor
杨雅岚
王建萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Donghua University
National Dong Hwa University
Original Assignee
Donghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Donghua University filed Critical Donghua University
Priority to CN201910501269.0A priority Critical patent/CN110196358B/zh
Publication of CN110196358A publication Critical patent/CN110196358A/zh
Application granted granted Critical
Publication of CN110196358B publication Critical patent/CN110196358B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
    • G01R29/08—Measuring electromagnetic field characteristics
    • G01R29/0807—Measuring electromagnetic field characteristics characterised by the application
    • G01R29/0814—Field measurements related to measuring influence on or from apparatus, components or humans, e.g. in ESD, EMI, EMC, EMP testing, measuring radiation leakage; detecting presence of micro- or radiowave emitters; dosimetry; testing shielding; measurements related to lightning
    • G01R29/0835—Testing shielding, e.g. for efficiency
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
    • G01R29/08—Measuring electromagnetic field characteristics
    • G01R29/0864—Measuring electromagnetic field characteristics characterised by constructional or functional features
    • G01R29/0892—Details related to signal analysis or treatment; presenting results, e.g. displays; measuring specific signal features other than field strength, e.g. polarisation, field modes, phase, envelope, maximum value

Landscapes

  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • General Physics & Mathematics (AREA)
  • Shielding Devices Or Components To Electric Or Magnetic Fields (AREA)
  • Treatment Of Fiber Materials (AREA)

Abstract

本发明涉及一种基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法，包括以下步骤：筛选输入变量因子；确定预测模型的输入变量组合；确定输出变量；采用极限学习机算法，以输入变量组合为输入，输出变量为输出建立混纺型金属纤维织物屏蔽效能预测模型；将得到的预测模型对织物的屏蔽效能进行预测。本发明能够快速、精确地预测织物屏蔽效能。

Description

基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法
技术领域
本发明涉及织物屏蔽效能检测技术领域，特别是涉及一种基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法。
背景技术
近年来，金属纤维混纺织物由于其理想的屏蔽效果、良好的服用性能以及低成本，广泛应用于军事、民用及其他领域，具有重要的现实意义和实用价值。屏蔽效能(dB)作为织物对电磁波屏蔽作用的评价指标，一般通过实验测试获得。然而，评价电磁屏蔽织物设计质量的测量需要较长时间的样品制备过程，测试周期较长。此外，测试成本高，所采用的测量方法对测试结果影响较大。基于此，建立有效的电磁屏蔽织物屏蔽效能计算模型进行织物屏蔽效能的预测至关重要。
目前，现有的织物屏蔽效能的数学计算模型多是采用时域有限差分法(FDTD)、矩量法(MoM)、有限元法(FEM)和混合方法等多种数值方法以及等效电路技术，然而上述这些方法在忽略纱线间阻抗基础上以织物孔隙参数、电磁参数和电磁波频率为输入变量进行计算，计算过程复杂。同时，织物孔隙的参数包括导电纤维间的孔隙及纱线间的孔隙，难以精确计算。此外，织物的电磁参数在测试过程中也较易因实验设备和操作产生误差。因而，如何建立简便、快捷、高精度的织物屏蔽效能计算模型进行屏蔽效能的预测亟待解决。
发明内容
本发明所要解决的技术问题是提供一种基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法，能够快速、精确地预测织物屏蔽效能。
本发明解决其技术问题所采用的技术方案是：提供一种基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法，包括以下步骤：
(1)筛选输入变量因子：采用文献研究法总结影响织物屏蔽效能的织物结构参数，将具有显著性影响的织物结构参数作为输入变量因子；
(2)确定预测模型的输入变量组合：在筛选出的输入变量因子中，将重复表达织物特征的输入变量因子确定为待筛选输入变量因子，剩余的输入变量因子确定为确定输入变量因子；通过排列组合，形成多种输入变量组合，并以输入变量组合的精简度及普适性确定预测模型的输入变量组合；
(3)确定输出变量：确定电磁波频率范围，选择不同频率点的屏蔽效能确定为输出变量；
(4)采用极限学习机算法，以步骤(2)中得到的输入变量组合为输入，以步骤(3)得到的输出变量为输出建立混纺型金属纤维织物屏蔽效能预测模型；
(5)将得到的预测模型对织物的屏蔽效能进行预测。
所述步骤(1)中将织物覆盖系数、织物组织、经纬密差值、织物厚度、金属纤维含量、纱线较小排列密度、纱线较大排列密度确定为输入变量因子
所述步骤(2)中将纱线较大排列密度、纱线较小排列密度、织物覆盖系数和经纬密差值作为待筛选输入变量因子，将织物组织、织物厚度、金属纤维含量作为确定输入变量因子；
所述步骤(4)中的极限学习机算法包括输入层、隐含层和输出层，其中，输入和输出之间的关系表示为其中，xj为极限学习机算法的输入，wi为输入层和第i个隐含层神经元之间的连接权值，bi为第i个隐含层神经元的阈值，L为隐含层的神经元个数，βi为第i个隐含层神经元和输出层之间的连接权值，yj为极限学习机算法的实际输出，g(·)为隐含层神经元的激励函数，通过训练极限学习机算法使得极限学习机算法的实际输出零误差逼近期望输出，得到预测模型。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明通过建立以织物结构参数为输入变量的混纺型金属纤维织物屏蔽效能的预测模型，实现织物屏蔽效能快速、精确预测，可以为企业电磁屏蔽织物的生产开发提供依据，也可为织物屏蔽效能数学计算模型的建立提供参考，同时也可以扩展神经网络在电磁屏蔽织物领域的应用。
附图说明
图1是本发明中建立预测模型的实施流程图；
图2A是极限学习机算法的网络结构图；
图2B是极限学习机算法的神经元计算模型图；
图3A是实施例中模型1的屏蔽效能实测值与预测值对比图
图3B是实施例中模型2的屏蔽效能实测值与预测值对比图；
图4A是模型1的屏蔽效能实测值与预测值的相关性示意图；
图4B是模型2的屏蔽效能实测值与预测值的相关性示意图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法，包括以下步骤：
1.确定输入变量因子
混纺型金属纤维织物屏蔽效能的影响因素的大量研究表明，织物覆盖系数、纱线排列密度、导电纤维含量、纱线类型、纱线直径、织物组织、经纬密差值为普遍认可的织物屏蔽效能的影响因素。此外，可用来计算有孔金属板、金属网屏蔽效能的较为实用计算公式中采用孔隙的长边长度来计算屏蔽效能，因而本实施方式将决定孔隙尺寸的纱线经纬方向排列密度因素又分成纱线较小排列密度和纱线较大排列密度。最终，本实施方式在纱线类型、纱线直径固定的情况下，将织物覆盖系数(CF)、织物组织(WT)、经纬密差值(△P)、织物厚度(t)、金属纤维含量(CSS)、纱线较小排列密度(PL)、纱线较大排列密度(PB)等七个因素确定为输入变量因子。
2.确定输入变量
由于纱线较大排列密度(PB)、纱线较小排列密度(PL)、织物覆盖系数(CF)、经纬密差值(△P)等4个因素之间关系紧密，且共同表达了织物松紧、孔隙以及导电性能的情况，故将该4个因素作为待筛选输入变量因子。织物组织(WT)、织物厚度(t)、金属纤维含量(CSS)等3个因素作为确定输入变量因子。
输入变量中的织物组织为定性因素，为了方便定量计算，将1/1平纹、2/1斜纹、5/3缎纹、2/2方平织物等四种组织结构类型按照最长浮长线下纱线的根数分别定义为1、2、4、2。由于2/1斜纹组织与2/2方平组织数值相同，而在实际中两种织物组织存在差异，斜纹组织更为紧密，故将2/1斜纹组织重新定义为1.5。
将待筛选输入变量与确定输入变量进行排列组合，共形成13种输入变量组合，见图1中的输入变量组合。变量组合1-变量组合5分别包含3个以上待筛选输入变量因子，部分因子间重复表达了织物特征，输入变量组合不够精简，进而会导致预测模型复杂及预测精度降低，故剔除。
变量组合10-变量组合13包含1个待筛选输入变量因子，待筛选输入变量因子较少，即使构建的预测模型精度高，但存在无法全面体现织物特征从而导致预测模型的普适性降低的问题，故剔除。变量组合6-变量组合9包含2个待筛选输入变量因子，但变量组合7仅包含纱线排列密度，存在纱线直径未知时无法体现织物松紧程度的问题，导致普适性程度低，故剔除。对比输入变量组合8和组合9，两个输入变量组合的区别为包含的待筛选因子分别为纱线较大排列密度和纱线较小排列密度，综合考虑有孔金属板、金属网屏蔽效能较实用的计算公式常采用孔隙较大边长，认为决定孔隙长边长度的较小排列密度(PL)对织物屏蔽效能模型的建立更为重要，故剔除输入变量组合8。本实施方式根据变量组合的精简度和普适性选定输入变量组合6和组合9为较优变量组合，并将2组输入变量组合作为预测模型的输入变量组合。
3.确定输出变量
由于频率点较多，本实施方式将频率范围缩减为日常生活常见电磁波频率范围0-3000MHz，并进一步以500MHz为间隔确定500MHz、1000MHz、1500MHz、2000MHz、2500MHz、3000MHz等六个频率点的屏蔽效能作为输出变量。
4.建立基于极限学习机(ELM)的混纺型金属纤维织物屏蔽效能预测模型
本实施方式中的极限学习机(ELM)算法由输入层、隐含层和输出层三部分组成，其神经网络结构及神经元计算模型如图2A和2B所示。对于N个训练样本(xi,t)，xi＝[xi1,xi2···xin]∈Rn为输入样本，ti＝[ti1,ti2···tim]∈Rm为网络的期望输出。输入层神经元个数为n，隐含层神经元个数为L，输出层神经元个数为m，则输入和输出之间的关系可表示为：
式中wi＝[wi1,wi2···win]T是输入层和第i个隐含层神经元之间的连接权值，bi为第i个隐含层神经元的阈值，βi＝[βi1,βi2···βim]T是第i个隐含层神经元和输出层之间的连接权值，即输出权值。yj＝[yj1,yj2···yjm]表示网络的实际输出。g(x)为隐含层神经元的激励函数，可以采用RBF，Sine或Sigmoid等函数。训练ELM使得样本实际输出零误差逼近期望输出，即：
也就是说，存在βi,wi和bi使得
上式进一步写成矩阵形式：
Hβ＝T (4)
其中，H，β和T分别为：
式(4)和(5)中H是隐含层输出矩阵，Hij表示对应于输入xi的第j个隐含层神经元的输出。由于wi和bi都是随机产生而不是通过训练产生的，其值一经产生隐含层输出矩阵H的各元素都为确定值，即H为一个确定的矩阵。同时，因为T为已知值，极限学习机(ELM)的学习过程就是根据线性系统Hβ＝T求解β的最小范数最小二乘解：
其中，H+为隐含层输出矩阵H的Moore-Penrose广义逆。
如图1所示，本实施方式以不同频率织物的屏蔽效能为输出变量，以筛选出的较优输入变量组合6和组合9为输入变量组合，采用极限学习机(ELM)算法，与2组输入变量组合一一对应分别建立混纺型金属纤维织物屏蔽效能预测模型1和模型2。
通过得到的模型1和模型2可以对混纺型金属纤维织物屏蔽效能进行预测。预测精度采用R2，RMSE，MAPE(％)等指标确定，见公式(8)-(10)。
式中，tj为测试值，yj为预测值，N为数据点个数，为测试值的均值。
下面通过一个具体的实施例来进一步说明本发明。
1.实验织物制备
实验纱线选用常见的不锈钢/棉/涤纶混纺纱，不锈钢含量分别为25％、30％，纱线密度为21×3s。采用SGA598半自动织样机共织造了77种实验织物(织物覆盖系数范围在50％-100％之间)。
2.输入变量参数的测量
采用织物厚度测试仪、YG511B型密度镜分别测定织物厚度及经纬密，采用VHX-600E数字式三维测量观测系统测定纱线直径，并计算织物的覆盖系数。
3.输出变量参数的测试
选用DR-S02平面材料屏蔽效能测试仪(鼎容电子技术有限公司)，对实验织物进行屏蔽效能的测试。该仪器采用法兰同轴法按远场同轴线测量平面材料的屏蔽效能，电磁波频率范围为10MHz-3000MHz。选择500MHz、1000MHz、1500MHz、2000MHz、2500MHz、3000MHz等六个频率点的屏蔽效能值作为输出变量参数。
3.建立基于极限学习机(ELM)的混纺型金属纤维织物屏蔽效能预测模型
基于极限学习机(ELM)算法的混纺型金属纤维织物屏蔽效能预测模型的构建过程通过Matlab 2018a软件编写程序计算实现。
模型1的输入变量为织物覆盖系数、经纬密差值、金属纤维含量、织物厚度、织物组织类型，模型2的输入变量为覆盖系数、较小纱线排列密度、金属纤维含量、织物厚度、织物组织类型。2个模型的输出变量均为6个，具体为500MHz、1000MHz、1500MHz、2000MHz、2500MHz、3000MHz等六个频率点的屏蔽效能。
按照80％训练和20％测试样本的比例对77个实验样本进行划分，确定训练样本及测试样本的个数分别为62和15。为了更加准确的进行模型的预测，预测模型建立前将数据归一化到[0-1]，归一化的结果由公式(11)确定。
2个模型通过试错法确定极限学习机(ELM)算法中隐藏函数的个数均为20。同样，根据试错法确定该神经网络的激活函数为sig函数，其表达式见公式(12)。
(3)计算模型预测精度
2个预测模型的精度指标RMSE、R2及MAPE值见表1，结果显示2个模型均表现出较好的预测精度。为了直观的展现两组模型的预测能力，进一步对两个模型实测值与模拟值进行对比和相关性分析，结果见图3A、图3B、图4A和图4B。结果表明，2个预测模型的实测值和预测值差别较小，相关系数R2均约等于0.93。
表1预测模型的RMSE、R2及MAPE值
实例验证，基于极限学习机(ELM)算法，以织物结构参数为输入变量的混纺型金属纤维织物屏蔽效能预测模型，输入变量值易获得，模型的预测精度高，预测过程简便、快速，对混纺型金属纤维织物的开发具有指导意义。同时，对于织物屏蔽效能数学模型的建立具有参考价值，也可拓展神经网络在织物屏蔽效能评价领域的应用。

Claims (4)

1.一种基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法，其特征在于，包括以下步骤：
(1)筛选输入变量因子：采用文献研究法总结影响织物屏蔽效能的织物结构参数，将具有显著性影响的织物结构参数作为输入变量因子；
(2)确定预测模型的输入变量组合：在筛选出的输入变量因子中，将重复表达织物特征的输入变量因子确定为待筛选输入变量因子，剩余的输入变量因子确定为确定输入变量因子；通过排列组合，形成多种输入变量组合，并以输入变量组合的精简度及普适性确定预测模型的输入变量组合；
(3)确定输出变量：确定电磁波频率范围，选择不同频率点的屏蔽效能确定为输出变量；
(4)采用极限学习机算法，以步骤(2)中得到的输入变量组合为输入，以步骤(3)得到的输出变量为输出建立混纺型金属纤维织物屏蔽效能预测模型；
(5)将得到的预测模型对织物的屏蔽效能进行预测。
2.根据权利要求1所述的基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法，其特征在于，所述步骤(1)中将织物覆盖系数、织物组织、经纬密差值、织物厚度、金属纤维含量、纱线较小排列密度、纱线较大排列密度确定为输入变量因子。
3.根据权利要求2所述的基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法，其特征在于，所述步骤(2)中将纱线较大排列密度、纱线较小排列密度、织物覆盖系数和经纬密差值作为待筛选输入变量因子，将织物组织、织物厚度、金属纤维含量作为确定输入变量因子。
4.根据权利要求1所述的基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法，其特征在于，所述步骤(4)中的极限学习机算法包括输入层、隐含层和输出层，其中，输入和输出之间的关系表示为其中，xj为极限学习机算法的输入，wi为输入层和第i个隐含层神经元之间的连接权值，bi为第i个隐含层神经元的阈值，L为隐含层的神经元个数，βi为第i个隐含层神经元和输出层之间的连接权值，yj为极限学习机算法的实际输出，g(·)为隐含层神经元的激励函数，通过训练极限学习机算法使得极限学习机算法的实际输出零误差逼近期望输出，得到预测模型。
CN201910501269.0A 2019-06-11 2019-06-11 基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法 Active CN110196358B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910501269.0A CN110196358B (zh) 2019-06-11 2019-06-11 基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910501269.0A CN110196358B (zh) 2019-06-11 2019-06-11 基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法

Publications (2)

Publication Number Publication Date
CN110196358A true CN110196358A (zh) 2019-09-03
CN110196358B CN110196358B (zh) 2021-08-10

Family

ID=67754334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910501269.0A Active CN110196358B (zh) 2019-06-11 2019-06-11 基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法

Country Status (1)

Country Link
CN (1) CN110196358B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523273A (zh) * 2020-04-16 2020-08-11 安徽中邦特种电缆科技有限公司 一种扁形防波套计算方法
CN111707895A (zh) * 2020-06-22 2020-09-25 合肥博雷电气有限公司 一种基于机器学习的电磁环境复杂度评估方法及系统
CN113128054A (zh) * 2021-04-21 2021-07-16 重庆邮电大学 一种基于机器学习的电子设备屏蔽效能评估方法及装置
CN113779867A (zh) * 2021-08-13 2021-12-10 一汽奔腾轿车有限公司 一种圆形孔金属板屏蔽效能预测方法、系统、终端及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200268A (zh) * 2014-09-03 2014-12-10 辽宁大学 一种基于粒子群优化极限学习机的带钢出口厚度预测方法
CN106149162A (zh) * 2016-08-24 2016-11-23 中央军委后勤保障部军需装备研究所 一种具有导电性周期结构的电磁屏蔽织物及制备方法
CN106651012A (zh) * 2016-12-02 2017-05-10 东华大学 一种基于改进极限学习机的作物蒸腾量预测方法
CN106951995A (zh) * 2017-03-22 2017-07-14 华东交通大学 一种超高压输电电场极限学习机预测多目标优化屏蔽方法
CN109242194A (zh) * 2018-09-25 2019-01-18 东北大学 一种基于混合模型的浓密机底流浓度预测方法
CN109342263A (zh) * 2018-11-13 2019-02-15 江南大学 一种基于多孔介质的织物建模方法及其应用

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200268A (zh) * 2014-09-03 2014-12-10 辽宁大学 一种基于粒子群优化极限学习机的带钢出口厚度预测方法
CN106149162A (zh) * 2016-08-24 2016-11-23 中央军委后勤保障部军需装备研究所 一种具有导电性周期结构的电磁屏蔽织物及制备方法
CN106651012A (zh) * 2016-12-02 2017-05-10 东华大学 一种基于改进极限学习机的作物蒸腾量预测方法
CN106951995A (zh) * 2017-03-22 2017-07-14 华东交通大学 一种超高压输电电场极限学习机预测多目标优化屏蔽方法
CN109242194A (zh) * 2018-09-25 2019-01-18 东北大学 一种基于混合模型的浓密机底流浓度预测方法
CN109342263A (zh) * 2018-11-13 2019-02-15 江南大学 一种基于多孔介质的织物建模方法及其应用

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
石风俊等: "影响金属纤维混纺织物屏蔽效能因素初探", 《毛纺科技》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523273A (zh) * 2020-04-16 2020-08-11 安徽中邦特种电缆科技有限公司 一种扁形防波套计算方法
CN111523273B (zh) * 2020-04-16 2023-05-05 安徽中邦特种电缆科技有限公司 一种扁形防波套生产参数计算方法
CN111707895A (zh) * 2020-06-22 2020-09-25 合肥博雷电气有限公司 一种基于机器学习的电磁环境复杂度评估方法及系统
CN113128054A (zh) * 2021-04-21 2021-07-16 重庆邮电大学 一种基于机器学习的电子设备屏蔽效能评估方法及装置
CN113779867A (zh) * 2021-08-13 2021-12-10 一汽奔腾轿车有限公司 一种圆形孔金属板屏蔽效能预测方法、系统、终端及存储介质

Also Published As

Publication number Publication date
CN110196358B (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN110196358A (zh) 基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法
Joglekar et al. Modeling of 3D woven composites using the digital element approach for accurate prediction of kinking under compressive loads
Delerue et al. Pore network modeling of permeability for textile reinforcements
Heinzl et al. Star: Visual computing in materials science
CN109191423B (zh) 一种基于机器图像智能学习的多孔介质渗透率预测方法
CN109389145A (zh) 基于计量大数据聚类模型的电能表生产厂商评价方法
CN105005675A (zh) 基于多目标遗传算法的复合绝缘子电场优化方法
Semnani et al. Improvement of intelligent methods for evaluating the apparent quality of knitted fabrics
CN109241649B (zh) 一种基于决策树模型的纤维丝性能检测方法及系统
CN104200009B (zh) 一种多层电路结构高密度布线的可视化交互仿真方法
CN113536662B (zh) 基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法
Burd et al. Dual-high-frequency VLBI study of blazar-jet brightness-temperature gradients and collimation profiles
Mattfeldt et al. Estimation of the directional distribution of spatial fibre processes using stereology and confocal scanning laser microscopy
CN116933152B (zh) 一种基于多维emd-pso-lstm神经网络的海浪信息预测方法及系统
CN109635931A (zh) 一种基于深度信念网的设备运行状态评价方法
CN117113852A (zh) 基于电气、化学、结构、振动参量的gis寿命预测方法
Ezazshahabi et al. Modelling of surface roughness based on geometrical parameters of woven fabrics
CN110020790A (zh) 一种xlpe电力电缆运行状态的评估方法
CN115099699A (zh) 一种基于mabac综合算法的海岸侵蚀强度评价方法
CN112560312B (zh) 结构缺陷识别的拓扑优化方法
Ben Youssef A visualization tool of 3-D time-varying data for the simulation of tissue growth
Liu et al. Parameter description of the surface metal fiber arrangement of electromagnetic shielding fabric
Chen et al. Gearbox fault diagnosis classification with empirical mode decomposition based on improved long short-term memory
Maclean et al. Coronal magnetic topologies in a spherical geometry II. Four balanced flux sources
Estévez et al. Cytological breast fine needle aspirate images analysis with a genetic fuzzy finite state machine

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant