针对传统生物实验室自动化程度低、效率低的问题,提出一种基于YOLOv5s的细胞培养板分类识别算法—YOLOv5s-tiny。首先通过多尺度同态滤波颜色恢复算法对输入端图像进行预处理,提高了图像的成像效果;在考虑实验场景的情况下对小目标的检测层进行剪枝;使用深度可分离卷积代替普通卷积,减少了模型的参数量,提高了运算速度;采用距离交互比损失函数及软化非极大值抑制算法,加快了收敛速度,提高了边界框的准确率;加入卷积块注意力机制,解决了检测过程中局部遮挡和漏检问题;最后,使用YOLOv5s-tiny算法对细胞培养板进行实验。通过与原始YOLOv5s算法比较,验证该算法能快速、准确的对细胞培养板进行分类识别,准确率和召回率分别提高了4.5%和1.4%,提高了生物实验室的工作效率。

在对产品进行测量检验时，误差总是不可避免的，因此经常会发生误收和误废。误收会对产品的质量产生不良影响；误废则造成经济损失。合理控制误收和误废，对于产品质量的可靠性和制造的经济性是很重要的。通过对损失函数泰勒展开式的分析，可知由测量误差所造成的质量或成本损失Ｌ（ｘ）是方差α＾２的函数。本文针对田口玄一先生在公式Ｌ（ｘ）－ｋα＾２中求解ｋ值方法，提出了探讨意见，并采用损失函数的计算及成本的核算对不同的测量方法进行了优劣比较。

讨论了用连续Ｈｏｐｆｉｅｌｄ神经网络实现最小二乘（ＬＳ）法同时求损失函数及辨识参数，进而对该网络的一次输入的矩阵参数进行多阶次辨识的计算，通过中一维输入矩阵使用构成计算所需要的结构，及根据最小二乘法结构上的特点对该网络的反馈信息加以控制的手段，使该网络在稳定时，能够同时输出的辨识参数及损失函数。依此顺序对反馈信号进行控制，可以依次得到低于输入阶次的各阶辨识参数及损失函数。

针对长短时记忆网络(Long Short Term Memory,LSTM)处理大数据集时运行时间长、存在维数灾难的问题,提出基于能量熵和CL-LSTM(Long Short Term Memory Network with Center Loss)的智能故障诊断模型。利用自适应白噪声的完整集合经验模态分解对原始信号进行分解;结合相关系数筛选IMF分量并计算其能量熵作为新样本输入到LSTM中,增强了样本间的差异性,减小了数据维度。将中心损失引入Softmax损失中,使类内距离更小,进一步提高分类精度。利用西储大学轴承数据集进行实验,验证了所提方法在识别滚动轴承故障状态时准确率高、稳定性好。

矿用液压泵故障种类较多,其分类过程一直存在无明确标签特征量化,导致故障诊断精准性较差的问题。对此提出应用贝叶斯分类器的矿用液压泵故障分级诊断方法,采用动态统计滤波计算矿用液压泵运行过程中的正常数据、噪声数据的特征性相关值,根据噪声和其他数据信息量不同的特点,离散噪声数据以达到过滤的目的。考虑到矿用液压泵故障数据集中存在无特征标签的问题,为避免混淆,划分无特征标签数据状态,计算二者属于同种类别的概率值,并采用损失

对轴向柱塞泵故障特征信息的研究有助于辅助完成轴向柱塞泵故障类型的鉴别和分类。从轴向柱塞泵的所有故障中，选出两种典型故障：缸体与配流盘磨损、柱塞滑履松动。从轴向柱塞泵原始振动信号中提取这两种故障特征的数据，经过小波包变换、数学变换以及遗传算法和偏最小二乘回归相结合（GA—PLS）特征选择后，确定最优的故障特征集。为了解决训练时间较长及权重调整过适应等问题，提出一种基于均匀分布权重和指数损失函数的改进型AdaBoost算法。分别使用AdaBoostM1，改进型AdaBoost构建分类模型比较其分类效果。结果表明：改进型AdaBoost使用仅含有少量的特征组成的最优特征集，可以得到较好的分类结果。

对液压传动系统进行状态监测，可以保证和提高液压传动系统可靠性，而液压传动系统的故障往往经历一个从产生到发展、从轻微到严重的渐变过程，因此尽早识别轻微故障，对于提高液压系统的安全性具有重要的意义。如支持向量机可以在这个领域能发挥很重要的作用。研究了基于振动的液压传动系统的状态监测方法，利用支持向量机（Support Vector Machine，简称SVM）获得各个样本的后验概率信息，然后通过引入损失函数。使诊断决策的平均损失达到最小。模拟液压泵故障实验证明了该方法的有效性。