• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于Bi-LSTM的質(zhì)量控制圖模式識(shí)別

    2019-10-08 08:34:58伍常亮朱波萬(wàn)育微趙晟然
    軟件 2019年7期
    關(guān)鍵詞:并行計(jì)算深度學(xué)習(xí)

    伍常亮 朱波 萬(wàn)育微 趙晟然

    摘? 要: 為提高制造過(guò)程質(zhì)量智能控制的控制效果,提出了一種基于雙向長(zhǎng)短時(shí)間記憶網(wǎng)絡(luò)(Bidirectional LSTM,Bi-LSTM)的控制圖失控模式識(shí)別方法。文中分析了其分類(lèi)的基本原理,構(gòu)建了控制圖模式識(shí)別模型,并通過(guò)蒙特卡洛仿真方法生成仿真數(shù)據(jù)集,進(jìn)行仿真實(shí)驗(yàn)驗(yàn)證。仿真實(shí)驗(yàn)結(jié)果表明,Bi-LSTM用于控制圖模式識(shí)別,準(zhǔn)確率相對(duì)多層感知機(jī)(MLP)、貝葉斯分類(lèi)器有了顯著提升,相比支持向量機(jī)(SVM)具有效率上的明顯優(yōu)勢(shì),且在大樣本下識(shí)別準(zhǔn)確率更高。

    關(guān)鍵詞: 控制圖模式識(shí)別;深度學(xué)習(xí);雙向長(zhǎng)短時(shí)間記憶網(wǎng)絡(luò);并行計(jì)算;蒙特卡洛仿真

    中圖分類(lèi)號(hào): TP391.4? ? 文獻(xiàn)標(biāo)識(shí)碼: A? ? DOI:10.3969/j.issn.1003-6970.2019.07.016

    【Abstract】: In order to improve the control effect of intelligent control of manufacturing process, a method of recognition for out-of-control patterns in control chart based on Bidirectional LSTM (Bi-LSTM) is proposed in this paper. The basic principle of LSTM for classification is analyzed first. Followed by that, the pattern recognition model of control charts is constructed and a simulation data set is generated by the Monte Carlo simulation method for training and testing. The simulation experiments results show that the recognition accuracy of Bi-LSTM on control chart patterns is significantly superior than those of multi-layer perceptron (MLP) and bayesian classifier. In comparison with support vector machine (SVM), it also shows obvious advantages in efficiency and gets higher recognition accuracy under the case of large samples.

    【Key words】: Control chart pattern recognition; Deep learning; Bi-LSTM; Parallel computing; Monte Carlo simulation

    0? 引言

    控制圖作為統(tǒng)計(jì)過(guò)程控制(SPC)的核心工具,基于統(tǒng)計(jì)學(xué)的中心極限定理和假設(shè)檢驗(yàn)原理,檢測(cè)產(chǎn)品生產(chǎn)過(guò)程是否穩(wěn)定,區(qū)分過(guò)程受可歸咎變異因素與不可歸咎變異因素影響[1]。傳統(tǒng)控制圖對(duì)于超出控制限的異常較容易檢測(cè),而對(duì)于控制限內(nèi)的異常模式難以識(shí)別,通常需要通過(guò)人工進(jìn)行判斷,易受到人的經(jīng)驗(yàn)水平的影響。智能制造的興起對(duì)制造過(guò)程質(zhì)量控制提出了智能化的要求,將機(jī)器學(xué)習(xí)技術(shù)引入到過(guò)程質(zhì)量監(jiān)控中,通過(guò)機(jī)器學(xué)習(xí)模型對(duì)控制圖進(jìn)行模式識(shí)別成為實(shí)現(xiàn)過(guò)程質(zhì)量智能化監(jiān)控的有效手段[2]。

    機(jī)器學(xué)習(xí)算法在控制圖模式識(shí)別領(lǐng)域的應(yīng)用研究早在上世紀(jì)80年代就開(kāi)始受到重視,至今已取得了一定成果,如:(Guh和Hsieh,1999)[3-4]利用BP神經(jīng)網(wǎng)絡(luò)對(duì)控制圖異常模式的識(shí)別進(jìn)行了研究,表明BP神經(jīng)網(wǎng)絡(luò)對(duì)于該領(lǐng)域的繼續(xù)深入研究具有一定研究?jī)r(jià)值,但BP神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)在于參數(shù)難以調(diào)節(jié),訓(xùn)練易陷入局部極小,識(shí)別率不高。接著,又有其他學(xué)者將概率神經(jīng)網(wǎng)絡(luò)(PNN)、支持向量機(jī)(SVM)、Adaboost等其他傳統(tǒng)機(jī)器學(xué)習(xí)算法應(yīng)用于該領(lǐng)域,表明了這些算法比BP神經(jīng)網(wǎng)絡(luò)更具有精度、效率或魯棒性上的優(yōu)勢(shì)[5-7]。近些年來(lái),也有部分者針對(duì)這些經(jīng)典機(jī)器學(xué)習(xí)算法的不足,提出了改進(jìn)算法,如:利用可調(diào)節(jié)激活函數(shù)參數(shù)和動(dòng)態(tài)閾值的方法、自適應(yīng)粒子群(AMPSO)、遺傳算法 (GA)等對(duì)BP神經(jīng)網(wǎng)絡(luò)、SVM的參數(shù)選擇進(jìn)行優(yōu)化,仿真實(shí)驗(yàn)表明這些優(yōu)化后的算法在識(shí)別率或魯棒性上有所提升[8-10]。還有些學(xué)者在控制圖模式? 的特征工程上做了研究,如:利用時(shí)域特征、形狀特征、小波分解方法等,對(duì)控制圖模式進(jìn)行特征提取、特征融合的工作,表明了抽取和選擇特征的重要性[11-12]。

    這些研究表明了控制圖模式識(shí)別領(lǐng)域目前存在的三大難點(diǎn):一是算法設(shè)計(jì),眾多傳統(tǒng)機(jī)器學(xué)習(xí)算法中,只有少數(shù)算法對(duì)控制圖模式識(shí)別有較好的效果;二是特征選擇,傳統(tǒng)機(jī)器學(xué)習(xí)算法一般都需要對(duì)原始數(shù)據(jù)進(jìn)行特征提取、特征融合之后才能取得更好的效果,對(duì)于特征選擇的依賴性較高;三是這些傳統(tǒng)機(jī)器學(xué)習(xí)算法一般在大樣本情況下訓(xùn)練耗時(shí)太高(如SVM),難以適應(yīng)現(xiàn)代化快速生產(chǎn)的節(jié)拍。

    近年來(lái),深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)一個(gè)新的分支快速崛起,在計(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別、自然語(yǔ)言處理等領(lǐng)域已經(jīng)取得了相當(dāng)可觀的成績(jī)。與傳統(tǒng)機(jī)器學(xué)習(xí)算法相比,深度學(xué)習(xí)使用更多的樣本數(shù)據(jù)可以更好地?cái)U(kuò)展,且不需要特征工程,這為控制圖模式識(shí)別領(lǐng)域開(kāi)辟了新的途徑。雙向長(zhǎng)短時(shí)間記憶網(wǎng)絡(luò)(Bi-LSTM)作為一種深度學(xué)習(xí)方法,善于處理序列的前后關(guān)系,因而常用于處理自然語(yǔ)言中的上下文信息[13-15]??刂茍D異常模式通常由人、機(jī)、料、法、環(huán)、測(cè)的異常所引起,產(chǎn)品生產(chǎn)過(guò)程中質(zhì)量特性一般隨時(shí)間呈規(guī)律變化,從產(chǎn)品的質(zhì)量特性前后波動(dòng)數(shù)據(jù)來(lái)分析,往往能分析出數(shù)據(jù)流的異常形態(tài),從而找出根本的異常原因。鑒于Bi-LSTM算法善于處理序列前后關(guān)系的特性以及控制圖模式數(shù)據(jù)流存在前后關(guān)系的特性,本文提出使用Bi-LSTM來(lái)進(jìn)行控制圖模式識(shí)別,利用蒙特卡洛模擬方法仿真得到控制圖八種基本模式的數(shù)據(jù)(其中包括受控模式和其他七種異常模式),利用tensorflow搭建Bi-LSTM網(wǎng)絡(luò)結(jié)構(gòu),并使用GPU并行加速訓(xùn)練,在識(shí)別精度和識(shí)別效率上取得了較好的效果。

    1? 控制圖模式識(shí)別原理

    在工序中,由于受到人、機(jī)、料、法、環(huán)、測(cè)等多種因素的影響,產(chǎn)品生產(chǎn)過(guò)程質(zhì)量特性數(shù)據(jù)流往往存在著波動(dòng),按照這些波動(dòng)數(shù)據(jù)流的分布特點(diǎn),美國(guó)西部電氣公司將其分為八種模式,即:受控模式(natural)、向上階躍(upward shift)、向下階躍(downward shift)、趨勢(shì)向上(upward trend)、趨勢(shì)向下(downward trend)、周期模式(cycle)、系統(tǒng)性模式(systematic)、混合模式(mixture),八種基本模式的分布特點(diǎn)如圖1所示。

    在控制圖模式識(shí)別的實(shí)際應(yīng)用中,一般采用移動(dòng)窗口的方法進(jìn)行異常監(jiān)控,每生產(chǎn)出一個(gè)新的產(chǎn)品,便將窗口往后移動(dòng)一次,將新的數(shù)據(jù)加入到識(shí)別窗口,若在某時(shí)刻點(diǎn)窗口檢測(cè)出異常,則發(fā)出異常警報(bào),并輸出具體異常模式,移動(dòng)窗口法及仿真樣本示意圖如圖2所示。

    在基于機(jī)器學(xué)習(xí)方法的控制圖模式識(shí)別領(lǐng)域中,一般將如圖2所示窗口內(nèi)的數(shù)據(jù)流作為機(jī)器學(xué)習(xí)的樣本。移動(dòng)窗口長(zhǎng)度的選擇一般基于經(jīng)驗(yàn)選取,一般來(lái)說(shuō),移動(dòng)窗口長(zhǎng)度小,則能更快檢測(cè)出異常,但模式判別準(zhǔn)確性低;移動(dòng)窗口長(zhǎng)度大,則模式判別準(zhǔn)確性更高,但檢測(cè)出異常的效率低。

    2? Bi-LSTM原理及控制圖模式識(shí)別模型構(gòu)建

    2.1? LSTM原理

    長(zhǎng)短時(shí)間記憶網(wǎng)絡(luò)(LSTM)是一種深度學(xué)習(xí)模型,由循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)演化而來(lái),相對(duì)于RNN,它可以捕捉到較長(zhǎng)距離的依賴關(guān)系。在結(jié)構(gòu)上,與標(biāo)準(zhǔn)RNN不同的是,LSTM在細(xì)胞(cell)上增加了門(mén)(gates)的結(jié)構(gòu),可以讓信息選擇性的通過(guò)[16],實(shí)際上可以理解為是一種特征選擇及更新機(jī)制。標(biāo)準(zhǔn)LSTM的結(jié)構(gòu)如圖3所示。

    2.2? 基于Bi-LSTM的控制圖模式識(shí)別模型

    2.2.1? 模型結(jié)構(gòu)及構(gòu)建步驟

    Bi-LSTM由前向LSTM和后向LSTM組合而成,相比單向LSTM更能學(xué)習(xí)到序列前后的關(guān)系,因此,本文建立基于Bi-LSTM的深度學(xué)習(xí)網(wǎng)絡(luò)模型,模型結(jié)構(gòu)如圖4所示。

    模型構(gòu)建步驟如下:

    (1)通過(guò)蒙特卡洛仿真原理生成符合控制圖模式數(shù)據(jù)分布的樣本,基于前人經(jīng)驗(yàn)和本文預(yù)研實(shí)驗(yàn)結(jié)果,此處仿真樣本窗口長(zhǎng)度取32。八種控制圖模式的仿真方程具體表示為[17]:

    其中, 為產(chǎn)品第 時(shí)刻質(zhì)量特性值; 為受控條件下統(tǒng)計(jì)量均值; 為 時(shí)刻由偶然因素引發(fā)的隨機(jī)干擾,一般是服從 分布的高斯白噪聲序列; 為 時(shí)刻的異常干擾值。

    1)對(duì)于受控模式: =0。

    2)對(duì)于階躍模式: ,其中,階躍發(fā)生前 ,階躍發(fā)生后 ; 為階躍幅度。

    3)對(duì)于趨勢(shì)模式: ,其中, 為傾斜度,當(dāng)趨勢(shì)模式發(fā)生前, 為0。

    4)對(duì)于周期模式: ,其中, 為波動(dòng)幅值; 為波動(dòng)周期長(zhǎng)度。

    5)對(duì)于系統(tǒng)性模式: ,其中, 為震蕩幅度,反映了偏離均值上下的程度。

    6)對(duì)于混合模式: ,其中, 為 之間的隨機(jī)數(shù); 為振幅;若 ,則 ,否則 。

    (2)對(duì)生成的數(shù)據(jù)樣本進(jìn)行標(biāo)準(zhǔn)化處理。該步驟有兩大意義:一,實(shí)際生產(chǎn)過(guò)程中產(chǎn)品質(zhì)量特性由產(chǎn)品本身而定,標(biāo)準(zhǔn)化可使模型更具普適性;二,標(biāo)準(zhǔn)化處理由于能消除由量綱不同所產(chǎn)生的影響,進(jìn)行標(biāo)準(zhǔn)化處理有助于模型學(xué)習(xí)到真正的特征,從而提模型的識(shí)別性能。此處,對(duì)生成的樣本數(shù)據(jù)集采用z-score 標(biāo)準(zhǔn)化,具體方式為:

    (3)將標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)輸入到前向LSTM和后向LSTM,利用其獨(dú)特的網(wǎng)絡(luò)結(jié)構(gòu)來(lái)抽取特征進(jìn)而深化學(xué)習(xí),該步驟是Bi-LSTM模型訓(xùn)練的核心步驟;

    (4)對(duì)樣本進(jìn)行標(biāo)簽化處理。此處采用(one-hot encoding)離散型特征編碼方式,使得八種控制圖模式每一種類(lèi)型樣本都只擁有一種“激活態(tài)”,讓模型更具有非線性學(xué)習(xí)能力。對(duì)每種模式采取的編碼方式具體如表1所示。

    (5)利用 將將Bi-LSTM網(wǎng)絡(luò)結(jié)構(gòu)的輸出概率歸一化到 之間,再利用交叉熵函數(shù)作為損失函數(shù),衡量實(shí)際輸出與樣本標(biāo)簽值之間的距離,輔助Bi-LSTM模型的迭代學(xué)習(xí)。具體策略表示為:

    3? 仿真實(shí)驗(yàn)驗(yàn)證

    3.1? 仿真數(shù)據(jù)集生成

    此處,利用蒙特卡洛仿真原理共生成? ?個(gè)樣本,每種類(lèi)型樣本依照其數(shù)據(jù)波動(dòng)特性,采用不同的參數(shù)設(shè)置,以滿足實(shí)際產(chǎn)品生產(chǎn)過(guò)程中異常模式的多樣化特點(diǎn),具體參數(shù)設(shè)置如表2所示。

    其中,對(duì)于周期模式、系統(tǒng)性模式以及混合模式,幅度變化參數(shù)取值范圍設(shè)在 區(qū)間,突變點(diǎn)取 ,是為了將更多異常特征信息體現(xiàn)在休哈特控制圖控制限內(nèi),有針對(duì)地解決休哈特控制圖控制限內(nèi)的異常模式難以識(shí)別的現(xiàn)狀特點(diǎn)。對(duì)于階躍模式和趨勢(shì)模式,由于其本身就容易超出休哈特控制圖控制限,因此,設(shè)立不同的突變時(shí)刻點(diǎn),既可滿足這種實(shí)際狀況,又可利用控制限內(nèi)的異常特征,在超出界限前便捕捉到異常信號(hào),從而更快識(shí)別出異常模式,以滿足過(guò)程質(zhì)量控制的實(shí)際需求。

    3.2? 模型訓(xùn)練

    本仿真實(shí)驗(yàn)所采用的實(shí)驗(yàn)設(shè)備相關(guān)硬件為Nvidia GeForce GTX 1050 Ti的GPU以及NVIDIA CUDA 8.0驅(qū)動(dòng),采用tensorflow1.0-gpu開(kāi)源機(jī)器學(xué)習(xí)框架,仿真平臺(tái)為python3.6。

    基于前人經(jīng)驗(yàn)及預(yù)研實(shí)驗(yàn),此處學(xué)習(xí)率(learning rate)取0.0008,批量大?。╞atch size)取2048進(jìn)行批量訓(xùn)練,前向及后向LSTM cell個(gè)數(shù)各取512個(gè)。隨機(jī)打亂樣本,取標(biāo)準(zhǔn)化后總樣本的70%作為訓(xùn)練集,10%作為驗(yàn)證集,迭代次數(shù)設(shè)為1000次。

    為了防止過(guò)擬合,本文仿真采取早停策略(early stopping),具體策略為:

    其中,GL為早停閾值,本實(shí)驗(yàn)取GL>1時(shí)提前結(jié)束訓(xùn)練; 為第 次迭代的驗(yàn)證誤差; 為迭代過(guò)程中最小的驗(yàn)證誤差;

    采用早停法的好處在于:1)防止過(guò)擬合;2)節(jié)省訓(xùn)練時(shí)間;

    本仿真實(shí)驗(yàn)?zāi)P陀?xùn)練及早停情況如圖5所示。

    由圖5可知,隨著迭代訓(xùn)練次數(shù)增加,訓(xùn)練誤差和驗(yàn)證誤差趨于收斂,兩條曲線基本吻合,說(shuō)明訓(xùn)練過(guò)程沒(méi)有出現(xiàn)欠擬合。且在早停策略的作用下,在第521次提前結(jié)束訓(xùn)練,避免了過(guò)擬合情況的發(fā)生。

    3.3? 模型泛化性能測(cè)試實(shí)驗(yàn)

    取標(biāo)準(zhǔn)化后總樣本的20%作為測(cè)試集,對(duì)訓(xùn)練的模型進(jìn)行測(cè)試,平均識(shí)別率達(dá)到了98.35%,對(duì)于八種模式的具體識(shí)別情況如圖6所示。此外,在相同訓(xùn)練集與相同測(cè)試集的前提下,將Bi-LSTM與SVM、MLP、高斯貝葉斯分類(lèi)器進(jìn)行比較,不同算法對(duì)八種控制圖模式的識(shí)別情況如表3所示。

    從圖6可見(jiàn),對(duì)于Bi-LSTM模型,混合模式與受控模式較容易誤判,趨勢(shì)向上易誤判為向上階躍、趨勢(shì)向下易誤判向下階躍。

    從表3可見(jiàn),Bi-LSTM算法對(duì)控制圖模式識(shí)別的識(shí)別率和SVM相差無(wú)幾,對(duì)八種模式的平均識(shí)別率達(dá)到了98.35%,相比MLP和高斯貝葉斯分類(lèi)器識(shí)別率更高。

    3.4? Bi-LSTM與SVM性能比較實(shí)驗(yàn)

    基于Bi-LSTM與SVM對(duì)控制圖識(shí)別的識(shí)別率相近,本文分別在總樣本為720、7200、72000、288000的水平對(duì)兩種算法在識(shí)別率、訓(xùn)練時(shí)間、測(cè)試時(shí)間上做了比較,其中訓(xùn)練樣本占80%,測(cè)試樣本占20%。十次仿真實(shí)驗(yàn)平均結(jié)果如圖7所示。

    由圖7可見(jiàn),在識(shí)別精度上,兩種算法都隨樣本量增加而增加,當(dāng)總樣本量為72000時(shí),Bi-LSTM識(shí)別率達(dá)到SVM的水平,當(dāng)總樣本量為288000時(shí),Bi-LSTM識(shí)別率已經(jīng)超過(guò)SVM的水平,且從趨勢(shì)上來(lái)看,當(dāng)樣本量更大時(shí),Bi-LSTM算法在識(shí)別精度上將更優(yōu)于SVM(受于實(shí)驗(yàn)設(shè)備計(jì)算能力的限制,本文沒(méi)有取更大樣本量進(jìn)行仿真實(shí)驗(yàn))。在訓(xùn)練時(shí)間和測(cè)試時(shí)間上,SVM算法隨樣本量增加而顯著增加,而B(niǎo)i-LSTM算法的訓(xùn)練時(shí)間和測(cè)試時(shí)間隨? 樣本量增加雖然有所增加,但相對(duì)SVM顯然效率? 更高。

    4? 結(jié)論

    本文基于長(zhǎng)短時(shí)間記憶網(wǎng)絡(luò)(Bi-LSTM)在處理序列前后關(guān)系特征上獨(dú)特的優(yōu)勢(shì),提出將Bi-LSTM用于控制圖模式識(shí)別。通過(guò)仿真實(shí)驗(yàn)表明,該方法在樣本量足夠時(shí),相比SVM、MLP、高斯貝葉斯分類(lèi)器這些傳統(tǒng)機(jī)器學(xué)習(xí)方法,能夠取得不弱于甚至更好的識(shí)別效果。其次,由于深度學(xué)習(xí)并行加速計(jì)算的普及,該方法在模型訓(xùn)練和應(yīng)用上,效率都比SVM算法更高,更能適應(yīng)未來(lái)大數(shù)據(jù)環(huán)境下快速生產(chǎn)的需求。再者,該方法對(duì)人工特征提取的依賴性較傳統(tǒng)機(jī)器學(xué)習(xí)算法更低,可以自動(dòng)抽取和學(xué)習(xí)特征,使用更加方便。隨著工業(yè)物聯(lián)網(wǎng)的普及和計(jì)算機(jī)處理性能的飛速進(jìn)步,大數(shù)據(jù)的優(yōu)勢(shì)得以體現(xiàn),如何充分發(fā)揮大數(shù)據(jù)的優(yōu)勢(shì)成為熱點(diǎn)和難點(diǎn),本文提出將Bi-LSTM算法用于控制圖模式識(shí)別,給該領(lǐng)域未來(lái)的繼續(xù)深入研究提供了新的可行途徑。如何更好地將深度學(xué)習(xí)與研究產(chǎn)品質(zhì)量過(guò)程在線智能監(jiān)測(cè)與控制有機(jī)結(jié)合是下一步的研究方向。

    參考文獻(xiàn)

    [1] Sauter R M. Introduction to Statistical Quality Control (2nd ed.)[M]. John Wiley & Sons, 1991.

    [2] Shewhart M. Interpreting statistical process control (SPC) charts using machine learning and expert system techniques [C]//Aerospace & Electronics Conference. IEEE Xplore, 1992.

    [3] Guh R S, Hsieh Y C. A neural network based model for abnormal pattern recognition of control charts[M]. Pergamon Press, Inc. 1999.

    [4] Guh R S, Zorriassatine F, Tannock J D T, et al. On-line control chart pattern detection and discrimination—a neural network approach[J]. Artificial Intelligence in Engineering, 1999, 13(4): 413-425.

    [5] Cheng Z, Ma Y Z. A Research about Pattern Recognition of Control Chart Using Probability Neural Network[C]// Isecs International Colloquium on Computing, Communication, Control, & Management. IEEE, 2008.

    [6] 趙方方, 何楨. 基于SVM的控制圖模式識(shí)別方法研究[J]. 組合機(jī)床與自動(dòng)化加工技術(shù), 2009(8): 1-4.

    [7] 張江霞. 基于Adaboost算法的控制圖模式識(shí)別應(yīng)用研究[D]. 南京理工大學(xué), 2013.

    [8] Xiang-Gan Z, Chang-An L, Wen-Tao F. The System of Control Chart Pattern Recognition Based on Improved BP Neural Network[J]. Modular Machine Tool & Automatic Manufacturing Technique, 2011.

    [9] 張敏, 程文明, ZhangMin, et al. 基于自適應(yīng)粒子群算法和支持向量機(jī)的控制圖模式識(shí)別[J]. 工業(yè)工程, 2012, 15(5): 125-129.

    [10] 李太福, 胡勝, 魏正元, et al. 基于遺傳優(yōu)化的PCA-SVM控制圖模式識(shí)別[J]. 計(jì)算機(jī)應(yīng)用研究, 2012, 29(12): 4538-4541.

    [11] Yu-Bo Z, Xiao-Nan L. Recognition Method of SPC Control Chart Pattern Based on ISFS and ELM[J]. Journal of Qingdao University of Science & Technology, 2015.

    [12] 劉玉敏, 趙哲耘. 基于特征選擇與SVM的質(zhì)量異常模式識(shí)別[J]. 統(tǒng)計(jì)與決策, 2018(10).

    [13] W?llmer, Martin, Eyben F, Keshet J, et al. Robust Discriminative Keyword Spotting for Emotionally Colored Spontaneous Speech using Bidirectional LSTM Networks[C]// IEEE International Conference on Acoustics. IEEE, 2009.

    [14] W?Llmer M, Eyben F, Graves A, et al. Bidirectional LSTM Networks for Context-Sensitive Keyword Detection in a Cognitive Virtual Agent Framework[J]. Cognitive Computation, 2010, 2(3): 180-190.

    [15] Graves A, Jaitly N, Mohamed A R. Hybrid speech recognition with Deep Bidirectional LSTM[C]// Automatic Speech Recognition & Understanding. IEEE, 2014.

    [16] Gers F A. Learning to forget: continual prediction with LSTM.[J]. Neural Computation, 2000, 12(10): 2451-2471.

    [17] Guh R S. Real-time pattern recognition in statistical process control: a hybrid neural network/decision tree-based approach[J]. Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture, 2005, 219(3): 283-298.

    猜你喜歡
    并行計(jì)算深度學(xué)習(xí)
    基于自適應(yīng)線程束的GPU并行粒子群優(yōu)化算法
    有體驗(yàn)的學(xué)習(xí)才是有意義的學(xué)習(xí)
    電子商務(wù)中基于深度學(xué)習(xí)的虛假交易識(shí)別研究
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場(chǎng)域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    云計(jì)算中MapReduce分布式并行處理框架的研究與搭建
    矩陣向量相乘的并行算法分析
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實(shí)現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    并行硬件簡(jiǎn)介
    欧美日韩一区二区视频在线观看视频在线| 久久久久国产网址| 国产乱人视频| 亚洲精品一二三| 欧美性感艳星| 在线观看免费日韩欧美大片 | 亚洲色图av天堂| 如何舔出高潮| 国产av国产精品国产| 亚洲精品日韩av片在线观看| 国产在线视频一区二区| 美女视频免费永久观看网站| 久久6这里有精品| 亚洲伊人久久精品综合| 黄色日韩在线| 精品亚洲乱码少妇综合久久| 夜夜骑夜夜射夜夜干| 国产国拍精品亚洲av在线观看| 91午夜精品亚洲一区二区三区| kizo精华| 特大巨黑吊av在线直播| 嫩草影院入口| 国产欧美另类精品又又久久亚洲欧美| 天堂中文最新版在线下载| 精品视频人人做人人爽| 国产成人aa在线观看| 成人18禁高潮啪啪吃奶动态图 | 国产亚洲欧美精品永久| 亚洲精品自拍成人| 日韩国内少妇激情av| 精品99又大又爽又粗少妇毛片| 亚洲国产最新在线播放| av又黄又爽大尺度在线免费看| 中文天堂在线官网| 欧美老熟妇乱子伦牲交| 久久久久久久大尺度免费视频| 欧美成人一区二区免费高清观看| 久久久欧美国产精品| 麻豆精品久久久久久蜜桃| 色视频在线一区二区三区| 少妇人妻 视频| 国产免费福利视频在线观看| h视频一区二区三区| 国产69精品久久久久777片| 在线观看免费高清a一片| av免费在线看不卡| 国产爱豆传媒在线观看| 国产精品99久久久久久久久| 中文字幕免费在线视频6| 日本一二三区视频观看| 激情五月婷婷亚洲| 成人黄色视频免费在线看| 免费av不卡在线播放| 国产色婷婷99| 干丝袜人妻中文字幕| 亚洲图色成人| 老师上课跳d突然被开到最大视频| 亚洲人成网站在线播| 久久精品国产亚洲av天美| 成人美女网站在线观看视频| 久久国产精品男人的天堂亚洲 | 国产在线视频一区二区| 最近最新中文字幕大全电影3| 嘟嘟电影网在线观看| 如何舔出高潮| 国产精品久久久久久av不卡| 国产亚洲午夜精品一区二区久久| 国产真实伦视频高清在线观看| 欧美日韩一区二区视频在线观看视频在线| 国产精品国产av在线观看| 亚洲国产精品国产精品| 亚洲欧美日韩另类电影网站 | 特大巨黑吊av在线直播| 国产精品久久久久久精品电影小说 | 国精品久久久久久国模美| 能在线免费看毛片的网站| 国产精品欧美亚洲77777| 99热国产这里只有精品6| 欧美精品一区二区大全| 网址你懂的国产日韩在线| 国产精品人妻久久久久久| 在线精品无人区一区二区三 | 97热精品久久久久久| 麻豆乱淫一区二区| 精品久久久精品久久久| 午夜免费鲁丝| 国产一区二区在线观看日韩| 网址你懂的国产日韩在线| 国产亚洲av片在线观看秒播厂| 青春草亚洲视频在线观看| 国产真实伦视频高清在线观看| 看免费成人av毛片| 人人妻人人澡人人爽人人夜夜| 成人黄色视频免费在线看| 大码成人一级视频| 黄色怎么调成土黄色| 久久人人爽人人片av| 如何舔出高潮| kizo精华| 日韩人妻高清精品专区| 九九久久精品国产亚洲av麻豆| 国产亚洲午夜精品一区二区久久| 高清欧美精品videossex| 狠狠精品人妻久久久久久综合| tube8黄色片| 久久久a久久爽久久v久久| 精品一品国产午夜福利视频| 久久精品熟女亚洲av麻豆精品| 亚洲欧美日韩东京热| 亚洲第一区二区三区不卡| 亚洲精品久久久久久婷婷小说| 欧美日韩在线观看h| 国产精品成人在线| 亚洲国产高清在线一区二区三| 内射极品少妇av片p| 日韩电影二区| 欧美3d第一页| av女优亚洲男人天堂| 欧美成人a在线观看| 在线观看国产h片| 亚洲精品色激情综合| 国产一区二区在线观看日韩| 国产成人精品久久久久久| 伦精品一区二区三区| 联通29元200g的流量卡| av线在线观看网站| 午夜福利视频精品| 我要看日韩黄色一级片| 国产精品人妻久久久影院| 黄片wwwwww| 午夜福利在线在线| 国产免费福利视频在线观看| 色综合色国产| 日日摸夜夜添夜夜添av毛片| 中文字幕久久专区| 尤物成人国产欧美一区二区三区| 国产视频内射| 亚洲国产色片| 一区二区三区乱码不卡18| 免费观看性生交大片5| 丰满乱子伦码专区| 精品午夜福利在线看| 亚洲国产av新网站| 国产午夜精品久久久久久一区二区三区| 夜夜看夜夜爽夜夜摸| 少妇高潮的动态图| 熟女av电影| av专区在线播放| 国产大屁股一区二区在线视频| 亚洲国产成人一精品久久久| 三级国产精品片| 日韩亚洲欧美综合| 精品久久久久久久末码| 久久久久久久精品精品| 国产精品爽爽va在线观看网站| 亚洲国产欧美在线一区| 亚洲伊人久久精品综合| 大话2 男鬼变身卡| 国产深夜福利视频在线观看| 免费大片18禁| 亚洲一区二区三区欧美精品| 日韩视频在线欧美| 性色avwww在线观看| 久久久久精品久久久久真实原创| 免费看不卡的av| a 毛片基地| 五月玫瑰六月丁香| 国产av精品麻豆| 亚洲不卡免费看| 亚洲,一卡二卡三卡| 亚洲精品日韩av片在线观看| 久久av网站| 国产成人精品一,二区| 97在线人人人人妻| 久久精品国产鲁丝片午夜精品| 蜜桃久久精品国产亚洲av| 中文字幕亚洲精品专区| 蜜桃亚洲精品一区二区三区| 成人二区视频| 超碰97精品在线观看| a级毛色黄片| 99热这里只有是精品在线观看| 最近的中文字幕免费完整| 欧美精品亚洲一区二区| 一本一本综合久久| 日本欧美国产在线视频| 久久国内精品自在自线图片| 日本一二三区视频观看| 我要看黄色一级片免费的| 婷婷色综合www| 免费观看的影片在线观看| 亚洲欧美清纯卡通| 2021少妇久久久久久久久久久| 国产精品熟女久久久久浪| 国内精品宾馆在线| 女性被躁到高潮视频| 五月天丁香电影| 在线免费十八禁| 精品人妻熟女av久视频| 狂野欧美激情性bbbbbb| 亚洲第一av免费看| 人人妻人人澡人人爽人人夜夜| av在线观看视频网站免费| 国国产精品蜜臀av免费| 80岁老熟妇乱子伦牲交| 最近手机中文字幕大全| 久久6这里有精品| 男男h啪啪无遮挡| 好男人视频免费观看在线| 最近手机中文字幕大全| 国产片特级美女逼逼视频| 最近的中文字幕免费完整| 国产精品一二三区在线看| 午夜精品国产一区二区电影| 最近最新中文字幕大全电影3| 丝袜喷水一区| 国产亚洲av片在线观看秒播厂| 国产欧美日韩精品一区二区| 人人妻人人爽人人添夜夜欢视频 | 国产精品久久久久久精品电影小说 | 内地一区二区视频在线| 少妇精品久久久久久久| 久热这里只有精品99| 日韩国内少妇激情av| 美女脱内裤让男人舔精品视频| 男的添女的下面高潮视频| 国产一区二区三区av在线| 色婷婷av一区二区三区视频| 国产男女内射视频| 久久精品久久精品一区二区三区| 日韩欧美精品免费久久| 国产淫片久久久久久久久| a级毛色黄片| 高清在线视频一区二区三区| 国产欧美日韩精品一区二区| 不卡视频在线观看欧美| 全区人妻精品视频| 午夜福利在线在线| 搡女人真爽免费视频火全软件| 久久人人爽人人爽人人片va| 欧美日韩视频高清一区二区三区二| 一区二区三区免费毛片| 久久久久性生活片| 熟妇人妻不卡中文字幕| 黄色欧美视频在线观看| 国产精品不卡视频一区二区| 久久精品人妻少妇| 精品一区在线观看国产| av不卡在线播放| 欧美xxxx性猛交bbbb| 韩国高清视频一区二区三区| av线在线观看网站| 赤兔流量卡办理| av天堂中文字幕网| 亚洲av中文av极速乱| 久久99热这里只有精品18| 麻豆国产97在线/欧美| 亚洲欧美日韩卡通动漫| 麻豆成人午夜福利视频| 久久久久久久大尺度免费视频| 亚洲av成人精品一区久久| 91狼人影院| 久久人妻熟女aⅴ| 搡女人真爽免费视频火全软件| 大片免费播放器 马上看| 欧美一级a爱片免费观看看| 女人久久www免费人成看片| 国产真实伦视频高清在线观看| 超碰av人人做人人爽久久| 精品亚洲成国产av| 80岁老熟妇乱子伦牲交| tube8黄色片| 久热这里只有精品99| 国产深夜福利视频在线观看| 交换朋友夫妻互换小说| 亚洲精品久久久久久婷婷小说| 91精品伊人久久大香线蕉| 99热这里只有精品一区| 亚洲经典国产精华液单| 日本av免费视频播放| 中国国产av一级| 日本一二三区视频观看| 国产中年淑女户外野战色| 天堂俺去俺来也www色官网| 欧美97在线视频| 久久精品熟女亚洲av麻豆精品| 在线观看一区二区三区激情| 国产午夜精品一二区理论片| 日本黄大片高清| 精品熟女少妇av免费看| 精品国产露脸久久av麻豆| 日韩av在线免费看完整版不卡| 亚洲国产精品一区三区| 啦啦啦中文免费视频观看日本| 免费黄网站久久成人精品| 成年女人在线观看亚洲视频| 久久av网站| 22中文网久久字幕| 亚洲成人中文字幕在线播放| 观看美女的网站| 美女xxoo啪啪120秒动态图| 久久韩国三级中文字幕| 免费在线观看成人毛片| 欧美高清性xxxxhd video| 亚洲国产毛片av蜜桃av| 国产欧美亚洲国产| 亚州av有码| 天堂俺去俺来也www色官网| 精品少妇黑人巨大在线播放| 菩萨蛮人人尽说江南好唐韦庄| 国产精品女同一区二区软件| 久久精品夜色国产| 一级爰片在线观看| 老司机影院毛片| 国产精品国产三级专区第一集| 亚洲美女视频黄频| 午夜福利视频精品| 丝袜喷水一区| 亚洲中文av在线| 亚洲国产精品专区欧美| 免费大片18禁| 久久精品夜色国产| 国产成人午夜福利电影在线观看| 深夜a级毛片| 日韩强制内射视频| av在线播放精品| 精品人妻一区二区三区麻豆| www.av在线官网国产| 一本—道久久a久久精品蜜桃钙片| 少妇人妻精品综合一区二区| 少妇裸体淫交视频免费看高清| 干丝袜人妻中文字幕| 久久久久久久久久人人人人人人| 纵有疾风起免费观看全集完整版| 国产精品无大码| 看非洲黑人一级黄片| 在线观看三级黄色| 久久久久精品性色| 亚洲国产精品国产精品| 国产淫语在线视频| 午夜福利在线在线| 大片电影免费在线观看免费| 欧美日韩亚洲高清精品| 在线观看av片永久免费下载| 天美传媒精品一区二区| av专区在线播放| 一区二区av电影网| 欧美3d第一页| 欧美精品一区二区大全| 偷拍熟女少妇极品色| 精品亚洲乱码少妇综合久久| 日韩av在线免费看完整版不卡| 啦啦啦中文免费视频观看日本| 一个人免费看片子| 自拍偷自拍亚洲精品老妇| 99久久综合免费| 亚洲无线观看免费| 五月玫瑰六月丁香| 亚洲国产成人一精品久久久| 中文字幕av成人在线电影| 夜夜骑夜夜射夜夜干| 在线精品无人区一区二区三 | 国产免费又黄又爽又色| 日韩伦理黄色片| 欧美日韩国产mv在线观看视频 | 中文精品一卡2卡3卡4更新| 欧美 日韩 精品 国产| 看十八女毛片水多多多| 亚洲精品日韩在线中文字幕| 亚洲欧洲日产国产| 我要看日韩黄色一级片| 在线 av 中文字幕| 欧美另类一区| 一区二区三区四区激情视频| 成人二区视频| 91久久精品电影网| 中国国产av一级| 久久久久久久亚洲中文字幕| 深夜a级毛片| 亚洲av免费高清在线观看| 国产 一区 欧美 日韩| 国产黄频视频在线观看| 春色校园在线视频观看| 亚洲国产日韩一区二区| 国产视频首页在线观看| 嘟嘟电影网在线观看| 1000部很黄的大片| 久久6这里有精品| 蜜桃在线观看..| 精品人妻视频免费看| 视频中文字幕在线观看| 干丝袜人妻中文字幕| 人妻制服诱惑在线中文字幕| 日本午夜av视频| 男人和女人高潮做爰伦理| 亚洲精品成人av观看孕妇| av在线app专区| 国产av精品麻豆| 久久精品国产自在天天线| 一级二级三级毛片免费看| 亚洲精品国产av成人精品| 欧美丝袜亚洲另类| 亚洲人成网站在线播| 久久毛片免费看一区二区三区| 国产精品久久久久久久电影| 午夜福利网站1000一区二区三区| 亚洲美女视频黄频| 国产精品欧美亚洲77777| 国产成人免费无遮挡视频| 啦啦啦中文免费视频观看日本| 最近手机中文字幕大全| 日本黄色片子视频| 一级av片app| 国产伦理片在线播放av一区| 亚洲一级一片aⅴ在线观看| 免费看日本二区| 高清黄色对白视频在线免费看 | 五月天丁香电影| 欧美日韩综合久久久久久| 午夜免费鲁丝| 精品视频人人做人人爽| 天天躁夜夜躁狠狠久久av| 成人18禁高潮啪啪吃奶动态图 | 国产人妻一区二区三区在| 毛片一级片免费看久久久久| 久久久a久久爽久久v久久| 国产一区二区在线观看日韩| a级毛色黄片| 久久久久久九九精品二区国产| 久久综合国产亚洲精品| 中文字幕人妻熟人妻熟丝袜美| 国产av码专区亚洲av| 亚洲天堂av无毛| 国产男女内射视频| 日韩欧美精品免费久久| 亚洲av不卡在线观看| 国产精品人妻久久久久久| 成人免费观看视频高清| 在线观看av片永久免费下载| 日韩制服骚丝袜av| 精品久久久久久久末码| 成年免费大片在线观看| .国产精品久久| 少妇被粗大猛烈的视频| 国产精品国产三级国产专区5o| 国产av码专区亚洲av| 嫩草影院新地址| 在线播放无遮挡| 国产男人的电影天堂91| 精品亚洲成国产av| 九九久久精品国产亚洲av麻豆| 久久久久久人妻| 婷婷色av中文字幕| 国产成人freesex在线| 欧美少妇被猛烈插入视频| 99热这里只有是精品50| 亚洲怡红院男人天堂| 嘟嘟电影网在线观看| 自拍偷自拍亚洲精品老妇| 国精品久久久久久国模美| 直男gayav资源| 国产精品一区二区性色av| 激情五月婷婷亚洲| 免费看日本二区| h日本视频在线播放| av又黄又爽大尺度在线免费看| 国产美女午夜福利| 99久久精品一区二区三区| 日日啪夜夜撸| 综合色丁香网| 在线观看一区二区三区激情| 亚洲av欧美aⅴ国产| 在线免费十八禁| av网站免费在线观看视频| 熟女人妻精品中文字幕| 久久久亚洲精品成人影院| 亚洲欧美一区二区三区国产| 日韩av不卡免费在线播放| 少妇熟女欧美另类| 只有这里有精品99| 国产精品久久久久久精品古装| 观看av在线不卡| 国产爽快片一区二区三区| 日本wwww免费看| 亚洲国产精品国产精品| 高清日韩中文字幕在线| 97在线人人人人妻| 国产 一区精品| 午夜福利影视在线免费观看| 欧美xxⅹ黑人| 亚洲国产色片| 中文天堂在线官网| 亚洲精品第二区| 国产av码专区亚洲av| 人人妻人人添人人爽欧美一区卜 | 国产成人午夜福利电影在线观看| 色吧在线观看| 久久国产精品男人的天堂亚洲 | 18禁裸乳无遮挡免费网站照片| av天堂中文字幕网| 亚洲婷婷狠狠爱综合网| 人人妻人人澡人人爽人人夜夜| 久久综合国产亚洲精品| 亚洲av中文字字幕乱码综合| 99热网站在线观看| 建设人人有责人人尽责人人享有的 | 一级av片app| av网站免费在线观看视频| 日本一二三区视频观看| 十八禁网站网址无遮挡 | 男人舔奶头视频| 最近中文字幕高清免费大全6| 男人添女人高潮全过程视频| 日韩伦理黄色片| 少妇 在线观看| 在线天堂最新版资源| 观看美女的网站| 国产91av在线免费观看| av播播在线观看一区| 超碰97精品在线观看| 亚洲熟女精品中文字幕| 女的被弄到高潮叫床怎么办| 欧美日韩精品成人综合77777| 纯流量卡能插随身wifi吗| 少妇被粗大猛烈的视频| 亚洲美女搞黄在线观看| 欧美精品一区二区免费开放| 精品人妻熟女av久视频| 老司机影院毛片| 丰满迷人的少妇在线观看| 极品少妇高潮喷水抽搐| 亚洲精品日韩在线中文字幕| 午夜福利影视在线免费观看| 亚洲人成网站在线观看播放| 中国三级夫妇交换| 欧美丝袜亚洲另类| 久久久久久久久久久免费av| 激情五月婷婷亚洲| 新久久久久国产一级毛片| 街头女战士在线观看网站| 高清欧美精品videossex| 国产成人freesex在线| 十分钟在线观看高清视频www | 毛片一级片免费看久久久久| 精品国产一区二区三区久久久樱花 | 99热6这里只有精品| 2022亚洲国产成人精品| 亚洲欧美日韩另类电影网站 | 亚洲内射少妇av| 秋霞伦理黄片| 夫妻午夜视频| av线在线观看网站| 91aial.com中文字幕在线观看| 日本黄色片子视频| 中文欧美无线码| 99热全是精品| 欧美精品人与动牲交sv欧美| 一区二区三区免费毛片| 国产伦在线观看视频一区| 亚洲内射少妇av| 免费少妇av软件| 精品一区二区免费观看| 久热久热在线精品观看| 汤姆久久久久久久影院中文字幕| 丝袜脚勾引网站| 三级国产精品欧美在线观看| 最后的刺客免费高清国语| 欧美激情极品国产一区二区三区 | 最近的中文字幕免费完整| 国产精品偷伦视频观看了| 国产精品蜜桃在线观看| www.色视频.com| 国产免费又黄又爽又色| 狂野欧美激情性xxxx在线观看| 99国产精品免费福利视频| 国产精品女同一区二区软件| 伦精品一区二区三区| 国产亚洲最大av| 欧美97在线视频| 亚洲自偷自拍三级| av在线老鸭窝| 97超视频在线观看视频| 老熟女久久久| 在线观看一区二区三区| 纯流量卡能插随身wifi吗| 亚洲成人中文字幕在线播放| 久久精品久久久久久久性| 国产黄频视频在线观看| 欧美3d第一页| 亚洲欧美日韩无卡精品| 国产精品久久久久久精品古装| 日本av免费视频播放| 欧美3d第一页| 亚洲欧美日韩无卡精品| 成人二区视频| 日本午夜av视频| 欧美高清性xxxxhd video| 中国三级夫妇交换| 午夜免费男女啪啪视频观看| 在线观看国产h片| www.av在线官网国产| 一本久久精品| 亚洲精品日韩在线中文字幕| 亚洲精品国产av蜜桃| 免费观看a级毛片全部| 久热久热在线精品观看| 视频区图区小说| 亚洲不卡免费看| 亚洲av成人精品一二三区| 久久久久久久大尺度免费视频| 少妇人妻久久综合中文| 日本欧美视频一区| 亚洲av福利一区| 久热这里只有精品99| av一本久久久久|