• <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
    日本欧美视频一区| 精品午夜福利在线看| 18禁观看日本| 欧美精品一区二区免费开放| 韩国av在线不卡| 这个男人来自地球电影免费观看 | 丰满饥渴人妻一区二区三| 视频在线观看一区二区三区| 男人爽女人下面视频在线观看| 最近最新中文字幕大全免费视频 | 午夜激情久久久久久久| 日韩 欧美 亚洲 中文字幕| 大码成人一级视频| 国产xxxxx性猛交| 亚洲国产中文字幕在线视频| 在线观看免费视频网站a站| 啦啦啦在线观看免费高清www| 亚洲欧美色中文字幕在线| 成年女人毛片免费观看观看9 | 亚洲国产精品国产精品| 国产一区二区在线观看av| videos熟女内射| 日韩中文字幕视频在线看片| 搡老岳熟女国产| 日本猛色少妇xxxxx猛交久久| 成年动漫av网址| 亚洲欧洲精品一区二区精品久久久 | www日本在线高清视频| 国产福利在线免费观看视频| 亚洲欧美中文字幕日韩二区| 麻豆av在线久日| 久久久久久久精品精品| 精品少妇黑人巨大在线播放| 自线自在国产av| 久久人人97超碰香蕉20202| 2021少妇久久久久久久久久久| 伦理电影免费视频| 成人国产麻豆网| 亚洲精品自拍成人| 九九爱精品视频在线观看| av又黄又爽大尺度在线免费看| 国产又爽黄色视频| 亚洲国产精品一区三区| 国产免费现黄频在线看| 免费日韩欧美在线观看| 亚洲av国产av综合av卡| 如何舔出高潮| 一本—道久久a久久精品蜜桃钙片| 日韩精品有码人妻一区| 日韩一卡2卡3卡4卡2021年| 中文天堂在线官网| 国产在线视频一区二区| 久久国产精品男人的天堂亚洲| 热re99久久精品国产66热6| 一本久久精品| 美女主播在线视频| 久久久久网色| 欧美精品一区二区大全| 国产精品av久久久久免费| 欧美精品亚洲一区二区| 亚洲一卡2卡3卡4卡5卡精品中文| 久久久国产欧美日韩av| 亚洲精品国产色婷婷电影| 精品酒店卫生间| 亚洲欧美中文字幕日韩二区| 日本色播在线视频| 天天躁狠狠躁夜夜躁狠狠躁| 9色porny在线观看| 精品国产一区二区三区久久久樱花| 老司机在亚洲福利影院| 欧美日韩一级在线毛片| 国产免费又黄又爽又色| 综合色丁香网| 天堂中文最新版在线下载| 在线观看www视频免费| 国产成人免费观看mmmm| 宅男免费午夜| 久久久久精品性色| 亚洲精品,欧美精品| 国产日韩欧美亚洲二区| 国产精品 欧美亚洲| 欧美激情极品国产一区二区三区| 咕卡用的链子| 亚洲美女黄色视频免费看| 国产无遮挡羞羞视频在线观看| 美女主播在线视频| av在线老鸭窝| 黑人欧美特级aaaaaa片| 欧美日韩综合久久久久久| av女优亚洲男人天堂| 看非洲黑人一级黄片| 日韩精品免费视频一区二区三区| 天美传媒精品一区二区| 久久人妻熟女aⅴ| 美女视频免费永久观看网站| 亚洲国产欧美在线一区| 精品少妇黑人巨大在线播放| 不卡av一区二区三区| 日本午夜av视频| 日韩 欧美 亚洲 中文字幕| 天堂8中文在线网| 国产有黄有色有爽视频| 激情视频va一区二区三区| 久久久久视频综合| av福利片在线| 中文字幕色久视频| 日日撸夜夜添| 日本黄色日本黄色录像| www日本在线高清视频| 最黄视频免费看| 考比视频在线观看| 午夜91福利影院| 男人操女人黄网站| 男人添女人高潮全过程视频| 国产成人免费无遮挡视频| 亚洲国产欧美一区二区综合| 999久久久国产精品视频| 国产片内射在线| 香蕉丝袜av| 久久久久久人人人人人| 亚洲欧洲日产国产| 色网站视频免费| 欧美亚洲日本最大视频资源| 午夜福利免费观看在线| av女优亚洲男人天堂| 黑人巨大精品欧美一区二区蜜桃| av又黄又爽大尺度在线免费看| 黄色视频不卡| 精品少妇一区二区三区视频日本电影 | 久久av网站| 亚洲欧美中文字幕日韩二区| 国产男人的电影天堂91| 免费观看性生交大片5| 国产精品女同一区二区软件| 欧美日韩亚洲国产一区二区在线观看 | 深夜精品福利| 麻豆精品久久久久久蜜桃| 午夜久久久在线观看| 久久99一区二区三区| av在线app专区| 毛片一级片免费看久久久久| 男人操女人黄网站| 熟女av电影| 黄色视频在线播放观看不卡| 亚洲精品乱久久久久久| 搡老乐熟女国产| 欧美中文综合在线视频| 国产成人欧美在线观看 | 国产精品久久久av美女十八| 人妻人人澡人人爽人人| av片东京热男人的天堂| 女性生殖器流出的白浆| 晚上一个人看的免费电影| 久久热在线av| 汤姆久久久久久久影院中文字幕| 人妻 亚洲 视频| 美女国产高潮福利片在线看| 国产一区亚洲一区在线观看| 国产高清不卡午夜福利| 韩国精品一区二区三区| 国产免费视频播放在线视频| 日本色播在线视频| 日韩,欧美,国产一区二区三区| 久久久久久免费高清国产稀缺| 国产视频首页在线观看| 美女大奶头黄色视频| 精品一品国产午夜福利视频| 国产精品熟女久久久久浪| 中国三级夫妇交换| 国产高清不卡午夜福利| 亚洲精品一区蜜桃| 亚洲婷婷狠狠爱综合网| 少妇人妻久久综合中文| 欧美日韩综合久久久久久| 精品亚洲乱码少妇综合久久| 亚洲婷婷狠狠爱综合网| 极品人妻少妇av视频| 久久99热这里只频精品6学生| 欧美精品人与动牲交sv欧美| av视频免费观看在线观看| 少妇人妻精品综合一区二区| av天堂久久9| 69精品国产乱码久久久| 90打野战视频偷拍视频| 亚洲伊人色综图| 国产精品久久久久成人av| 18禁裸乳无遮挡动漫免费视频| 中文字幕人妻丝袜制服| tube8黄色片| 美女国产高潮福利片在线看| 黑人猛操日本美女一级片| 国产黄色免费在线视频| 国产伦理片在线播放av一区| 悠悠久久av| 9191精品国产免费久久| 国产在线一区二区三区精| 高清欧美精品videossex| 国产亚洲欧美精品永久| 18在线观看网站| 啦啦啦 在线观看视频| 在线亚洲精品国产二区图片欧美| 99久久综合免费| 久久久久视频综合| 日韩大码丰满熟妇| 亚洲国产日韩一区二区| 人人妻,人人澡人人爽秒播 | 中文字幕另类日韩欧美亚洲嫩草| 久久精品熟女亚洲av麻豆精品| 国产乱来视频区| 91精品伊人久久大香线蕉| 十分钟在线观看高清视频www| 国产福利在线免费观看视频| 亚洲欧美成人精品一区二区| 亚洲专区中文字幕在线 | kizo精华| 在线亚洲精品国产二区图片欧美| 精品久久久精品久久久| 国产成人啪精品午夜网站| 成人手机av| 在线天堂中文资源库| 亚洲欧美色中文字幕在线| 亚洲五月色婷婷综合| 久久97久久精品| 国产男人的电影天堂91| 久久精品亚洲av国产电影网| 女性生殖器流出的白浆| 亚洲第一av免费看| 麻豆精品久久久久久蜜桃| 丁香六月欧美| 国产97色在线日韩免费| 婷婷色麻豆天堂久久| 国产精品 欧美亚洲| 久久精品久久精品一区二区三区| 午夜日韩欧美国产| 高清欧美精品videossex| 97人妻天天添夜夜摸| 黄色 视频免费看| 色婷婷久久久亚洲欧美| 人人澡人人妻人| xxx大片免费视频| 亚洲美女黄色视频免费看| av.在线天堂| 99re6热这里在线精品视频| 男女午夜视频在线观看| 免费黄色在线免费观看| 久久精品国产综合久久久| 丰满乱子伦码专区| 久久久精品国产亚洲av高清涩受| 男女下面插进去视频免费观看| 精品国产一区二区久久| 少妇猛男粗大的猛烈进出视频| 国产欧美日韩一区二区三区在线| 亚洲人成77777在线视频| 日本vs欧美在线观看视频| av国产久精品久网站免费入址| 亚洲成人免费av在线播放| 久久人妻熟女aⅴ| 又粗又硬又长又爽又黄的视频| 亚洲四区av| 亚洲av在线观看美女高潮| 成人免费观看视频高清| 成人手机av| 毛片一级片免费看久久久久| 伊人久久国产一区二区| 人人妻人人澡人人爽人人夜夜| 亚洲伊人久久精品综合| 久久国产亚洲av麻豆专区| 妹子高潮喷水视频| 日韩制服丝袜自拍偷拍| 19禁男女啪啪无遮挡网站| 欧美日韩视频精品一区| 中文字幕最新亚洲高清| 97精品久久久久久久久久精品| 欧美激情 高清一区二区三区| 国产一区二区三区av在线| 久久久久久久久免费视频了| 黄网站色视频无遮挡免费观看| kizo精华| 久久精品亚洲av国产电影网| 黄片播放在线免费| 国产黄色视频一区二区在线观看| 国产片特级美女逼逼视频| 在线亚洲精品国产二区图片欧美| 精品人妻熟女毛片av久久网站| 在线观看免费日韩欧美大片| 亚洲国产中文字幕在线视频| 黄色视频在线播放观看不卡| 丝袜喷水一区| 成人免费观看视频高清| 最近最新中文字幕免费大全7| 欧美人与性动交α欧美软件| 国产色婷婷99| 国产黄色免费在线视频| 日本爱情动作片www.在线观看| 18禁动态无遮挡网站| 久久久久久久久久久免费av| 一本—道久久a久久精品蜜桃钙片| a级毛片黄视频| 最近最新中文字幕大全免费视频 | 国产一区二区在线观看av| 夜夜骑夜夜射夜夜干| 午夜福利乱码中文字幕| 中文欧美无线码| 美女福利国产在线| 日韩精品免费视频一区二区三区| 久久性视频一级片| 日日爽夜夜爽网站| 免费黄网站久久成人精品| 免费观看人在逋| xxxhd国产人妻xxx| 高清视频免费观看一区二区| 成人漫画全彩无遮挡| 欧美在线黄色| 爱豆传媒免费全集在线观看| 极品少妇高潮喷水抽搐| 成人国产麻豆网| 精品国产超薄肉色丝袜足j| av网站免费在线观看视频| 日韩欧美精品免费久久| 久久久国产精品麻豆| 久久久久久久精品精品| 亚洲成av片中文字幕在线观看| 午夜久久久在线观看| 欧美av亚洲av综合av国产av | 青春草视频在线免费观看| 免费不卡黄色视频| 国产乱人偷精品视频| 69精品国产乱码久久久| 丝袜在线中文字幕| 两性夫妻黄色片| 最近的中文字幕免费完整| 免费观看av网站的网址| 无限看片的www在线观看| 岛国毛片在线播放| 免费观看性生交大片5| 熟女av电影| 多毛熟女@视频| 日韩 欧美 亚洲 中文字幕| 国产精品亚洲av一区麻豆 | 欧美中文综合在线视频| 午夜免费观看性视频| 777米奇影视久久| 国产亚洲av片在线观看秒播厂| 精品国产乱码久久久久久小说| 在线观看www视频免费| 亚洲激情五月婷婷啪啪| a 毛片基地| 国产伦人伦偷精品视频| 亚洲四区av| 精品国产乱码久久久久久男人| 99久久综合免费| 岛国毛片在线播放| 国产免费视频播放在线视频| 亚洲av电影在线进入| 少妇猛男粗大的猛烈进出视频| 九草在线视频观看| 男男h啪啪无遮挡| 国产在线免费精品| 美女福利国产在线| 国产精品一区二区在线观看99| 中文字幕av电影在线播放| 欧美黑人欧美精品刺激| 日本av手机在线免费观看| 人妻一区二区av| 国产高清国产精品国产三级| kizo精华| 精品一区二区三区av网在线观看 | 高清av免费在线| 欧美97在线视频| 精品午夜福利在线看| 欧美av亚洲av综合av国产av | 久久亚洲国产成人精品v| √禁漫天堂资源中文www| 久久婷婷青草| 丰满乱子伦码专区| 国产一卡二卡三卡精品 | 秋霞伦理黄片| 搡老乐熟女国产| 亚洲,欧美精品.| 制服人妻中文乱码| 男女床上黄色一级片免费看| 久久精品久久精品一区二区三区| 亚洲av日韩精品久久久久久密 | 国产精品久久久久久精品电影小说| 亚洲av日韩在线播放| av不卡在线播放| 成年美女黄网站色视频大全免费| 五月天丁香电影| 亚洲av日韩在线播放| 老司机亚洲免费影院| 黄频高清免费视频| a 毛片基地| 亚洲国产欧美一区二区综合| 秋霞在线观看毛片| 久久精品亚洲av国产电影网| 国产一级毛片在线| bbb黄色大片| 亚洲图色成人| 少妇的丰满在线观看| 午夜影院在线不卡| 午夜久久久在线观看| 80岁老熟妇乱子伦牲交| 丰满迷人的少妇在线观看| 尾随美女入室| 亚洲精品av麻豆狂野| 欧美日本中文国产一区发布| 亚洲成人手机| 免费观看av网站的网址| 曰老女人黄片| av在线观看视频网站免费| 亚洲三区欧美一区| 中文字幕人妻熟女乱码| 老熟女久久久| 狂野欧美激情性xxxx| 男人添女人高潮全过程视频| 精品一区在线观看国产| 中文字幕人妻丝袜一区二区 | 久久国产精品大桥未久av| 在线观看免费高清a一片| 亚洲成色77777| 日韩欧美精品免费久久| 亚洲av日韩在线播放| 777久久人妻少妇嫩草av网站| 老鸭窝网址在线观看| 侵犯人妻中文字幕一二三四区| 午夜日本视频在线| 亚洲精品中文字幕在线视频| 欧美日韩福利视频一区二区| 91成人精品电影| 亚洲综合色网址| 国产精品久久久人人做人人爽| 成人漫画全彩无遮挡| 精品人妻熟女毛片av久久网站| 黄色毛片三级朝国网站| 国产高清不卡午夜福利| 女性被躁到高潮视频| 永久免费av网站大全| 欧美日韩精品网址| 91aial.com中文字幕在线观看| 999精品在线视频| 国产欧美日韩综合在线一区二区| 亚洲图色成人| 大码成人一级视频| 1024香蕉在线观看| 丁香六月欧美| 肉色欧美久久久久久久蜜桃| 水蜜桃什么品种好| 国产一区二区三区av在线| 国产欧美日韩一区二区三区在线| 操美女的视频在线观看| 久久狼人影院| 久久影院123| 亚洲精品美女久久av网站| 久久韩国三级中文字幕| 欧美激情高清一区二区三区 | 最黄视频免费看| 女人高潮潮喷娇喘18禁视频| 亚洲国产中文字幕在线视频| 久久精品人人爽人人爽视色| 嫩草影院入口| 你懂的网址亚洲精品在线观看| 在线 av 中文字幕| 欧美日韩成人在线一区二区| 中文字幕制服av| 操美女的视频在线观看| 一区二区日韩欧美中文字幕| 色视频在线一区二区三区| 午夜福利免费观看在线| 亚洲精品日本国产第一区| 免费高清在线观看视频在线观看| 欧美 日韩 精品 国产| 日韩一卡2卡3卡4卡2021年| 青春草视频在线免费观看| 在线观看国产h片| 亚洲国产日韩一区二区| 婷婷色综合www| 亚洲一区二区三区欧美精品| 女人爽到高潮嗷嗷叫在线视频| 满18在线观看网站| 丰满饥渴人妻一区二区三| 人人妻人人澡人人看| 在线观看人妻少妇| 成人影院久久| 黄色一级大片看看| 久久精品亚洲熟妇少妇任你| 亚洲精品,欧美精品| 免费黄网站久久成人精品| 中文字幕色久视频| 亚洲成人国产一区在线观看 | 亚洲国产精品国产精品| 一级片'在线观看视频| 免费在线观看完整版高清| 精品少妇内射三级| 国产成人精品久久二区二区91 | 天天操日日干夜夜撸| 国产亚洲av高清不卡| 欧美日韩成人在线一区二区| 亚洲美女搞黄在线观看| av又黄又爽大尺度在线免费看| 久久久欧美国产精品| av在线播放精品| 你懂的网址亚洲精品在线观看| 最近2019中文字幕mv第一页| 别揉我奶头~嗯~啊~动态视频 | 自线自在国产av| 亚洲国产欧美在线一区| 人妻一区二区av| 色播在线永久视频| 午夜福利网站1000一区二区三区| 热re99久久精品国产66热6| 菩萨蛮人人尽说江南好唐韦庄| 亚洲第一av免费看| 国产精品女同一区二区软件| 精品国产露脸久久av麻豆| 秋霞在线观看毛片| 精品国产一区二区久久| h视频一区二区三区| 久久精品久久精品一区二区三区| 欧美xxⅹ黑人| 国产无遮挡羞羞视频在线观看| 免费不卡黄色视频| 久久毛片免费看一区二区三区| 亚洲精品av麻豆狂野| 在线看a的网站| 免费看av在线观看网站| 亚洲免费av在线视频| 国产精品国产av在线观看| 啦啦啦在线免费观看视频4| 免费女性裸体啪啪无遮挡网站| 日韩一区二区三区影片| 操美女的视频在线观看| 国产一卡二卡三卡精品 | 欧美激情极品国产一区二区三区| 在线 av 中文字幕| 99香蕉大伊视频| 精品视频人人做人人爽| 日日爽夜夜爽网站| 男女下面插进去视频免费观看| 黄色 视频免费看| 中文字幕色久视频| 中文字幕人妻丝袜一区二区 | 汤姆久久久久久久影院中文字幕| 黑人巨大精品欧美一区二区蜜桃| 国产精品欧美亚洲77777| 国产一区二区激情短视频 | 精品久久久精品久久久| 只有这里有精品99| 一个人免费看片子| 91老司机精品| 天堂中文最新版在线下载| 在线观看www视频免费| 国产97色在线日韩免费| 黄片小视频在线播放| 女人爽到高潮嗷嗷叫在线视频| 18在线观看网站| 国产乱人偷精品视频| 精品一区在线观看国产| 午夜福利在线免费观看网站| 最近2019中文字幕mv第一页| 菩萨蛮人人尽说江南好唐韦庄| 久久久欧美国产精品| 亚洲国产最新在线播放| 91国产中文字幕| 国产一区有黄有色的免费视频| 人人妻人人添人人爽欧美一区卜| 亚洲国产精品一区二区三区在线| 国产一级毛片在线| 一级片'在线观看视频| 国产在线免费精品| 黄色视频在线播放观看不卡| 少妇人妻 视频| 亚洲精品久久成人aⅴ小说| 中文字幕高清在线视频| 丝袜人妻中文字幕| 亚洲成人免费av在线播放| 我的亚洲天堂| 成人毛片60女人毛片免费| 国产一级毛片在线| 免费久久久久久久精品成人欧美视频| 日本黄色日本黄色录像| 777久久人妻少妇嫩草av网站| 日本wwww免费看| av视频免费观看在线观看| 99久久99久久久精品蜜桃| 欧美日韩成人在线一区二区| 一个人免费看片子| 校园人妻丝袜中文字幕| 人成视频在线观看免费观看| 国产欧美日韩一区二区三区在线| 国产亚洲午夜精品一区二区久久| 波野结衣二区三区在线| 天堂俺去俺来也www色官网| 大码成人一级视频| 看十八女毛片水多多多| 国产日韩欧美视频二区| 国产成人欧美在线观看 | 制服诱惑二区| 男人添女人高潮全过程视频| 国产1区2区3区精品| 国产精品 国内视频| 亚洲精品一区蜜桃| 国产日韩一区二区三区精品不卡| 国产免费福利视频在线观看| 欧美日韩亚洲高清精品| √禁漫天堂资源中文www| 美女脱内裤让男人舔精品视频| 丝袜在线中文字幕| svipshipincom国产片| 国产av精品麻豆| 蜜桃国产av成人99| 日本猛色少妇xxxxx猛交久久| 午夜福利在线免费观看网站| 韩国高清视频一区二区三区| 亚洲综合色网址| 午夜福利免费观看在线|