【实验】工程测试技术_过控11.12

【实验1】信号合成、分解、分析处理

1.1 目的

  1. 熟悉各种仪器
  2. 了解信号的采集和记录的方法,学会用DASP进行采集
  3. 了解典型信号的波形和频谱

掌握各种典型信号的时域曲线,频谱,随机信号的相关函数,功率谱

  1. 理解采样定理,观察不同采样频率下采集信号波形的变化。

1.2 实验原理

  • 傅里叶级数
  • 傅里叶变换
  • 采样定理
  • 混叠效应
  • 功率谱密度

1.3 内容

  1. 组成简单的信号测试系统,调试标准的正弦信号方波,三角波信号,伪随机信号和白噪声信号

1.4 实验仪器

  • 示波器
  • 信号发生器
  • DASP
  • 计算机
  • 导线

【实验2】压电式加速度传感器的背靠背标定

2.1 需要的仪器

  • 信号发生器
  • 功率放大器
  • 激振器
  • 电荷放大器
  • 压电式加速度计

2.2 160hz的正弦信号

经过功率放大器,激振器,在电荷放大器上装定标准压电式加速度传感器。

  • 直到最后让两个设备的幅值比大概为1为止

【实验3】泵的振动特性测试

3.1 对象:离心泵

  • 测试固有频率,掌握机械系统振动参数的测量和估计的方法

3.2 锤头

给试件一个激振力,用力传感器来测试激振力的大小

3.3 电荷放大器

将加速度传感器输出的较小的电和信号放大成可以监测的电压信号

在机器学习和深度学习中,"loss过高"通常是指训练过程中模型的损失函数(如交叉熵、均方误差等)的值远高于理想的或预期的范围。对于分类任务来说,比如准确率是100%,loss应该接近于0。当loss达到11.12%,这意味着模型在当前的学习过程中表现不佳,可能存在的原因包括: 1. **模型过拟合**:模型在训练数据上过度学习,导致在新数据上泛化能力差,表现为训练集loss低,验证或测试集loss高。 2. **学习率不合适**:如果学习率设置过大或更新步度过快,可能导致优化器无法找到有效的局部最优解。 3. **数据分布不均衡**:某些类别在训练集中过于稀疏,可能导致模型难以正确处理这些类别,从而提高整体loss。 4. **网络结构或参数初始化不当**:模型的复杂度过高或权重参数未进行正确的初始化,也可能造成初始loss偏高。 5. **优化器问题**:选择的优化算法(如SGD、Adam等)可能不适合当前任务或模型,或者存在梯度爆炸或消失的问题。 要解决这个问题,你可以尝试以下措施: 1. **调整超参数**:如学习率、批量大小、正则化参数等。 2. **数据增强**:增加训练数据的多样性,帮助模型更好地泛化。 3. **改变模型结构**:简化模型,或者尝试更复杂的架构。 4. **使用早停策略**:监控验证集loss,在loss开始上升时停止训练,防止过拟合。 5. **使用其他优化器**:尝试不同的优化算法,如RMSprop或Adagrad。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

王摇摆

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值