结合CNN和GCN的在线学习平台辍学预测方法

针对在线学习平台的高辍学率问题,提出了基于图卷积模型的在线学习辍学预测方法,通过分析学习者在不同时间尺度上的行为特征,及时发现学习者的辍学倾向,采取预防或补足措施.首先,将学习平台采集到的行为数据作为时间序列数据,使用ResNet-50作为局部特征提取的卷积神经网络(CNN),构建包含时间信息的特征向量.其后,将多维特征向量作为图卷积网络(GCN)的节点特征,通过两个GCN网络层建立相关特征的内在联系,并通过数据扁平化尽量保留更多的信息.大规模在线开放课程(MOCC)公开数据集上的实验结果表明,所提方法的预测准确度高于其他先进方法.     

基于季节性肯达尔检验法的松花江哈尔滨段水质变化趋势分析

通过对松花江哈尔滨段的5个监测站点分析,选用BOD5、CODmn、DO、NH_3-N四项主要污染因子,对其2006～2015年的年平均浓度,利用PWQTrend水质分析软件运用季节性肯达尔检验原理进行了水质变化趋势检验,并且运用GM(1,1)模型预测2016～2025年四种主要污染因子的浓度变化.根据水质变化趋势分析和预测结果,可以有针对性的治理流域内的某一因子引起的污染问题.     

LSTM网络在地铁隧道沉降预测中的应用研究

为提高地铁隧道沉降预测的精度,研究长短记忆网络(LSTM网络)在地铁隧道沉降预测中的作用。分别利用反向神经网络(BP神经网络)和LSTM网络建立模型,结合2组地铁隧道实测数据,对模型的预测精度进行了比较和分析,试验结果表明LSTM网络优于BP神经网络并有较高的预测精度,与BP神经网络模型相比LSTM网络模型预测误差降低幅度可达35%,相对误差降低幅度可达42%,均方根误差值降低幅度为55%,预测的结果更接近实际测量结果。研究表明将深度学习的方法之一LSTM网络引入到地铁隧道沉降监测中,提高了预测精度。     

精车工件表面粗糙度预测系统的开发

开发精车工件表面粗糙度预测系统.应用模糊自适应BP算法建立工件表面粗糙度与其影响因素之间的关系模型;依据给定的数据样本对模型进行训练,将训练好的网络用于实际的工件表面粗糙度预测;采用VB和MatLab语言相结合的方法开发系统,实现数据采集和神经网络预测功能.实验结果表明,利用该系统进行工件表面的粗糙度预测是切实可行的.     

基于最优样本子集的在线模糊LSSVM混沌时间序列预测

提出一种基于最优样本子集的在线模糊最小二乘支持向量机(least squares support vector machine,LSSVM) 混沌时间序列预测方法. 算法选择与预测样本时间上以及欧氏距离最近的样本点构成最优样本子集,并采用" 不敏感函数对其进行模糊化处理,通过模糊LSSVM 训练获得预测模型. 随着时间窗口的滑动,最优样本子
集和预测模型实时更新,模型更新采用分块矩阵方法降低运算复杂度. 实验中对时变Ikeda 序列进行预测,表明所提出的方法与离线和在线LSSVM 相比,训练速度更快,预测精度更高.     

基于激光诱导击穿光谱技术的城市土壤重金属含量检测与分析

基于激光诱导击穿光谱(LIBS)技术,并结合偏最小二乘回归(PLSR)与最小二乘支持向量机(LSSVM)两种化学计量学分析方法,进行城市土壤中Cr元素含量检测与分析.采集了城市周边的土壤样本,并得到各个样本的LIBS谱线.采用剔除异常光谱和数据归一化来减少实验误差和噪声.对比分析基于PLSR和LS-SVM,建立分析谱线区间与对应的重金属元素浓度之间的定量回归模型.检测与分析结果表明,LSSVM模型的预测性能优于PLSR模型.     

高铁路基后期沉降预测方法的运用分析

针对软土地基沉降周期长,承载力低,沉降变形波动大等特点,以某高铁沉降数据为依托,应用双曲线法、Asaoka法、星野法、GM(1,1)模型进行沉降预测,分析不同时间起点对预测结果的影响.结合实际沉降结果对比分析得出:①负沉降点对预测精度影响较大,沉降预测时最好跳过或删除负沉降,且不易采用负沉降点附近的数据作为参考数据;②双曲线法、Asaoka、GM(1,1)模型较适合于软土地基沉降预测,而星野法拟合效果相对较差;③双曲线法和GM(1,1)模型以停载后5个月为预测时间起点结果较准确,Asaoka法受预测时间起点影响不明显.     

一种基于聚类的RBF神经网络模型

应用于工程中的径向基函数(RBF)神经网络模型,当训练样本量很大时常存在训练学习速度慢和拟合精度不高的问题.针对这一情况提出了一种基于聚类的RBF神经网络(BC-RBFNN)模型.该模型首先通过对训练样本进行聚类分析,将其分为不同的类,接着根据每类的训练样本构造一个RBF子网并获取其相关参数,接着再将各个子网组织成一个BC-RBFNN模型.通过对其进行理论分析和性能检验试验,结果表明该模型能加快网络训练学习速度,缩小的模型规模,提高网络的预测精度.     

基于人工神经网络的L9(34)正交实验预测特点研究

用五组L⁹(3⁴)正交实验结果作为训练学习样本集,通过人工神经网络对其预测特点进行了探讨.结果表明:完备的正交实验样本集是基本训练学习单元,不可分割,其预测结果与实测结果吻合很好.同一类型同一实验条件下,完备的信息量大的正交实验样本集通过人工神经网络能很好地预测其他完备的信息量小的正交实验样本集,这为正交设计提供了有意义的参考思路.     

利用深度残差网络的高分遥感影像语义分割

遥感影像分割是影像解译与分析的必要过程,随着深度学习在特征表达上的优势逐步显现,以深度网络为基础模型的影像语义分割已成为自动分割的主要研究趋势.该文提出了一种基于深度残差网络的多尺度语义分割模型,旨在针对小样本遥感影像数据集,提高具有不同尺度分割对象的遥感影像分割精度.首先将深度残差网络以全卷积网络形式进行微调,实现端到端语义分割模型结构构建;然后针对全卷积网络粗糙分割输出的问题,引入Atrous卷积精细化模型上采样过程,进而提高输出标签图精度;最后针对小样本数据进行随机多尺度数据增强,通过样本扩充提高模型分类精度和鲁棒性.试验基于ISPRS 2D Vaihingen语义分割数据集,影像分割结果的分类精度达到89.7%,尤其在小尺度对象上具有较好分割效果.