基于PCA-SVM的混合气体分类研究

由于气体数据有限以及气体分类的准确率不高,解决气体分类问题有较大的难度。传统的模式识别算法虽然能够运用到气体分类中,但在不同浓度的气体数据下训练和测试性能会下降,准确率也比较低。本研究对8阵列传感器和24阵列传感器采集到的混合气体进行分类,提出了结合主成分分析（Principal component analysis, PCA）应用支持向量机（Support vector machine, SVM）,构建PCA-SVM模型对不同浓度的一氧化碳（CO）、甲烷（CH₄）、硫化氢（H₂S）以及乙醇（C₂H₆O）的混合气体进行分类的方法。与SVM、参数优化的BP神经网络（Back propagation neural network, BPNN）和PCA-BP神经网络模型对比的结果表明,在随机选择的数据中,采用PCA-SVM模型能够提高分类的性能,在含有13个特征的气体数据集中,利用PCA-SVM模型准确度达到98.974%。在含有27个特征的数据集中,利用PCA-SVM模型准确度达到100%,能够满足对混...     

基于CNN和Bi-LSTM的脑电波情感分析

针对目前大多数脑电波情感识别方法存在的依赖手动特征提取等问题,提出一种基于卷积神经网络(convolutional neural network,CNN)和双向长短时记忆(bidirectional long short-term memory,Bi-LSTM)网络的混合模型.首先将一维数据转换为二维数据,采用CNN提...     

基于改进CNN-LSTM组合模型的分时段短时交通流预测

针对现有预测模型不能充分提取交通流时空特征的问题,提出一种基于改进卷积神经网络（convolutional neural network,CNN）和长短时记忆（long short-term memory,LSTM）神经网络的短时交通流预测方法。首先,采用分层提取方法使设计的网络结构和一维卷积核函数自动提取交通流序列的空间特征;其次,优化LSTM网络模块来减少网络对数据的长时间依赖;最后,在端对端模型的训练过程中,引入改进后的自适应矩估计（rectified adaptive moment estimation,RAdam）优化算法,加快权重的拟合并提高网络输出的准确性和鲁棒性。实验结果表明：在工作日与周末分时段,所提出的模型相比堆栈自编码（stacked auto-encoders,SAEs）网络预测模型,性能分别提升3.55%与8.82%,运行时间分别缩减6.2%与6.9%;相比长短时记忆网络-支持向量回归（long-short term memory-support vector regression,LSTM-SVR）预测模型,性能分别提升0.29%与1.79%,运行时间分别缩减9.0%与9.7%。所提模型能够更加适用于不同时段下的短时交通流预测。     

基于代价敏感卷积神经网络的集成分类算法

针对不平衡数据集中少数类样本分类识别率较低的问题,提出一种基于代价敏感卷积神经网络(cost sensitive convolutional neural network,CSCNN)和AdaBoost的分类算法(classification algorithm based on cost sensitive conv...     

基于3D-CNN的高光谱遥感图像分类算法

现有的三维卷积神经网络(Three-dimensional convolutional neural network, 3D-CNN)模型常有参数过多和特征提取不全面的情况，并且对样本标签有限问题的处理存在不足。针对样本标签有限的问题，采用生成式对抗网络模型对原始数据进行数据增强，解决了个别样本标签少导致分类模型出现过拟合的现象；针对3D-CNN网络提取特征不全面的问题，所设计高效的3D-CNN网络模型，在网络中加入纹理信息增强模型，使网络能更好地提取图像的空谱特征。实验表明，算法在小样本数据情况下比原始网络分类精度更高，能自适应提取高光谱图像的空谱联合特征。     

基于粒子群算法优化BP神经网络的CO_2通量预测

针对现有准确地预测CO_2通量方法的不足,提出了一种以粒子群算法和反向传播(BP)神经网络相结合的预测模型。为了防止粒子种群的快速趋同效应,引入了自适应变异算子。通过对陷入局部最优的粒子进行变异操作,提高了算法的寻优性能。利用粒子群算法得到BP神经网络的初始权值和阈值,对优化后的BP神经网络和普通的BP神经网络分别创建CO_2通量预测模型。实验结果表明,基于粒子群改进BP神经网络模型能较好表达CO_2通量与主要因素之间的非线性关系,相对于一般BP神经网络具有更好的非线性拟合能力和更高的预测准确性。     

应用掩码区域卷积神经网络的文本检测模型

要：提出一种基于掩码区域卷积神经网络的文本检测模型。首先从扩大模型感受野并尽可能保持模型效率的角度出发，针对残差神经网络中的瓶颈结构进行优化，构建基于结构优化的残差神经网络（residual network based on structural optimization, ResNetSO）；然后去除冗余特征以提高融合后特征质量，并将空间注意力机制应用于特征金字塔网络，构建了基于下层特征指导的特征金字塔网络（feature pyramid network based on lower feature guidance,FPNetLFG）。在两个公开数据集上的实验结果表明：包含ResNetSO和FPNetLFG两个模块的模型应用在级联区域卷积神经网络、递归特征金字塔和可切换空洞卷积的目标检测模型中，分别可以带来0.8%和0.3%左右的F1值提升，从而说明了该方法的有效性和普遍适用性。     

基于小波包与自适应SVM的滚动轴承故障诊断方法研究

近年来,诸多学者针对滚动轴承故障问题进行了大量研究。本文利用基于小波包分解的时频域特征提取方法获取各频段能量谱。同时,为提高故障诊断模型的诊断精度,利用差分进化灰狼优化算法(Differential Evolution Grey Wolf Optimizer,DEGWO)实现支持向量机(Support Vector Machine,SVM)模型参数自适应。最后,通过具体实验完成故障特征提取与自适应故障诊断模型的构建,从而实现机械设备滚动轴承的状态监测与故障诊断。     

利用基于分区搜索的自适应遗传算法求解TSP问题

为了提高用遗传算法求解旅行商问题（TSP）的收敛速度，结合自适应算子和父子竞争策略等优化思想．提出了基于分区搜索的自适应遗传算法．该算法将整个搜索区域分成若干个较小的搜索区域，先进行局部搜索．在得到局部较优的基因组合后，再进行全区域搜索，不但提高了遗传算法的收敛速度，而且改进了变异算子的操作性能．通过TSP问题的求解表明，基于分区搜索的自适应遗传算法是一种稳定、高效的优化算法。     

LSM结合邻居干扰抵抗模型的传感器网络节点故障检测

针对大多数无线传感器网络(wireless sensor network,WSN)故障检测算法容错性较差的问题,提出一种基于链路切换机制(LSM)和邻居干扰抵抗模型的WSN节点故障检测算法.仿真实验从数据包分组传输率、控制负载、内存负载和故障恢复延迟四个方面评价该算法,结果表明,当节点传输功率提高至4mW时,数据包传输率提高了5%以上,恢复延迟平均降低了4ms左右,适用性非常好.相比现有的WSN故障检测算法,该算法取得了更好的性能.     

基于AdaBoost.M2-NN的变压器故障诊断

组合分类器的经典算法AdaBoost即自适应Boosting算法是提高预测学习系统预测能力的有效工具.针对传统BP（Back Propagation,BP）神经网络在变压器故障诊断时存在不稳定和网络易陷于极小值等缺点,将AdaBoost扩展算法AdaBoost.M2与BP神经网络结合,形成基于Ada-Boost.M2-NN（AdaBoost.M2Neural Network）的变压器故障诊断模型.利用AdaBoost的集成提升作用,在一定程度上弥补了BP算法的不足.仿真结果表明：该模型不仅能将单个BP神经网络无法识别的样本类别识别出来,而且还能整体上相比BP神经网络和传统三比值法将识别率提高11.5%,说明其具有可行性.     

培养创新能力的教学质量评价体系研究

针对提高高校教学质量问题,对创客教育课程模式进行了设计,优化创新创业教学要素配置,融合"学、做、创"的学习活动内容,建立具备层次性、实践性、自主性和开放性特征的创新创业教育实践平台体系.构建创新创业人才培养的创客教育评价指标体系,提出了基于支持向量机的多类分类教学质量评价模型,并对该模型进行了性能分析.实验数据表明,基于支持向量机的高校教育质量评估模型训练和预测精度完全在可以接受的范围内,是一个合理、可行的预测模型.     

KNN-GWD推荐模型及其应用

为解决传统推荐存在精准性差的问题，构建了一个融合K-最近邻算法（K-nearest neighbor，KNN）、图神经网络（graph neural network，GNN）和深度宽度（Wide&Deep）网络的推荐模型。融入KNN分类方法对数据进行噪声过滤，以提高数据质量；利用GNN提取用户会话图的节点嵌入表示，基于注意力机制加权用户全局特征以捕获用户短期兴趣；调用Wide&Deep以解决稀疏数据时的模型过度泛化问题。为了验证模型的有效性，分别在MovieLens-1M、Bing-News、Book-Crossing数据集与6种传统推荐方法进行对比实验，结果表明所提模型的各项评价指标更佳。为了进一步验证该模型在实际应用领域中的可行性，面向农业领域搭建了农业一体管理App化肥推荐系统，得到推荐结果的准确率为0.721，曲线下面积为0.784，满足了预期的应用需求。     

基于时变T-S模型的自适应控制及其在养老保险系统中的应用

模糊控制算法已经广泛应用于商业和工业领域.讨论了基于时变系统T-S模糊模型的自适应控制方法,及其在养老保险信息系统中的应用.推广了一种基于参数辨识的自适应控制技术,这种自适应控制技术可以在控制过程中在线地调节系统的参数与结构,不断提高其适应能力.通过实际应用案例表明,提出的基于T-S模型的自适应控制技术在时变系统中是成功的.     

基于改进Harris算法的全自动无缝图像拼接

基于传统的Harris算法,提出了一种改进的Harris算法用来进行角点检测。此算法通过改变原来的梯度算子,提高了算子的检测敏感度。采用一个新的角点响应函数,避免了人为设定参数。在图像拼接过程中,通过卷积神经网络(Convolution neural network,NCC)对图像进行配准,利用稳健的RANSAC算法剔除误匹配,最终图像融合。实验结果表明,该算法提高了图像拼接的准确性,减少了图像拼接所耗费的时间,提升了图像拼接效率,具有良好的实用性。     

一种基于双重网络模型的单幅图像超分辨率方法

本文对深度学习领域中的高效亚像素卷积神经网络（efficient sub-pixel convolutional neural network,ESPCN）算法进行了改进,通过加入残差网络知识,调整原有的ESPCN构造结构,提出了一种双重网络模型下单幅图像超分辨率重建方法。通过实验证明：该算法能够有效地提高单幅图像超分辨率重建的精度,丰富重建后的细节信息。     

福建省建设用地资源“山-海-原”一体化优化配置

针对福建省建设用地后备资源紧缺等问题,从"山-海-原"("山"指低丘缓坡地,"海"指沿海滩涂地,"原"指低效用地)角度对建设用地资源进行优化配置.利用经济发展适宜性和生态安全评价指数数据,基于多目标规划模型理论创建建设用地"山-海-原"一体化优化配置模型,优化配置2020年福建省土地开发指标.研究表明,1)利用夜间灯光数据评价的经济发展适宜性与GDP年际变化显著正相关.福建省经济发展适宜性从东部沿海向内陆逐渐降低.2)到2020年,福建省新增建设用地空间的71.09%(约14.1万公顷)可来源于低丘缓坡地("山"),集中于中部和西部地区;28.51%(约5.6万公顷)来源于低效用地("原"),集中于东部沿海地区;0.39%(约0.087万公顷)来源于沿海滩涂("海"),主要为晋江市和东山县.建设用地"山-海-原"一体化优化配置方法可为多山多丘陵的地区合理配置建设用地开发空间.     

基于生物地理学优化算法的在线课程查询调度算法研究

为解决大规模在线课程查询负载均衡的问题,降低系统负载率,在平衡负载的自适应查处调度器的基础上,提出一种基于生物地理学优化算法(BBO)优化平衡负载的自适应查处调度器(BAQP)期望代价矩阵的在线课程查询调度算法。选择系统的总体负载消耗系数作为评价指标,运用BBO算法优化获取在线课程的最优查询方案。通过静态权值和动态权值不同任务和资源查询调度性能对比可知,BBO算法较Min-Min和Max-Min算法具有更强的系统负载平衡能力和较低的系统负载率,可以有效降低系统消耗系数。     

基于SSA-XGBoost的变压器故障诊断

针对传统机器学习算法处理绝缘油中溶解气体分析(Dissolved gas analysis, DGA)的数据集准确率低的问题,提出了樽海鞘优化算法(Salp swarm algorithm, SSA)优化极端梯度提升(Extreme gradient Boosting, XGBoost)的DGA故障检测模型。对DGA数据集进行Z-score标准化预处理,消除DGA数据集各个特征间差异过大的影响;初始化SSA种群参数、迭代次数,设置樽海鞘群体的上下限,分别对应XGBoost里面的各个参数;经过樽海鞘群体的连续迭代优化,寻找XGBoost的最优参数;利用寻找到的诊断模型XGBoost的最优参数进行DGA的故障诊断。与遗传算法(Genetic algorithm, GA)优化XGBoost、粒子群算法(Particle swarm optimization, PSO)优化XGBoost和蚁群算法(Ant colony optimization, ACO)优化XGBoost的对比实验表明,针对DGA数据集,SSA相比于GA、PSO和ACO优化的XGBoost模型各个故障的准确率更高,总体准确率...     

基于卷积神经网络的时空权重姿态运动特征提取算法

在传统姿态运动特征提取过程中存在有效提取效率低的问题,于是提出了基于卷积神经网络（convolutional neural network,CNN）算法的时空权重姿态运动特征提取算法。针对所选择的运动时空样本,提取相应的时空运动关键帧并以静态图像的形式输出;采取运动目标检测、图像增强等多项措施完成初始运动图像的预处理工作;借助CNN将运动特征矢量化;采用时空权重自适应插值方法减少运动边缘检测误差,从姿态边缘特征和姿态运动时空特征两方面实现姿态运动特征提取,并输出提取结果。与传统算法进行对比实验的结果表明,所提出的算法在有效特征数量方面得到了提升。