基于模糊认知图的物流需求预测模型研究

准确地预测社会物流需求,在政府对物流行业政策制定、企业物流活动规划中有着重要意义.本文提出一种基于模糊认知图的物流需求预测模型构建方法,综合考虑国内生产总值、进出口总额等五个经济要素与物流需求之间的相互影响关系,通过对历史数据机器学习获得相互影响权重,构建了物流需求预测模型,可对未来物流需求进行推算和预测.实验证明,该模型对物流需求的预测精度较高,效果较好.     

超长隧道面临的挑战与思考

 随着交通强国战略规划的提出和全面实施，中国的隧道及地下工程建设也迈入一个全新的时代。根据中国目前的隧道建设水平，本文引入了超长隧道的概念，介绍了修建不同超长隧道需要面临的技术挑战，并展望了一些关键技术的发展趋势。     

微生物废水处理产甲烷的自动控制系统

结合现代的自动控制技术和互联网技术,设计了基于微生物废水处理产甲烷的自动控制系统.选用基于Cortex A9主控芯片的Exynos4412作为控制核心,使用云架构的tomcat服务器进行数据存储,配合现场工业级执行单元与标准专用传感器,实现了微生物培养进而处理工业废水以及提高甲烷生产含量的目标.实际运行结果表明:该系统成功将废水处理至排放标准并使得生产的甲烷含量由52%提升至77%,具有较高的实用价值和应用推广价值.     

冥卫一首批12个地貌特征名称的中文译名

简述了冥卫一首批12个地貌特征英文名称的产生、确立,中文译名的翻译、调研、讨论、论证、公布几个阶段的工作,并针对科技译名的原则提出了一些问题。     

电路原理全英文混合式教学模式研究与实施——以大连民族大学为例

教学模式改革是高等教育的一个永恒课题。结合电路原理全英文教学的特点,以学生为中心,全面实施混合式教学模式,引入“雨课堂”等新型教学工具,改革课程评价方式,强化学习过程考核,学生的学习效果得到较大程度提升。     

基于Unity 3D的多机协同化纤长丝生产线工艺仿真

将化纤长丝生产线按功能特点分成生产、检测、包装和仓储4个子系统,基于Unity 3D分别在4台电脑上进行协同仿真和显示。生产子系统使用数据化驱动可以仿真任意生产规模的场景,检测子系统与智能检测模块联合可以仿真基于视觉处理的真实生产线产品质量检测,包装子系统可以对质量合格的丝饼按规格打包,仓储子系统根据订单需求对已打包的丝饼进行存储并完成进出库操作。对各子系统需要通信的数据制定了协议,使用基于TCP/IP(transmission control protocol/internet protocol)的Socket通信完成多台电脑协同仿真。试验表明,多机协同仿真可以更高效地设计和优化化纤长丝生产线。     

带噪音预处理的改进探索性Q矩阵标定方法

考虑到在实际应用中学生在做题时的猜测和失误(统称为噪音)会影响探索性因素分析法所使用的四分相关矩阵的质量,该文提出四分相关矩阵的一种噪音修正方法,并将其应用于Q矩阵标定.模拟研究结果表明:猜测和失误这2种噪音会对Q矩阵的标定产生不利的影响; 基于修正后的四分相关矩阵的探索性因素分析法,在样本量较大和噪音较大等情况下,均能有效地提高Q矩阵标定的准确率.     

基于去噪自编码器的镜像极限学习机设计

针对极限学习机在高维度、含噪声数据集中需要大量隐含层节点来保证分类性能的问题，设计了镜像极限学习机.该算法使用伪逆法确定输入权值，随机生成输出权值和偏置，在对数据进行分类时，它仅需极少的隐含层节点.为了提升镜像极限学习机的分类性能和抗噪性，将它与去噪自编码器相结合.利用去噪自编码器对输入数据进行特征提取，并将提取到的特征作为镜像极限学习机的输入数据，再进行网络训练.在无噪和含噪声的MNIST，Fashion MNIST，Rectangles和Convex数据集中，将基于去噪自编码器的镜像极限学习机与ELM，PCA-ELM，SAA-2和DAE-ELM作对比实验，结果表明，基于去噪自编码器的镜像极限学习机的综合性能最优，用于分类的网络隐含层节点数最少.     

高温作用后砂岩物理力学性质阈值温度的确定——基于机器学习算法

通过采用机器学习算法，提出了高温作用后砂岩物理力学性质变化的阈值温度的确定方法。基于Python语言，利用K-Means、SVM算法，实现了对样本数据的分类和聚类，确定了阈值温度区间，验证了二分类法的合理性和准确性.结果表明，砂岩样本的阈值温度区间为400~600 ℃，阈值温度上下砂岩的物理力学性质存在显著差异，体现为阈值温度区间以下的岩样物理力学性质较为分散，而阈值温度区间以上的岩样物理力学性质较为集中.     

A Time‐Simultaneous Prediction Box for a Multivariate Time Series

A sample‐based method in Kolsrud (Journal of Forecasting 2007; 26 (3): 171–188) for the construction of a time‐simultaneous prediction band for a univariate time series is extended to produce a variable‐ and time‐simultaneous prediction box for a multivariate time series. A measure of distance based on the L_∞ ‐norm is applied to a learning sample of multivariate time trajectories, which can be mean‐ and/or variance‐nonstationary. Based on the ranking of distances to the centre of the sample, a subsample of the most central multivariate trajectories is selected. A prediction box is constructed by circumscribing the subsample with a hyperrectangle. The fraction of central trajectories selected into the subsample can be calibrated by bootstrap such that the expected coverage of the box equals a prescribed nominal level. The method is related to the concept of data depth, and thence modified to increase coverage. Applications to simulated and empirical data illustrate the method, which is also compared to several other methods in the literature adapted to the multivariate setting. Copyright © 2015 John Wiley & Sons, Ltd.