基于严格二叉树编码和GA的模糊树结构学习

为解决模糊树模型结构学习中存在的信息冗余、寻优效率低等问题,提出了一种基于严格二叉树编码和遗传算法的结构学习方法。通过严格二叉树编码对模型结构进行编码,改善了现有矩阵编码的信息冗余问题;考虑到编码特殊性和算法收敛性,提出了一种改进的遗传算法用来对模糊树模型的结构进行寻优。实验结果表明,不同数据集上该算法的稳定性和计算速度均较好,能够寻找到一个较优的二叉树结构,从而提高模糊树模型的建模精度。     

基于深度学习的节假日高速公路交通流预测方法

准确的预测节假日期间高速公路交通流量，能够为节假日高速公路应急管理提供重要的数据基础。利用深度学习的理论框架建立了LSTM-SVR 预测模型，利用BP 神经网络对样本数据进行处理，再将LSTM 捕获的数据特征输入SVR 回归层中实现交通流预测。选取“ 十一” 黄金周前后时段，利用位于丽江市的交调站流量监测数据对LSTM-SVR 模型进行验证，并将LSTM-SVR 模型与其它模型预测效果进行对比。发现LSTM-SVR 模型在节假日不同时段、天气、流量状态下的高速公路交通流预测中有较好的适用性。     

基于背景重建的高光谱图像异常检测

针对高光谱图像异常检测中背景信息与异常目标信息难以有效区分,背景预测精度不佳的问题,提出一种新的基于背景重建的高光谱图像异常检测算法。通过字典学习方法获取高光谱图像背景光谱字典,并利用该字典对待检测图像进行稀疏重建,得到预测背景图像。将预测背景图像与原始图像做差后得到残差图像,进而利用局部RX检测算法对残差图像进行遍历,实现异常目标检测。通过对真实高光谱图像场景进行实验,证明了算法的有效性。     

多任务模糊聚类驱动的多任务TSK模糊系统模型

该文提出了一种多任务Takagi-Sugeno-Kang（TSK）模糊系统建模方法.首先给出了一种新的多任务模糊c均值聚类算法，能够有效提取所有任务之间的公共信息和每个任务的私有信息，进而利用所得的聚类中心构建多任务TSK模糊系统的前件参数.其次设计了一种具备多任务协同学习机制的后件参数优化方法，可以优化多任务TSK模糊系统的后件参数.最后基于优化的前后件参数，构建出具体多任务模糊聚类方法驱动的多任务TSK模糊系统模型（multi-task fuzzy c-means based multi-task TSK fuzzy system，MTFCM-MT-TSK-FS）以用于实际应用.分别在合成和真实数据集上进行实验，结果验证了该模型的有效性.     

基于负荷率差别定价的分时输配电价优化模型

输配电价是电力市场改革的关键,是推进售电市场放开的重要基础.随着输配电价改革不断深入,不同类型的输配电价定价方法亟待研究.本文以大工业用户输配电价为研究对象,首先,引入汉森门槛模型,内生性划分大工业用户的负荷率区间;其次,建立输配电网长期增量成本分摊模型,提出基于负荷率差别的输配电价定价方法,并借鉴分时电价思想,构建基于负荷率差别定价的分时输配电价协调优化模型,设计分电压等级、计及负荷率差别的分时输配电价;最后,以我国中部H省大工业用户为例,验证所提模型可行性.研究结果表明,所提分时输配电价定价方法吸收了负荷率电价和分时电价优点,能够兼顾效率与公平,同时有效调节电力用户需求,实现削峰填谷,一定程度缓解输配电网阻塞问题.     

基于逆向强化学习的装船时堆场翻箱智能决策

集装箱码头装船时堆场翻箱具有时序性与动态性，属于NP（non?deterministic polynomial）难问题。针对常见的顺岸式集装箱码头堆场，以最小化总翻箱次数为优化目标，考虑翻箱对装船连续性及效率的影响，基于马尔科夫决策过程构建装船时堆场翻箱模型，设计逆向强化学习算法。为验证算法的有效性，以随机决策为基准，将设计的逆向强化学习算法与码头常见规则决策、随机决策对比。结果表明，贝位堆存状态不佳时，常见的规则决策不一定优于随机决策；逆向强化学习算法可有效挖掘隐含专家经验，收敛至最小翻箱次数的概率更高，且不同堆存状态下均能更好地限制单次发箱的翻箱次数，可实现装船时堆场翻箱智能决策。     

模糊大脑情感学习的自适应噪声抵消方法

提出一种以模糊大脑情感学习(fuzzy brain emotional learning, FBEL)模型作为自适应噪声抵消器的噪声抵消方法，应用于信号处理问题。该方法通过FBEL模拟经非线性通道传输后的噪声信号，将噪声信号从含噪信号中过滤掉，达到消噪的目的；根据自适应学习算法，利用奖励信号和梯度下降法对FBEL模型的权重及参数进行在线更新，以适应噪声的变化。选取均方根误差和计算时间2个性能指标，采用自适应噪声抵消方法在不同网络中进行仿真比较，结果表明，应用该方法可以获得更好的滤波性能。     

一种新的结合奖励机制的ETLBO算法

通过对原ETLBO(elitist teaching learning based optimization)算法引入一种新的奖励机制, 提出一种新的结合奖励机制的ETLBO-reward算法, 并基于该算法提出一种简单自适应的精英个数算法RETLBO reward, 该算法保留了传统算法参数少、 易实现、 收敛快等优点, 进一步提升了传统算法的收敛能力. 对6个连续非线性优化问题的测试结果表明, 这两种算法均具有良好的性能, 求解效率较原ETLBO算法有明显提升.     

面向同源蛋白质探测的一种新型混合深度学习模型

根据蛋白质氨基酸链探测其同源蛋白质,进而预测蛋白质的功能,是生物信息学研究领域的一个重要挑战,也是众多生物医学研究领域的基础研究内容,有着重要的科研价值和广泛的应用需求。其研究难点在于:(1)如何学习对同源蛋白质预测有效、有用的蛋白质特征信息;(2)如何更好地运用蛋白质特征信息,实现同源蛋白质的探测与识别。为了解决同源蛋白质探测与识别研究中的关键难点,本文提出一种基于混合深度学习架构的同源蛋白质探测与识别模型(HDLM-PHP)。通过采用统一的"管道式"深度学习架构,将蛋白质特征学习和探测识别统一为一个整体,提高同源蛋白质探测与识别的效能。采用多组并行的深度卷积神经网络,学习蛋白质的各种属性信息,以期获得丰富的待检测蛋白质和靶蛋白质的高级相关性特征,并通过全连接方式使用多层RBM结构融合和精炼这些相关性特征为全局相关性特征。通过统一的深度网络连接方式,以探测和识别任务为导向,学习到对于同源蛋白质预测最有效、最全面的蛋白质特征信息。在标准数据集SCOPe上,对所提模型进行性能与效率评测,结果表明:本文提出的模型能有效地学习到符合任务导向的蛋白质特征数据,提升同源蛋白质探测与识别的准确度和召回率,优于现有的模型和算法。     

新变革下大学生阅读和学习信念重建的思考

阐述了新媒介环境下阅读发生的新变革及大学生阅读现状,分析了阅读与大学生学习信念的关系,从加强大学生自身建设、保持对学习的激情、积极创建有学习信念氛围的校园文化等方面,提出了重建大学生学习信念的策略.