边界监督多重集典型相关分析

多重集典型相关分析(multiset canonical correlation analysis,MCCA)仅仅考虑了多组数据间的相关性信息,不能有效地反映样本数据的几何结构与鉴别信息,因此为了解决这个问题,首先在LDA思想的启发下,构建了监督多重集典型相关分析(supervised multiset canonical correlation analysis,SMCC)的理论框架,并以此为基础,结合边界Fisher分析(marginal fisher analysis,MFA),提出了边界监督多重集典型相关分析(marginal SMCC,MSMCC).该算法的基本思想是在最大化数据相关性的同时,还要最大化组内数据的类间离散度以及最小化组内数据的类内离散度.在人脸图像与目标数据库上的实验结果验证了所提算法的有效性.     

钢瓶供给氢气和空气的气相色谱法测定室内环境中的苯和TVOC

室内挥发性有机化合物(VOC)中的苯是强致癌、致残、致畸性的有毒污染物。为保证人体健康,住建部对室内环境中的苯和TVOC有严格的标准限量。采用热解析直接进样的气相色谱法分别测定,但两个测定苯的方法结果可比性差。按"规范"的定义,采用Tenax-TA管采样,250℃下热解析、优化色谱仪的测定条件,建立了测定苯和TVOC的气相色谱法。新方法操作简便,费用低,结果重现性好,更合理准确。     

基于BP神经网络模型的寿险公司偿付能力影响因素及预警研究

针对寿险公司偿付能力影响因素以及预警管理研究,选取了不同规模的14家寿险公司流动比率、赔付率、投资收益率、总资产回报率、再保险率、保费收益率、保费变化率、寿险准备金增长率8个指标的相关数据,并利用变异系数法和相关系数法分别筛选影响较大的因素,再逐步回归得到基于主要影响因素的偿付能力回归方程,以此进行因素分析.在指标优化的基础上,利用BP神经网络模型建立寿险公司偿付能力的预警系统,同时与广义Logistic模型预测结果进行对比,得出BPNN具有更准确的判别预警效果,为寿险公司偿付能力预警以及投保人降低自身损失作出参考作用.     

(3+1)维Korteweg-de Vries (KdV)方程的高阶怪波解和多波浪解

基于Hirota双线性形式，一个新的（3+1）维Korteweg-de Vries（KdV）方程的高阶怪波解和多波浪解被得到.通过作图，更直观地展示和讨论了高阶怪波解和多波浪解的动力学性质.     

基于深度学习的多STBC盲识别算法

针对空时分组码(space-time block code, STBC)识别中多种编码类型难区分的问题, 提出了一种基于卷积神经网络的STBC盲识别算法。该算法首先将接收信号采用自相关函数的频域预处理, 输入到卷积神经网络中对信号特征进行提取, 全连接层对特征进行映射, 实现对6种STBC类型的识别。仿真实验结果表明, 在无信道和噪声等先验信息的条件下, 所提算法能够有效区分3种相似度高的STBC3码, 且将STBC可识别的编码类型由目前的4种扩充到6种, 识别准确率能达到96%。该方法的复杂度较低, 不需要利用大量样本数据, 实时性高, 具有较好的工程应用价值。     

考虑多种损坏构成特征的沥青路面预防性养护决策方法

由于沥青路面损坏构成的多样性, 相同的路面状况指数(pavement condition index, PCI)可能代表不同的损坏组合. 当多种损坏并存且损坏程度接近时, 用PCI和主导损坏(最严重、扣分最多的路面损坏)难以得到具有针对性的养护对策. 因此, 通过对PCI的深入分析, 明确了主导损坏代表性不足的路段, 以现行预防性养护决策方法为基础, 补充了一种考虑损坏构成特征、更具针对性的决策方法. 以上海城市道路近5年的检测、养护数据为分析基础, 首先利用有序聚类算法将路段按PCI水平分组, 分析了不同阶段路面损坏构成和差异水平; 然后, 针对多种损坏并存且损坏差异不显著的路段, 根据预防性养护的实施效果筛选了能够反映正确预防性养护经验的有效养护路段; 最后, 基于有效养护路段建立并对比分析了2个基于BP(back propagation)神经网络的养护决策模型. 结果表明: 当PCI水平介于优良(84.4~93.0分)时, 不同损坏程度接近, 主导损坏代表性不足; 考虑多种损坏构成特征的BP神经网络模型表现出更高的决策精度, 测试集决策正确率达86.20%, 优于仅考虑主导损坏的模型(58.50%). BP神经网络与传统决策树法结合能够优化沥青路面决策过程, 提高养护对策选取的针对性.     

加速寿命数据的贝叶斯建模与分析

在加速寿命试验的可靠性设计中, 随机化设计的限制以及删失数据不可避免地导致低分位数估计出现较大的偏差。针对上述的问题, 结合贝叶斯抽样技术以及非线性混合模型(nonlinear mixed model, NLMM)提出了一种可靠性改进的分析方法。首先, 需要检验所收集的数据是否服从威布尔分布以及验证形状参数是否是恒定常数。其次, 考虑随机效应对尺度参数和形状参数的影响, 运用NLMM构建了尺度参数和形状参数与试验因子之间的函数关系。然后, 利用贝叶斯方法估计低分位数的可靠性寿命。最后, 实际案例研究表明, 在考虑删失问题和未完全随机设计的影响时, 所提方法能够获得更为稳健和可靠的估计结果。     

基于RANSAC的高原地区交通违章视频图像去抖动方法

为了降低由于图像抖动引起的视频质量较低的问题,提出基于RANSAC的高原地区交通违章视频图像去抖动方法.利用RANSAC构建了图像模型,以此为基础,实现对图像中抖动点的准确识别,将抖动点数据与模型进行匹配,计算对应点的补偿值,以此实现去抖动的目的.实验结果表明,其能够实现对视频图像中抖动的有效去除.     

Constrained voting extreme learning machine and its application

Extreme learning machine(ELM)has been proved to be an effective pattern classification and regression learning mechanism by researchers.However,its good performance is based on a large number of hidden layer nodes.With the increase of the nodes in the hidden layers,the computation cost is greatly increased.In this paper,we propose a novel algorithm,named constrained voting extreme learning machine(CV-ELM).Compared with the traditional ELM,the CV-ELM determines the input weight and bias based on the differences of between-class samples.At the same time,to improve the accuracy of the proposed method,the voting selection is introduced.The proposed method is evaluated on public benchmark datasets.The experimental results show that the proposed algorithm is superior to the original ELM algorithm.Further,we apply the CV-ELM to the classification of superheat degree(SD)state in the aluminum electrolysis industry,and the recognition accuracy rate reaches87.4%,and the experimental results demonstrate that the proposed method is more robust than the existing state-of-the-art identification methods.     

具有外部干扰的耦合时滞神经网络固定时间二分同步

针对结构平衡图与结构非平衡图的网络拓扑,考虑了一类具有外部干扰的耦合时滞神经网络模型,分别设计了其固定时间同步控制协议.借助固定时间稳定性理论与不等式技巧,获得了耦合网络在固定时间内达到同步的充分性判据,给出了具体的收敛时间上界,并验证了固定时间同步网络的鲁棒性与抗干扰性.为了扩大网络模型的适用性,考虑的神经网络激活函数为非连续的函数,可借助微分包含与集值李导数理论解释非连续微分方程的动力学行为.最后,分别在结构平衡图和非平衡图下对耦合神经网络的固定时间二分同步进行了数值仿真,验证了控制算法的有效性及理论结果的正确性.