基于退化特征相似性的航空发动机寿命预测

针对航空发动机结构复杂、性能退化参数众多、寿命预测精度低等问题,提出了一种基于退化特征相似性的寿命预测方法。首先通过基于Relief算法的退化特征筛选、基于主成分分析(principal component analysis,PCA)的特征提取和基于核函数的特征平滑,提取低维正交多变量退化特征;然后进行特征的相似性匹配,寻找与当前样本特征片段最相似的一组历史样本中的特征片段集合,将这些片段对应的RUL信息融合并采用密度加权方法得到当前样本的寿命预测估计值;最后通〖JP2〗过美国国家航空航天局(national aeronautics and space administration,NASA)提供的航空涡轮扇发动机仿真数据集验证了该方法的有效性,其寿命预测性能高于现有几种代表性方法。     

图像形态相关系数一般问题的研究

在将图像视为分片函数及分片向量函数的表示形式下,通过图像强度和几何形状两个因素描述图像特征,研究了图像的相似性度量问题.采用标准空间作为投影空间,探讨了分片函数及分片向量函数图像模式下投影算子及形态相关系数建立的方法,所得到的结果推广了Mosaic图像相关系数的表示形式.对分片向量函数所表示的图像形态相关系数的研究结果则更具一般性.     

移动商务中融合签到位置与用户间相似性的兴趣点精准推荐

向位置频繁变化的移动用户进行精准推荐,如何提高推荐准确性,已经成为一个理论研究与实践中的热点与难点问题.针对于此,本文提出了面向移动社交商务的精准用户兴趣点推荐模型--MRGR.首先,利用用户的历史签到信息,通过改进核密度估计对兴趣点进行预测;其次,进一步考虑到用户间的签到相似性,使用信息熵定量表示用户移动的随机性和不确定性;最后,融合地理位置信息与用户间相似性,精准推荐用户兴趣点,并在Foursquare数据集上进行验证.实验结果表明:与传统模型相比,提出的模型在准确预测用户兴趣点的同时,可以有效缓解数据稀疏性和冷启动问题,并在准确率和召回率上都取得了显著的提高.成果将为移动商务中,如何更好满足企业的精准推送与用户个性化需求提供有力的技术支持和决策服务.     

基于正交局部慢性特征的故障检测方法

为提高化工行业中数据驱动故障检测的效果,该文针对实际工业系统中闭环控制导致的过程动态特性和数据流形中蕴含的局部信息,提出了一种基于局部时空正则慢特征提取(local time-space regularized slow feature extraction, LTSS)的方法进行故障检测。首先,构造基于局部时空正则的目标函数得到投影矩阵,进而得到预提取特征S,则S张成的空间中包含了静态信息,而S的一阶差分张成的空间中包含了动态信息。其次,基于独立成分分析(independent components analysis, ICA)方法,分别为2个空间构建对应的S~2和SPE统计量进行监控,用于实时故障检测。在TE (Tennessee Eastman)过程上的案例研究可以证明所提方法的有效性。     

基于构建软件功能描述的可复用软件检索方法

软件复用技术能够有效降低新软件产品开发的时间、人力和成本.在软件复用中，基于待开发软件的基本描述与简单需求，如何衡量已有软件的可复用性并对大量已有软件进行快速、自动的可复用性评估，已成为首要解决的问题.目前已有较多评价软件产品或软件项目相似度的研究工作，但相似性并不等于可复用性.因此，该文通过调研软件产品可复用性的相关研究，定义了一套适用于开源软件仓库中软件项目的可复用性评价指标，并设计了基于待开发软件项目的基本需求快速查询可复用软件项目的算法，实现了可复用软件项目检索系统.通过实验及专家对检索结果的评价，验证了所提描述方法的高效性和可用性.     

大兴安岭冰帽群的发现及初步研究

对于大兴安岭地区是否发生过第四纪冰川作用,地质学界一直存在争议。通过野外调查发现,在内蒙古克什克腾旗世界地质公园青山园区的山脊与山坡上,大规模分布有流线构造,同时在边缘地带存在着典型的终碛条带构造、冰碛砾石扇构造。流线构造由粗粒黑云二长花岗岩组成,砾石为棱角状,多长条形,长为数十厘米至数米。构成流线构造的砾石垄,垄宽1～3 m,高0.3～1.0 m,长数十米,最长的可达数百米。长条状砾石a轴与流线构造的延伸方向一致,板状砾石则叠压成鱼骨状。经与国外文献中冰帽遗迹特征进行对比分析,确定这些流线构造属于冰帽冰碛流线构造,从而证实了大兴安岭地区曾经存在众多小型冰帽,统称为"兴安冰帽群"。根据砾石表面具有极其微弱的风化程度、流线构造与全新世灰黑色亚黏土堆积在一起的特征,初步推断该期冰帽的发生时间可能为全新世的拦马冰期。     

基于深度自动编码器的多标签分类研究

在多标签分类的相关研究中,由于现有的基于网络表示学习算法的相关方法只利用了网络中节点之间的邻接领域信息,而没有考虑到节点之间的结构相似性,从而导致分类准确性较低,因此,本文提出一种基于深度自动编码器的多标签分类模型。该方法首先利用轨迹计算算法(Orca)计算不同规模下网络中节点的结构相似性,作为深度自动编码器的输入来改进隐藏层中的向量表示,保留网络的全局结构;然后利用节点的邻接领域信息在模型中进行联合优化,从而能有效地捕捉到网络的高度非线性结构;最后根据隐藏层得到节点的向量表示,利用支持向量机对节点进行多标签分类。验证实验采用3个公开的网络数据集,实验结果表明,与基准方法相比,本文方法在多标签分类任务中能取得更好的效果。