基于宽度学习的浓密机底流浓度软测量

由于浓密脱水过程中浓密机的底流浓度难以在线检测，本文提出了一种基于宽度学习的软测量建模方法，用以解决底流浓度的在线检测问题.该方法精度高，泛化能力强.首先，在浓密机内部安装压力传感器，建立正常工况下的历史数据集;然后，利用宽度学习系统对软测量模型进行训练，从而实现浓密机底流浓度的在线预测;最后，通过仿真实验验证了该方法的有效性.与传统的机器学习方法相比，宽度学习方法具有更高的预测精度.     

一种基于强化学习的CDN流量调度系统设计方法

针对传统的CDN流量调度系统大多采用启发式方法或规划方法，存在维护成本高，实时性不足等缺点，提出一种基于深度强化学习的CDN流量调度系统设计框架。该框架基于马尔科夫链设计了故障告警网络来触发调度，建立了基于stacking模型的质量评估奖励函数，并在此基础上对流量调度进行定义和建模，构建了基于DQN的深度强化学习模型。最后，通过仿真实验验证了该调度框架的有效性。     

基于深度学习的Stack Overflow问题帖分类方法

针对基于正则表达式和传统机器学习的分类方法分别存在模式手工提取困难和性能瓶颈的问题, 提出一种基于深度学习的问题帖分类方法, 采用深度文本挖掘模型TextCNN和融合注意力机制的TextRNN构建分类模型. 实验结果表明, 基于深度学习的方法在多数问题目的类别上的分类性能优于已有基准方法, 且使用的Adam优化器优于SGD优化器, 使用Glove预训练的词向量优于使用随机生成的词向量. 该方法以提问目的对帖子进行分类, 可为分析Stack Overflow(SO)上的帖子讨论主题增加新维度.     

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。     

太阳磁场测量

20世纪初太阳黑子中磁场的发现将对太阳的研究从唯象观测带入真正的物理研究。太阳磁场将太阳内部以及各层大气联系在一起，其演化驱动了太阳大气中的各种活动现象。太阳磁场的精确测量对于我们理解太阳物理学中大多数尚未解决的问题至关重要。文章主要回顾了太阳磁场的发现和观测历史，介绍太阳磁场常用的测量方法和当前面临的挑战。     

中药肾茶对家猫夏季饮水和血清尿素含量的影响

家猫饮水、排尿较少,泌尿系统疾病高发.肾茶是一种传统中药,具有良好的利尿作用.本研究采用10只家猫进行实验,结果显示:在饲粮中添加1%(质量分数)肾茶可以显著增加家猫的饮水量,降低血清尿素氮含量,但不影响家猫的体重和采食量.这表明肾茶有增加家猫排尿量、减少其泌尿系统疾病的潜在作用.     

结合流形结构与柔性嵌入的多标签特征选择

将线性回归模型与流形结构相结合,构成了弱线性多标签特征选择的联合框架。首先,用最小二乘损失函数来学习回归系数矩阵;其次,通过标签流形结构来学习数据特征的权重矩阵;再次,用L2,1-范数来约束回归系数矩阵和特征权重矩阵,这样既能引导稀疏性,又有利于特征选择。此外,设计并证明了具有收敛性的迭代更新算法来解决上述提出的问题。最后,所提出的方法在多个经典多标签数据集上进行了验证,实验结果表明了所提算法的有效性。     

基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时, 为满足用户动态变化的带宽需求, 虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值, 一定程度上造成了资源浪费。针对这一问题, 提出一种基于混合流量预测的虚拟网络拓扑重构方法, 利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测, 根据流量预测结果进行拓扑重构, 在避免出现乒乓效应的同时节省更多带宽资源。为了提高流量预测算法的精度与效率, 首先采用小波分解方法将流量数据分解为高频的细节时间序列和低频的近似时间序列, 然后利用基于粒子群优化的相空间重构方法, 对该时间序列进行特征提取构建训练样本。之后分别采用混沌模型对细节时间序列进行训练预测, 采用极限学习机(extreme learning machine, ELM)神经网络对近似时间序列进行训练预测。仿真结果表明, 所提的流量预测算法在保证预测精度的同时, 运行时间更短, 预测效率更高, 进而保证了拓扑重构方法可以节省更多的带宽资源。     

数据驱动的铝基复合材料性能预测和逆向设计

采用数据驱动的方法对 SiCp(0.5CNT)/7075Al 铝基复合材料的化学成分以及制备工艺进行了分析, 针对抗拉强度和延伸率两个力学性能进行了特征重要性分析, 构建了包含 8 种机器学习算法的集成框架, 自动进行模型的参数调优和最优模型选择, 并在此基础上进行了材料逆向设计. 实验结果表明, 在 470 ${^\circ}$C 固溶 40 min, 120${^\circ}$C 时效 15 h 的热处理工艺下, SiCp(0.5CNT)/7075Al-1.0Mg 复合材料抗拉强度和延伸率的预测值为 617.48 MPa 和 2.98%, 实验值为 647.0 MPa 和 3.31%, 两项物理性能的平均绝对百分比误差(mean absolute percentage errors, MAPE)较小, 依次为 4.56% 和 9.97%. 这说明本数据驱动方法对铝基复合材料的工艺优化和性能提升有一定指导意义.     

基于深度学习的多模态眼科图像回归预测

青光眼是世界第二大致盲性眼病，视网膜神经纤维层（RNFL）缺损是诊断青光眼的重要特征。在临床应用中主要采用光学相干断层扫描（OCT）测量RNFL厚度。然而在我国的多数中小型医院和体检中心，只有眼底照相机而不具备OCT设备。因此利用眼底照和OCT的多模态数据，设计了一种基于眼底照来预测RNFL厚度的深度残差回归神经网络。该网络通过眼底照中的局部区域信息预测此区域的RNFL厚度，并对视盘外围一周范围内的RNFL厚度给出全面的刻画。在一个来自北京同仁医院的真实数据集上的实验结果显示，本文算法预测的RNFL厚度值与OCT测量值具有高度的一致性（对于正常眼平均绝对误差E_MA=14.884，Pearson相关系数r=0.885，决定系数R²=0.781；对于青光眼E_MA=15.108，r=0.872，R²=0.754）。评估结果表明所提方法对基于眼底照预测RNFL厚度具有良好的临床实用性。