一种基于CNN迁移学习的井下烟、火智能感知预警系统

地下矿井具有相当复杂的工作环境,因此监控井下不明烟、火的产生,从而避免瓦斯爆炸等灾害的产生显得尤为重要.目前大多数煤矿井下均采用人工视频监控的方式,不仅严重浪费人力、物力,而且监控范围受到很多限制.基于此问题,提出一种基于卷积神经网络(CNN)迁移学习的井下烟、火智能感知预警系统.该系统首先在工作区域上方安装防爆摄像头,并将摄像头与井上主机通过光纤连接.其次,在主机上部署CNN迁移学习算法来识别监控区域是否有不明烟、火产生.最后,在实现判断烟、火是否产生后配合报警系统发出警报通知,通知安全巡逻人员灭火.结果表明,该技术可以有效判断井下是否有烟、火产生,大大降低了井下区域的安全隐患和人力、物力资源的浪费,实现了井下烟、火的智能感知预警.     

基于NKL和K-means聚类的协同过滤推荐算法

针对传统协同过滤推荐算法(CF)存在用户-项目矩阵稀疏以及推荐准确率较低等问题,提出了一种基于NKL和K-means聚类的协同过滤推荐算法(NKL-KM).首先,NKL-KM算法定义了一种新的相似性度量方法,该方法在进行相似性度量时考虑了各项目评分的分布以及评分值差异.其次,NKL-KM算法将K-means算法与CF算法结合,提高了推荐算法精度.最后,在MovieLens和Netflix数据集上进行算法对比实验,实验结果表明NKL-KM算法有较高的推荐精度.     

LSTM和Prophet模型在肺结核发病数预测中的应用

为预测肺结核发病数,建立了两种能够较为精确描述以及预测肺结核发病数的模型.根据中国疾控中心提供的2007年7月至2019年6月肺结核发病数的数据,运用LSTM模型和Prophet模型对中国肺结核发病数进行预测,并将该两种模型的预测性能与ARIMA、GM(1,1)模型进行对比.结果表明,Prophet模型预测性能最佳,其MAE值与RMSE值分别为5 124.33、5 905.32,LSTM模型预测性能次之,ARIMA模型预测性能最差.