基于度量核和GHI核混合的植物叶片识别算法

针对现有识别算法中的核函数不能充分利用直方图的整体特征和不同维特征间的内在联系,提出基于度量核和广义直方图交叉(generalized histogram intersection,简称GHI)核混合的植物叶片识别算法.首先,构建多尺度边缘轮廓(multi-scale marginal contour,简称MMC)算子;其次,提取预处理后的叶片图像MMC形状特征、局部二值模式(local binary pattern,简称LBP)空域纹理特征、局部向量化(local phase quantization,简称LPQ)频域纹理特征,进而将这些特征拼接成复合特征;再次,利用度量学习和马氏距离改造负距离核构建度量核,将其与GHI核加权融合形成组合核;最后,进行仿真实验.仿真实验结果表明:相对于现有算法,该文算法对不同种类的植物叶片具有较高的识别率.     

自适应跌倒前实时检测方法

为了能利用单一传感器在跌倒撞击前实时检测出跌倒即将发生,结合支持向量机(SVM)和阈值法设计了一种自适应跌倒前实时检测方法.实验结果表明,该方法能在跌倒撞击前实时检测出跌倒即将发生,且比人工阈值法和SVM方法有更长的间隔时间,比SVM方法有更高的召回率和特异度.     

基于无条件分位回归的民营上市公司高管薪酬问题研究

高级管理人员的薪酬作为现代企业委托代理关系中的核心问题一直是社会的焦点.本文以我国民营上市公司为样本,首先研究了公司规模、每股收益、营业收入、流动负债和高管持股比例作用于高管薪酬不同分位点处的条件分位偏效应,结果表明它们在不同分位水平下的影响各异;然后为了获得这些因素的一般边际影响,利用无条件分位回归分析了它们的无条件分位偏效应,结果指出公司规模、每股收益和营业收入与各个分位水平的高管薪酬呈不同程度的正相关而流动负债则为负相关,高管持股比例与低分位水平的高管薪酬正相关而对中高分位水平的影响不显著;最后对相关结果进行了对比,发现每个影响因素的条件和无条件分位偏效应有所区别,并且无条件分位偏效应的解释意义更具有现实价值.     

美国人效能增强技术发展应用

 美国一直在进行士兵“超级”能力方面的研究，采用多项举措推动人效能增强技术发展。从顶层战略设计、科研机构任务、经费持续投入3个方面对美国人效能增强技术发展特点进行了综合分析，概述了美国人效能增强技术在体能、技能、智能等领域研究成果与进展，并分析了美国人效能增强技术的发展趋势和可能导致的社会伦理学问题。     

不同边界条件薄壁截锥壳的高阶振动特性研究

采用传递矩阵法研究了不同边界条件下薄壁截锥壳的高阶振动特性.基于Love壳体理论建立薄壁截锥壳振动微分方程,根据薄壁截锥壳子段间的状态向量,通过传递矩阵法得出整体传递矩阵,并用高精度的精细积分法计算固有频率,通过文献和有限元法进行验证,并分析了薄壁截锥壳在不同边界条件下的高阶振动特性.结果表明,不同边界条件下,采用传递矩阵法计算高阶固有频率与有限元法的计算结果基本一致.当轴向半波数增加时,频率明显增大;随着周向波数的增加,频率先减小后增大.固支-固支和简支-简支边界下在m=1和n=7处得到最小频率,固支-自由边界下在m=1和n=6处得到最小频率,三种边界下最小频率值分别为400.1、325.6和226.1 Hz;边界条件约束越多,最低阶固有频率越大.     

CAPM模型在加密货币市场的适用性检验

为解决DCEP(央行数字货币)发行后可能遇到的风险,加密货币市场的系统风险和超额收益之间的关系,利用资产定价模型(CAPM)对加密货币市场的适用性进行检验,采用定义式和回归方程两种方法估计加密货币i的beta系数,对beta系数进行时间序列回归,横截面回归,发现参数估计不显著,得到CAPM模型不能很好的解释加密货币市场风险和收益之间的关系,适用性不强的结果.     

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XGBoost的房价预测优化（英文）

客观来说，房价受到诸多因素的制约，正因如此，房价预测仍然是数据分析中一个非常经典且具有挑战性的问题.本文针对房价数据冗余，在实际场景中很难确定重要特征，提出了一种创新的数据预处理方式，并通过双模型迭代拟合的方式进行数据预测.首先从数据意义、数据形式和数据关联性三个方面进行初始数据预处理，然后根据数据选择适合的模型进行训练.在传统机器学习中，Random Forest和XGBoost是两种常用的方法.RF模型通过其Bagging过程，能够准确地评判“冗余”特征，而XGB模型在提高预测效果的同时，也囿于其泛化能力下降，无法稳定地反映特征重要性.因此，本文利用RF模型处理冗余数据，并使用XGB模型对新数据集进行拟合提高预测效果.本文在Kaggle竞赛的数据集（"House Prices-Advanced Regression Techniques"）上进行了实验，测试结果显示，XGB回归模型最终的回归精度R²为87%,而单独的RF模型或XGB模型的R²分别为79.2%和78.7%.实验证明，该数据预测方法能够明显提高房价预测效果.同时，为充分体现模...     

基于多阶段退化建模的谐波减速器实时可靠性评估与寿命预测

谐波减速器是工业机器人的关键核心部件,其可靠性的实时评估和剩余寿命预测对于提升工业机器人的工作性能和健康监管具有重要意义.作为一种复杂的高精度机械部件,其退化过程表现出明显的多阶段性特点.因此,针对谐波减速器的退化特性,提出基于Gamma过程的多阶段退化模型对谐波减速器性能退化过程进行精确描述.首先,根据谐波减速器退化趋势的变化,进行多阶段退化过程的划分;然后采用历史性能指标数据,基于最大皮尔逊相关系数准则估计模型先验分布的超参数,建立基于Gamma过程的多阶段退化模型.在此基础上,针对在役设备的实际运行特点和工程现场中性能指标数据获取困难的问题,提出采用振动特征来建立高斯过程回归模型,对性能指标值进行精准预测以实现对退化模型后验分布参数的实时更新.最后在此基础上对谐波减速器进行实时可靠性评估和剩余寿命预测.通过对谐波减速器可靠性实验数据的分析表明,所提出的方法能够实现可靠性的实时评估,并且与单一阶段退化模型相比,该方法对剩余寿命的预测精度更高.     

基于Box-Cox变换分位数回归与负荷关联因素辨识的中长期概率密度预测

中长期电力负荷预测是电力部门制定电力系统发展规划和稳定运行的重要前提.针对影响中长期电力负荷预测精度的多个因素,本文利用逐步回归方法,从众多影响负荷预测精度的关联因子中,对关键的影响因子进行辨识,并提出基于Box-Cox变换分位数回归和核密度估计相结合的概率密度预测方法,得出不同分位点下未来连续几年的概率密度预测结果,实现了对未来年用电量准确波动区间的预测.以安徽省的历史用电量和社会经济数据为例,进行仿真实验.结果表明:该方法不仅实现了中长期电力负荷概率密度预测,而且利用强关联因素提高了中长期电力负荷概率密度预测的精度,有效解决了考虑多因子的中长期电力负荷概率密度预测问题.