双重网格的Lattice Boltzmann方法

针对均匀网格的Lattice Boltzmann方法（LBM）计算效率较低的不足，引入有限差分方法（FDM）中双重网格算法的基本思想，结合LBM在连续流场上变量也连续分布的特点，推导出双重网格的LBM。这种算法充分利用粗、细两种网格各自不同的优点，加快了收敛速度，提高了流场的计算效率。通过模拟二维Poiseulle流动和后台阶流动两个算例，证明双重网格算法的计算时间明显地少于均匀网格算法的计算时间，计算结果正确可信。     

基于二维图像和多点统计方法的多孔介质三维重构研究

提出了一种基于多孔介质二维薄片图像和多点统计方法的多孔介质三维重构方法.将微米精度的多孔介质二维薄片图像作为初始的训练图像,利用多点统计方法重构其下层图像.将每次获得的下层图像作为新的训练图像,利用多点统计方法继续重构该训练图像的下层图像.二维重构图像的每个像素对应成三维空间的一个体素,依次叠加每层的二维重构图像得到最终的三维多孔介质图像.将该方法应用于砂岩样品的三维重构,通过与真实情况下砂岩体数据的比较发现,该方法重构的多孔介质具有与其相似的孔隙结构特征.     

基于谱聚类和矩阵分解的改进协同过滤推荐算法

针对传统的协同过滤推荐算法存在数据稀疏性、冷启动,影响推荐结果的准确性等问题,提出了一种改进的协同过滤推荐算法。使用基于随机梯度下降优化求解的矩阵分解方法,将原始矩阵分解为较低维的用户特征矩阵和特征产品矩阵;引进产品外部属性信息,运用谱聚类算法对产品聚类,构建属性—特征之间的映射关系,填充特征产品矩阵。所提出的算法不需要对原始评分矩阵进行数据填充,相较于传统的固定值填充方法,不需要系统提供大量的空间存储评分矩阵,并且在评分预测过程中采用降维技术,可以有效地缓解数据稀疏性对推荐结果准确性的影响。     

基于矩阵分解与随机森林的多准则推荐算法

现今的推荐算法大多忽略用户偏好和项目属性中的多个特征,而是在单一推荐准则的基础上训练模型进行推荐. 基于多准则的推荐算法通过考虑用户偏好的多个方面,可以为用户行为提供更加准确的预测. 酒店是旅游行业中重要的环节,为了提高旅客体验,实现酒店评分预测,提出了基于矩阵分解与随机森林的多准则推荐算法. 该算法分两步实现,通过矩阵分解训练得出用户对物品在各个准则上的评分特征,然后随机森林学习评分特征预测最终评分. 实验结果显示,相较传统算法,基于矩阵分解与随机森林的多准则推荐算法的准确性和实用价值更高.     

基于混沌蚁群神经网络的浮选过程经济技术指标预测

以选矿中的浮选生产过程为研究对象,提出一种基于混沌蚁群神经网络算法预测浮选过程经济技术指标的测量模型.采用主元分析进行输入数据集降维,应用混沌蚁群算法与最小二乘法相结合的混合算法调整前提参数和目标值,以取代二次规划求解优化问题,并达到求解速度快、仿真精度高的效果;同时,采用混沌蚁群算法训练神经网络,在随机扰动或测量噪声存在的情况下仍可以达到较好的训练目的,并提高了网络参数辨识的收敛速度.同时,以某实际选矿浮选生产过程的生产数据作为建模和预测数据进行仿真分析,并与初始的主元分析-反向传播(BP)神经网络模型预测结果加以对比.结果表明,所提出的模型能够实现浮选过程经济技术指标的全局预测,与优化前的模型相比其预测误差明显较低,预测精度提高了1.8%,满足优化浮选药剂添加的计算要求.     

基于二维DCT的电能质量监测数据压缩方法

为处理大量的电能质量监测数据,提出一种基于分块二维DCT算法的电能质量监测数据的压缩方法.该方法按周期倍数将电能质量监测数据进行截断和重组,构成二维表示的电能质量监测数据.对二维电能质量监测数据按照8×8矩阵进行分块,并对每个分块矩阵进行二维DCT变换.将所有分块矩阵中同一位置的元素提取出来构成分块重排矩阵,每个分块重排矩阵中的元素处在同一个能量级.根据分块重排矩阵的平均能量对重排矩阵进行量化,得到的量化矩阵和保留的分块重排矩阵作为压缩的结果数据.仿真结果表明:当均方误差为3.89%时,压缩比可以达到82.8%.     

基于谱正则化算法的大数据矩阵完备化研究

矩阵完备化是基于部分观测数据来完成全部矩阵预测的问题.随着互联网技术的发展,大数据时代的来临,大数据矩阵中大多数据依然是空白的,需要补充,即大数据存在矩阵完备化的问题.本文利用谱正则化模型和算法来解决大数据的矩阵完备化问题,该方法将矩阵完备化问题整理成核范数最小二乘问题,再通过截断奇异值分解、软输入算法和硬输入算法给出了一系列正则化低秩解.最后基于实际的Netflix 大数据的实验结果证明了本文的方法.     

基于随机旋转集成的降维方法

对随机旋转集成方法提出了一种针对降维问题的改进,得到了新的降维算法框架进行随机变换降维,可以显著减少降维过程中造成的信息损失.采用随机变换降维后,训练监督学习算法时可以获得更高的准确率和更好的泛化性能.通过在模拟数据上进行的实验,证明了使用多重共线性数据进行回归分析时,与传统降维算法相比,经随机变换降维处理后可以保留更多的信息,获得更小的均方误差.对随机变换降维在手写数字识别数据集上的表现进行了研究,证明了与一般性的降维算法相比,随机变换降维在图像分类问题上可以获得更高的准确率.     

基于深度卷积神经网络的三维模型识别

为了进一步提高三维模型的识别精度,提出了一种基于深度卷积神经网络的三维模型识别方法。将点云数据通过占用网格规范化计算转化为二值3D体素矩阵,通过附加正则化项的随机梯度下降算法提取体素矩阵的特征,再通过共享权重的旋转增强对训练集进行数据增广并以此对模型标签进行预测。实验结果表明,该算法在公开数据集ModelNet40及悉尼城市模型数据集上的识别精度均达到85%左右。与基于同类机器学习的三维模型识别算法相比,在相同训练数据集上该方法网络训练时间短,在相同测试数据集上模型识别准确率高,检索速度快。提出的体素占用网格模型的深度卷积神经网络,可以实现三维点云模型数据集及规范化体素模型数据集的识别和分类工作。     

二维随机分布纤维过滤介质的压力损失分形模型

为了研究影响纤维过滤器压力损失的主要因素,开发了能够生成二维随机分布的虚拟纤维过滤介质的VBA程序,并在纤维随机分布的二维区域中利用计算流体力学(CFD)技术计算了Stokes方程的数值解.通过对虚拟滤料CFD模拟计算结果的数据回归分析可知,纤维过滤介质的压力损失随纤维填充率增加呈非线性增加,与纤维直径的二次方呈反比例关系,与纤维介质厚度及过滤速度呈线性正比例关系,由此提出了二维随机分布纤维过滤介质的压力损失预测模型.在此基础上,考虑了分形维数和迂曲度对过滤压力损失的影响,得出压力损失随分形维数和迂曲度的增加呈非线性增加,提出了包含分形维数、迂曲度的压力损失预测表达式,该表达式与相关文献的分形理论模型具有很高的一致性.     

一种新的单次快拍二维ESPRIT算法

针对复杂电磁干扰背景下相干信源的二维波达方向快速估计问题,从减小协方差矩阵计算量角度,提出了一种新的单次快拍二维ESPRIT算法(SS-ESPRIT). 该算法仅用一次快拍数据构造4个等效的协方差矩阵,进一步构造扩展的等效协方差矩阵,通过对其一次特征分解,即可实现完全解相干和二维波达方向估计. 为进一步提升该算法估计性能,提出了同相位数据叠加的对策. 数值仿真验证了SS-ESPRIT算法在提升实时性的同时,不会造成估计性能的下降,仅利用一次快拍数据的该算法估计性能优于快拍数为50次的空域平滑波达方向矩阵算法(DOAM),且接近快拍数为100次的DOAM算法,叠加8次同相数据后的该算法性能明显优于200次快拍的DOAM算法. 结果表明新算法适用于小数据样本估计或对实时性要求高的应用背景.      

二维正弦信号频率估计的ESPRIT方法研究

为了在噪声背景下估计二维正弦信号的频率,并获得较高的估计精度,给出了二维相关阵的大特征值所对应的主特征向量,位于由信号向量张成的信号子空间的结论,并因此提出了一种新的基于最大特征值所对应的第1特征向量的二维谐波频率估计ESPRIT(Estimation of Signal Parameters Via Rotational Invariance Techniques)方法.该方法用此第1特征向量构造一个特殊矩阵代替MEMP(Matrix Enhancement and Matrix Pencil)方法中的数据矩阵,进一步用二维ESPRIT方法来估计谐波频率.该方法依赖于信号子空间,对噪声和数据长度敏感性小,同时它不需进行谱峰搜索,可以得到较高的估计精度.同时给出了较为简便的频率配对算法.仿真实验证明了算法的正确性.     

基于贝叶斯模型组合的随机森林预测方法

为了能够精准可靠地估计太阳能辐照度,本文提出一种基于贝叶斯模型组合的随机森林算法用于太阳能辐照度预测.首先,引入K-means聚类和K折交叉验证将气象数据训练集生成多个训练子集,以增加训练子集的多样性并保证均匀采样.其次,将随机森林作为基学习器建立集成学习预测模型,导入训练子集并训练各个随机森林.之后,依据各个随机森林在验证集上的预测性能,采用贝叶斯模型组合算法制定组合策略.个体随机森林在测试集上的预测值经过模型组合策略得到最终输出.最后,基于气象实测数据建立仿真实验,并引入其他四种预测方法进行对比仿真研究,通过实验结果验证了文中所提出预测方法在太阳能辐照度预测问题中的准确性和可靠性.     

基于矩阵分解的电力物资需求预测

准确预测变电站及配网工程的物资需求,对于节约工程成本,提高资金利用率,具有重要意义.尽管研究者在电力物资需求预测方面已经开展了一系列的研究,提出了很多预测模型和算法,例如基于神经网络的算法,然而,这些算法普遍存在输入数据过于简单和理想、仅对少数几种物资的需求量进行了预测实验、预测的准确率偏低等不足.因此,目前生产系统普遍采用人工方式进行电力物资需求预测,由有经验的领域专家根据工程初步设计方案预测各类物资的需求量.为了解决现有电力物资需求预测方法存在的不足,本文提出基于矩阵分解的预测方法,以电网建设项目物资需求历史数据和项目计划的部分物资作为输入,通过矩阵分解算法对项目其他物资需求用量进行预测.矩阵分解算法不需要大量的历史用量数据,只用部分项目的物资数据就能进行预测,且算法不需要提前进行训练.     

一种仿人机器人行走距离预测方法

针对仿人机器人NAO实际行走距离受环境因素(如脚底打滑)和自身因素(如关节的反作用力)的影响,导致其与理论期望距离有一定偏差的情况,提出了一种基于自适应神经模糊推理系统的行走距离预测方法.通过获得NAO行走距离的相关数据,采用网格分割法,构建自适应模糊推理系统来预测机器人实际行走的距离.训练时采用网格分割、BP算法和最...     

一种基于改进PCA和BP神经网络的人脸识别算法

机器学习中存在大量处理图片的高维数据,PCA是一种有效降维数据的方法.针对PCA算法在提取前几个特征值时计算量大且易受光照噪声等影响的问题,提出一种改进算法,利用分割矩阵的做法求出每一个小矩阵的最大特征值,将其特征向量组成图片的特征矩阵.这样提取出来的特征值更加具有代表性,经仿真实验验证,改进算法的正确识别训练图像集和...     

基于L-M梯度迭代算法的煤质发热量预测模型

选取150家火电企业的煤质检测数据，通过分析泛在煤质化验数据信息，构建L-M算法下的煤质发热量的预测模型。实验结果表明：(1)煤质化验数据中仅碳(C_d)、灰分(A_ad)与发热量(Q_gr,ad)的线性关系较为显著，相关系数R²为0.8768和0.6880;(2)主成分分析法挖掘出影响煤质发热量的主成分特征值、特征矩阵及得分，实现了由六维矩阵降至四维矩阵的降维效果，增强了神经网络在训练过程中收敛的稳定性；(3)基于L-M算法下，改进的BP神经网络预测模型(LMBP)的训练集系数R_t、验证集系数R_a和测试集系数R_m分别为0.9957、0.9942和0.9963，总体系数为0.9931，同时通过待测20组数据进一步验证了LMBP预测模型可靠，预测精度较高，更符合实际预测需求。     

晶格Boltzmann方法模拟流体在三维圆管的流场

简要介绍了三维D3Q19晶格Boltzmann方法(LBM)及其常见几种的边界条件,并通过模拟有精确数学分析解的三维圆管的流场分布,证明了LBM方法可以精确模拟流场的分布,且算法简单、边界易处理、适合并行处理等,还给出LBM在不同边界条件和格子数的模拟精度.结果显示Mei等改进的曲线边界条件能够提高模拟精度,而反弹边界条件尽管算法简单且易处理,但模拟精度要低一个数量级.模拟中,应根据所取的弛豫时间和入口、出口之间的压强差选择合适的格点数,格点数太少影响模拟精度,太多不仅增加计算量,而且也不会提高模拟精度.     

Slant变换与图象数据压缩

本文介绍Slant变换的定义和快速算法.从对应于Slant变换的二维方差矩阵可以看到它能达到压缩图象数据的目的.把对应于Slant变换和Hadamard变换的二维方差矩阵加以对比,看出这两种变换的效果没有显著差别.     

利用单次快拍实现相干信源二维测向的新算法

针对复杂电磁干扰背景下相干信源二维波达方向的快速估计问题,根据垂直阵列系统特点,利用单次快拍数据在3个不同维度构造了数据矩阵实现解相干,并结合ESPRIT算法实现了二维DOA的快速估计. 该算法仅利用单次快拍数据,不需要进行协方差矩阵的计算,并将二维DOA估计问题转化为3个一维DOA估计,可同时在3个维度并行处理,因此运算量大大降低,利于工程实现. 针对算法存在阵列孔径损失和仅采用一次快拍数据量导致的估计误差偏大问题,利用非圆信号特征和同相位数据叠加,改善了算法的估计性能,提高了阵列自由度. 数值仿真验证了本文算法及提高估计精度对策的有效性.