基于增量式随机森林的燃气负荷预测方法

随着智能燃气网概念的普及和燃气智能表的发展,燃气负荷数据量呈指数级增长,燃气负荷预测面临新的挑战,传统的基于离线批量学习的数据预测方法已无法满足大数据量的实时数据预测需求。针对燃气负荷数据增量到达的预测场景,提出了一种增量式的随机森林回归(Incremental Random Forest Regression,IRFR)算法。该算法将一定量的样本存储在叶节点,通过衡量样本集变异系数来控制叶节点分裂;针对大数据量的情况,设计了样本丢弃策略来控制内存空间。在对上海市燃气负荷数据进行特征选择、提取并建模后,将IRFR算法应用于燃气负荷预测。实验结果表明,IRFR算法相比于传统的随机森林算法具有相当的准确率,同时所需训练时间较短,更适用于大数据量的增量学习场景。     

基于流形正则化判别的因子分解

通过对非负矩阵分解(non-negative matrix factorization,NMF)和因子分解(concept factorization,CF)的分析,针对它们无法核化或忽略数据几何结构和判别信息的问题,提出了基于流形正则化判别的因子分解算法(manifold regularized-based discriminant concept factorization,MRCF).该算法用CF算法对数据进行低维非负分解时,根据流形学习的图框架理论,构建邻接矩阵保持数据局部几何结构;利用样本的标签信息,进行监督学习,给出算法多步更新规则,理论上证明了MRCF算法的收敛性.在人脸数据库ORL、图像库COIL20和手写体数据库USPS上的仿真结果表明,相对于NMF、CF及其一些改进算法,MRCF均具有更高的聚类精度.     

运用社团学习法解决外语学习焦虑

本文重点探讨外语学习焦虑及其对外语学习的影响。文章提出并论证运用社团学习法解决外语学习焦虑。     

基于神经网络的Q学习在Khepera Ⅱ机器人避障中的应用

为了提高移动机器人的自主学习能力,在传统的机器人行为控制结构基础上设计了智能控制结构,同时引入了基于神经网络的Q学习模块算法,克服了传统算法只能应用到离散状态中的不足.移动机器人的避障实验结果表明,该方法能够使移动机器人通过自学习实现自主避障.     

职业教育课程开发:从“行动领域”到“学习领域”——以计算机网络技术专业为例证

职业院校在课程开发过程中,在广泛调研、分析和研究企业对人才需求规格的基础上,按照职业"行动领域"中的"工作过程"提炼出典型的工作任务,以此重构和序化学习内容,打破传统意义上的以知识体系划分的课程体系,构建以培养综合职业能力为核心目标的新型课程体系即"学习领域",实现人才培养与产业需求的无缝对接。     

基于卷积神经网络的基因剪接位点预测

研究剪接位点可以更深入地探索剪接机制和基因预测方法,准确预测剪接位点至关重要。基于深度学习技术提出一种新的预测方法,无需人工提取样本特征,以基因序列的K-MER编码向量作为输入,采用训练后的卷积神经网络(CNN)模型进行预测。基于人类基因HS3D供体数据集,与传统机器学习方法进行预测比较,结果表明预测模型的主要性能指标,包含马修斯相关系数(MCC)、灵敏度(SN)均超过传统的机器学习方法。     

CSP生产Ti微合金化高强钢中纳米碳化物

采用光学金相、电子显微术和化学相分析的方法并结合热力学计算,分析了紧凑式带钢生产(CSP)的Ti微合金化高强钢中的析出物及其析出规律.研究发现:高强钢中存在微米尺寸的立方TiN析出和大量纳米尺寸的析出物粒子;钢中MX相(M=Ti,Mo,Cr;X=C,N)的质量分数为0.0927%,其中10 nm以下的析出物占26.9%;均热之前和均热过程TiN已基本全部析出,连轧前TiC不具备析出的热力学条件;降低钢中N和S含量、严格控制卷取温度可增加TiC的体积分数,降低γ→α相变温度可以阻止细小碳化物长大.结果表明,析出物总的沉淀强化效果约为156 MPa,并能通过化学成分和工艺的控制进一步增强.     

高职院校网络教学模式初探

针对高职院校学生的特点和学生的学习需求，从网络环境下的教学设计、教师讲授、协作学习、个别辅导等方面，探讨了网络教学模式下的高职教育．     

人工智能在车辆智能驾驶中的应用

智能驾驶汽车系统与人工智能相结合,会对汽车的产业结构甚至是上下游结构产生重大影响。由此,本文首先分析人工智能和车辆智能驾驶,然后探讨将人工智能和汽车相结合,特别分析了人工智能对无人驾驶系统的影响及其变革,以此说明人工智能对汽车和出行方式产生的影响。     

基于无监督对抗学习的时间序列异常检测

时间序列异常检测是类别不均衡问题,异常现象少有发生,所以获取异常标签的成本高昂,因此基于无监督学习的时间序列异常检测方法更具有实用价值.然而,现有的时间序列异常检测方法存在三个缺陷:难以对复杂的时间序列进行建模、缺乏合理的缺失值处理机制和无法利用先验知识(例如少量的有标签异常).为了解决以上问题,提出一种基于生成对抗神...