面向复合材料带隙预测的两段式集成学习模型构建

带隙是钙钛矿型复合氧化物材料重要的特征参数,对材料的物理化学性质起决定性作用,如导电性能和光电性能等.为了寻找适合不同应用领域的钙钛矿型材料,利用机器学习进行带隙预测是一种重要的研究手段.构建了一个两阶段异质集成学习模型,在第一阶段使用多种不同的基础机器学习器(回归模型)进行预测;在第二阶段把对预测结果影响较大的描述子和基础机器学习器进行集成学习.利用该模型对210种钙钛矿型复合氧化物材料的带隙进行预测,并与多种独立的机器学习算法以及不同集成策略模型的预测性能相对比,评估了本模型的预测性能.结果表明,这种两段式的集成学习模型能够更好地学习到材料数据的内在关系,并具有较好的预测效果和较强的泛化能力.     

基于理论线性溶解能关系预测有机污染物在PDMS与水中的分配系数

通过搜集25个多环芳香烃(PAHs)和84个多氯联苯(PCBs)在聚二甲基硅氧烷(PDMS)上平衡分配系数(logK_PDMS-W)的实测值,应用理论线性溶解能关系(TLSER),利用逐步多元线性回归(MLR)方法构建了预测分配系数模型.结果表明:模型具有良好的拟合度(决定系数R■=0.916)、稳健性(交叉验证系数Q■=0.910)和预测能力(外部验证系数Q■=0.862).同时,模型具有较小的RMSE值(0.264),训练集和验证集中化合物的标准残差■,且杠杆值均小于警戒值h^*(0.103).与前人预测模型相比,该模型具有较少的参数和更加丰富的数据集(109种),化合物的实测值跨度大,应用域也更加广泛,且针对PCBs和PAHs两类化合物有较高的预测精度.因此,本模型可适用于预测在应用域范围内其他与这两类化合物结构相似的有机污染物的K_PDMS-W值.     

含有焊缝初始裂纹的钢框架梁柱节点性能试验研究

为研究焊缝初始裂纹对钢框架梁柱节点抗震性能的影响,通过切割节点的梁下翼缘焊缝以形成初始裂纹,完成了7个节点拟静力试验,并分析了能量输入历程与节点连接形式对其性能的影响.试验结果表明,含有初始裂纹的节点试件SHH-1从启裂至破坏共经历了6个循环,相比于无损节点试件SHH-0持续时间减少25%,极限荷载降低8.5%,极限位移与延性系数均降低26%.节点中梁下翼缘焊缝部位若存在初始裂纹,会改变节点的裂纹扩展机理,其抗震性能也会明显降低.当加载跨幅相同且循环次数相差不大时,不同的加载制度对初始裂纹扩展机理及节点抗震性能影响较小,但突增式位移荷载会加速裂纹的扩展.H形柱-H形梁节点初始裂纹扩展速度相对最慢、抗震性能最好,其次为箱形柱-H形梁节点,箱形柱-箱形梁节点性能最差.     

基于神经网络路面识别的电动汽车ABS控制研究

为了充分利用路面附着能力以提高电动汽车的制动安全性,文章提出了一种基于径向基函数(radial basis function,RBF)神经网络路面识别的电动汽车制动防抱死系统(anti-lock braking system,ABS)控制方法。采用RBF神经网络进行路面识别,将识别出的最优滑移率作为目标参数,以此设计了一种模糊控制与预测控制相结合的ABS控制策略,同时制定了制动力矩分配策略,从而确保制动系统可靠工作并实现制动能量回收,最后基于CarSim与Matlab/Simulink仿真平台进行了实例样车仿真分析。仿真结果表明,该路面识别方法可以准确识别当前路面状态,ABS控制策略下的制动距离相对于模糊控制策略缩短了6.57%,制动能量回收提高了3.9%。     

基于LLE与K均值聚类算法的工业过程故障诊断

工业过程中各类数据间具有一定的相似性,单纯利用K均值算法对其进行故障诊断时,存在很大的错误率.提出一种基于局部线性嵌入(Locally Linear Embedding,LLE)的K均值聚类算法,将正常数据运用LLE算法降维并求出投影矩阵,利用投影矩阵将原始故障数据映射到低维空间,再利用K均值算法对其聚类,建立检测与诊...     

从政府的角度思考后亚运时代重大活动志愿者的培养与发展

2010年广州亚运会成功的举办,不仅为广东的体育文化、竞技体育、大众体育、学校体育等方面的发展起着巨大的推动作用,同时也将为广州、广东的经济和文化特别是志愿者文化的发展产生积极影响。如何利用这个契机来发展壮大广东志愿者队伍,是我们应当思考的问题。本文从电子政务和志愿者激励等方面探讨了如何培养和发展志愿者的途径。     

艾丁湖生态环境演变分析及预测

艾丁湖的生态环境演变对整个吐鲁番市乃至吐鲁番盆地的宏观生态环境一方面起到了指示器的作用,同时也对其具有反影响力。笔者经过实地调查和资料分析,揭示了艾丁湖生态环境变化及演变趋势。     

基于粒子群算法最优化Verhulst模型的开采残余下沉预测

矿区开采引起的残余下沉稳定时间长、潜在危害大,有必要准确地预测矿区地表的残余下沉。鉴于传统的残余下沉Verhulst模型建模误差大、适用性弱,在建模过程中以数据序列的首个数据保持不变导致预测效果差的缺陷,以直接离散Verhulst模型为基础,引入粒子群算法寻求模型迭代初始值的最优解,建立基于粒子群算法优化的矿区开采残余下沉直接离散Verhulst模型,并以山西阳泉和山东兖州矿区两个时间尺度的地表残余下沉监测数据集进行实例验证,最后利用Matlab App Designer工具实现模型算法的可视化。结果表明：基于粒子群算法优化的直接离散Verhulst模型的矿区开采残余下沉预测精度和稳定性增益明显,所开发的计算工具具有正确性和有效性。     

基于遗传算法优化机器学习模型的地下水潜在性预测

传统机器学习模型在地下水潜在性预测中,未考虑最优因子组合,会对地下水潜在性制图产生不利影响。为此,提出了遗传算法优化支持向量机的地下水潜在性预测方法。以云南省彝良县为研究区,从地形、水文、土壤、地质等方面选取了共15个影响因子;考虑模型性能和影响因子的作用,利用遗传优化算法筛选了包含11个影响因子的最优因子组合;然后使用支持向量机方法构建了地下水潜在性预测模型;最后计算了因子优化前后的模型准确度和受试者工作特性曲线下面积（area under curve,AUC）,并绘制了模型的受试者工作特性（receiver operating characteristic,ROC）曲线和地下水潜在性预测图。结果表明：因子优化前模型的准确度为0.774,验证集AUC为0.789,因子优化后模型的准确度为0.777,验证集AUC为0.806,分别提高了0.003和0.017。可见,所提方法的准确性、可靠性优于传统的支持向量机法,其结果可以为区域水文地质调查和地下水资源管理与规划提供科学参考。     

基于卷积神经网络的新奇检测技术在结构损伤识别中的应用

针对新奇检测难以同时识别结构损伤时刻和损伤位置的问题,提出在新奇检测中引入卷积神经网络以实现损伤时刻和损伤位置的一次性确定。首先,采用小波包技术处理结构响应得到小波包能量,并将相邻测点对应频带的能量比作为新奇检测模型的特征向量;然后,以结构健康时的特征向量作为训练数据,建立健康模式下的基于卷积神经网络的新奇检测模型;接着,将结构实时输出的特征向量输入到新奇检测模型,所得输出与健康状态的输出进行对比,并将输出和输入的欧氏距离作为新奇指标;最后,根据新奇指标的变化识别结构损伤时刻和损伤位置。数值模拟和实验室试验验证了该方法的有效性。