民机驾驶舱人机交互脑力负荷预测模型

针对民机驾驶舱人机交互中飞行员脑力负荷问题,设计不同难度的人机交互飞行实验任务,分析飞行作业过程中飞行员脑力负荷在评估指标上的变化.在此基础上,提出一种新的改进的多元线形回归方法,探索人机交互中飞行人员脑力负荷变化预测模型的构建方法.结果显示:飞行作业过程中脑力负荷在反应时间、正确率、NASA-TLX、SDNN 4个评估指标上变化显著;在RRI Count、Max RRI、Minimum RRI、Mean RRI、Max/Min 5个评估指标上变化不显著.改进的多元线形回归模型可对不同飞行难度下个体脑力负荷水平进行预测和等级划分,平均预测准确率为87.5％.提出的预测模型与实测数据吻合性较好,能够较准确地反映民机驾驶舱人机交互中飞行员脑力负荷变化特性,可为未来民机驾驶舱人机交互中工效学评价与优化设计提供依据.     

基于改进PSO算法优化SVR的信息安全风险评估研究

为改善信息安全风险评价的精确度,利用改进的粒子群算法,提出了一种新的优化回归型支持向量机的信息安全风险评估方法。首先,通过模糊理论对信息安全风险因素进行量化预处理;其次,经过预处理后的数据输入到回归型支持向量机模型中;再次,利用改进的粒子群算法来优化和训练回归型支持向量机的参数,得到了优化后的信息安全风险评估模型;最后,通过仿真实验对该模型的性能进行验证。实验结果表明,提出的方法能很好地量化评估信息系统风险,提高了信息安全风险评估的精确性,是一种有效的评估方法。     

基于改进灰狼优化与支持向量回归的锂电池健康状态预测

为了提高锂电池健康状态(SOH)的预测精度,将改进的灰狼优化(IGWO)算法与支持向量回归(SVR)相结合,提出了一种基于改进灰狼优化和支持向量回归(IGWO-SVR)的联合算法。该算法的核心思想是运用改进的GWO算法解决SVR模型中的参数联合寻优问题。IGWO-SVR随机产生1个灰狼种群,灰狼个体的位置向量由SVR模型的3个参数C,σ,ε组成。根据每只灰狼的位置信息进行学习,并计算适应度。按照适应度值对狼群进行分级,对灰狼个体位置进行更新,然后进行差分进化操作,选择优秀个体进入下一代种群,重新计算灰狼个体在新位置的适应度。迭代过程结束后,提取狼群中适应度最优的灰狼位置信息作为最终的SVR模型参数进行训练。在美国国家航空航天局(NASA)锂电池数据集上的实验表明了所提SOH预测方法的有效性。     

机器学习算法用于乳腺癌检测的性能研究

乳腺癌排在女性恶性肿瘤首位,早期发现和诊断是治疗的关键。使用开源乳腺癌数据集,使用了K-近邻、逻辑回归、支持向量机等主流机器学习算法对数据集进行了大量的训练和测试,分析了它们在训练过程中的学习曲线,对训练和测试结果进行了对比,分析和研究了这些算法在乳腺癌检测中的性能,并对未来的研究方向和技术进行了展望。     

小样本条件下的舰艇磁场预测算法比较研究

针对在建立内外磁场映射模型时能够获取的磁场信息有限的问题,在小样本条件下采用不同算法对舰艇外部磁场进行预测.基于内外映射法,指出了直接求解方法、粒子群优化的反向传播(PSO-BP)算法和径向基(RBF)算法用于推算舰艇外部磁场的不足,提出利用最小二乘支持向量回归(LS-SVR)求解舰艇内外磁场映射模型.开展了双壳体潜艇模型相关实验研究,结果表明:基于LS-SVR的推算值与测量值符合最好;与直接求解法和神经网络算法相比,LS-SVR在实时性、泛化能力和推算精度有明显优势,在工程上更具有实用性.     

谁获得了高等教育——基于户籍身份和家庭背景的双重视角

基于中国综合社会调查(CGSS)2015年数据,考察户籍身份、家庭背景与学生高等教育机会获得之间的关系。研究发现:(1)户籍身份处于不利地位的学生,更有可能来自弱势家庭;(2)在控制家庭背景的条件下,贫困地区农业户籍学生在高等教育机会获得上处于最不利地位;相比贫困地区农业户籍学生,非贫困地区农业户籍学生在高等教育机会获得上的优势不明显,而非农户籍(贫困地区和非贫困地区)学生在高等教育机会获得上的优势则明显得多;(3)在控制户籍身份的条件下,家庭背景越佳,学生在高等教育机会获得上的优势越明显;(4)不论户籍身份是否优越,弱势家庭子女获得高等教育的比例总是处于较低水平。建议通过制度性安排解决好贫困和农村地区公共教育投入不足的问题;重视家庭背景对学生高等教育机会获得的影响,加强对弱势家庭子女(尤其是贫困和农村地区弱势家庭子女)的经济和文化资助;进一步完善高等教育入学机会分配政策体系,提高教育补偿政策的精准性与公平性。     

基于局部非线性地理加权回归模型的地表温度降尺度算法研究

地表温度(land surface temperature, LST)是反映地表状况的一个重要参数,能对地表-大气相互作用过程进行描述。由于受到卫星热红外传感器成像条件的制约,获取的卫星热红外遥感图像存在时间分辨率、空间分辨率难以兼顾的问题,导致反演的LST数据难以得到深入应用。采用LST降尺度算法可以解决此矛盾,获得高时空分辨率的地表温度数据。目前LST降尺度模型逐步由全局模型转向局部模型,但局部降尺度模型忽略了非线性关系。针对此问题,提出基于局部非线性地理加权回归(non-linear geographically weighted regression, NL-GWR)的地表温度降尺度算法。选择合适的研究区域,并分别选取归一化差异植被指数(normalized difference vegetation index, NDVI)、归一化差异建筑指数(normalized difference build-up index, NDBI)以及数字高程模型(digital elevation model, DEM)作为辅助参数进行LST降尺度,将中分辨率成像光谱仪(moderate resolution imaging spectroradiometer, MODIS)地表温度空间分辨率从1 000 m提升到100 m,并将基于地理加权回归(geographically weighted regression, GWR)与NL-GWR模型的降尺度结果进行对比分析。实验结果表明,考虑非线性关系的NL-GWR模型要优于GWR线性模型,能够获得较低的均方根误差(1.96 ℃)和平均绝对误差(1.63 ℃)。     

空间面板模型协整检验的Bootstrap改进算法及功效分析

忽略面板模型横截面之间的空间相关性易导致其协整检验误拒率偏高。本研究采用模型变量的空间矩阵变换和回归残差Sieve Bootstrap技术相结合,既能使数据结构不受重抽样影响,又可发挥自助抽样(Bootstrap)技术优势,由此发展出基于Sieve Bootstrap技术的空间面板计量模型协整P检验,可在建模过程中充分考察空间效应的同时防止出现虚假回归。模拟及实证结果均表明：当面板数据模型出现内生回归元或横截面之间存在空间相依关系时,该检验不仅明显降低误拒率,还能保持高检验势,同时结果更具稳健性。     

一类带有GARCH类误差项的自回归滑动平均模型

本文结合DAR模型及传统的ARMA-GARCH模型,提出一类带有新型GARCH类误差项的自回归滑动平均模型.该模型比DAR模型引入更多数据信息,同时定义一种由可观测序列驱动的新型条件异方差结构,比传统ARMA-GARCH模型的条件方差更易于估计.本文研究模型参数的拟极大似然估计,并在较弱矩条件下证明估计量的渐近正态性;...