基于改进粒子群算法的电力通信网最佳抢修路径问题的研究

研究了改进的离散粒子群算法在电力通信网最佳抢修路径中的应用。粒子群优化算法是一种新型通用启发式算法,能够有效地求解大规模组合优化问题。在研究离散粒子群算法原理的基础上,引入记忆单元,实现粒子间信息共享,保证了粒子在寻优过程中能容易的跳出局部最优点,并能加速收敛到全局最优解。建立了电力通信网最佳抢修路径模型,构造了节点矩阵和速度矩阵,设计了求解算法,并编程进行了测试,实验结果表明了所提方法的可行性和有效性。     

联想记忆模型在系统工程中的应用

本文提出了一种实数值联想记忆模型, 可以处理实数值的训练模式, 并能确保训练模式的稳定性。对于记忆离散双值模式, 该模型相当于一个高阶神经元网络, 并指出Hopfield模型只是它的特例。本文并将该模型应用于多属性目标决策和等级划分中, 其结果令人满意。     

基于多尺度卷积时序模型的局部放电现象检测

为了能及时检测出高压电力线路在供电过程中发生的局部放电现象,提出了一种用于局部放电现象检测的多尺度全卷积时序深度学习模型。其以从高压电力线路中收集的电力信号数据为基础,使用多尺度全卷积时序模型进行训练,并可根据训练得到的模型,对未来的连续信号进行监视,检测其是否产生了局部放电现象。实验结果表明,该模型在所用数据集上具有较好的精确度。     

基于鸟击事故征候预测的通用航空安全研究

作为民航运输的两翼之一,通用航空安全水平直接影响民机系统的安全。目前,对通航以及鸟击事故征候进行预测的研究较少,本文根据收集到的美国从事通用航空活动发生鸟击事故征候安全状况数据,采用长短期记忆(long short-term memory, LSTM)神经网络模型对鸟击事故征候数据进行训练和预测。实验结果显示,与传统模型相比, LSTM模型具有更好的预测效果,精确度更高。基于此,提出了预测稳定性更好的LSMT-均方根误差(LSTM-root mean square error, LSTM-R)模型,为通用航空鸟击事故征候预测提供了手段和方法,加强了通用航空安全管理。     

一种改进的collocation方法及其在动态定价问题中的应用

涉及多个状态变量的动态定价问题往往难以求解。基于此,引入多维插值与张量积,提出一种改进的collocation方法用于求解多状态变量的动态优化问题,并从理论上分析了改进后的collocation方法的收敛性。将改进的collocation方法应用于求解多个状态变量的动态经济问题。给出了改进后的collocation方法的实际运用,应用于解决有限记忆的动态定价问题。利用状态变量的切比雪夫格点与其估计值构造出时序的状态转移,并依据状态转移模拟最优价格路径。通过数值分析表明,改进后的collocation方法比线性二次逼近法更快的收敛于稳态。     

改进的CRNN模型在警情文本分类中的研究与应用

针对某市公安110接处警文本描述进行案件分类的需求,参考现有文本分类方法在其他行业的应用,搭建了应用于警情描述的文本分类系统.通过论证常见分类网络适用场合及其优缺点,结合对警情数据中案件描述特征的分析,提出了基于改进卷积循环神经网络的模型,该模型优化了关键特征提取过程,弥补了现有模型短文本局部特征提取不足的缺陷.实验表明,该模型的准确率比常见分类模型提升了2%~3%,且能够有效保证数据局部特征的关联性,可以对案件描述所对应的案件类型进行准确分类,从而提高公安接处警平台的自动化效率.     

面向二十一世纪的生物学

·神经科学·解密大脑　　演绎着学习、情感和运动机能控制等奇迹的人脑 ,一直被认为是一个难于测知的“黑箱” ,如今 ,我们获得了开启这一黑箱的钥匙蒙娜·丽莎的微笑“如果你能像我回想‘蒙娜·丽莎’那样把我脑海里正在发生的活动描绘出来 ,我立马走人 ,”纽约哥伦比亚大学的神经生物学家埃里克·坎德尔 (ＥｒｉｃＫａｎｄｅｌ)说 ,“我会认为记忆问题差不多解决了。”坎德尔作为其研究领域的领导者 ,深知他的职位在一段相当长的时间里还是无人能够动摇的。确实 ,我们在记忆的分子基础方面所获得的知识 ,有许多是源自他数十年来对一种具…     

基于双向长短时记忆神经网络的步态时空参数脑肌电解码方法

针对脑电(EEG)信号对连续步态轨迹解码结果与实际轨迹相关性低的问题,提出一种基于双向长短时记忆(BiLSTM)神经网络的步态参数解码方法。首先,构建基于双向长短时记忆神经网络的步态时空参数解码模型,根据脑肌电信号特性设计解码模型的超参数;其次,同步采集脑电、下肢运动相关肌肉的表面肌电信号(sEMG)和下肢关节运动信号,并对脑电和表面肌电信号的步态相关特征进行分析;然后,以多通道脑电和下肢运动相关表面肌电信号作为解码模型的输入,自动提取脑肌电融合信号中步态相关特征并构建膝踝关节运动轨迹与特征之间的非线性回归模型;最后,以多通道脑电作为解码模型的输入,构建步态相关脑电信号和表面肌电信号之间的非线性回归模型。实验结果表明：所提方法与传统支持向量机方法相比,对踝关节解码轨迹与实测轨迹形状相似性Pearson相关系数提高了0.12;与单独采用脑电、表面肌电信号和脑肌电信号平均绝对值特征融合信号进行解码方法相比,对踝关节解码轨迹与实测轨迹形状相似性Pearson相关系数分别提高了0.81、0.19和0.63。该方法可实现从脑电信号中对部分表面肌电信号波形的解码,解码波形和实测波形的平均Pears...     

基于改进深度残差网络的旋转机械故障诊断

针对旋转机械工况复杂多变、有标签样本不足而导致的故障特征提取困难等问题,提出了一种用于旋转机械故障诊断的改进深度残差网络(improved deep residual network, IDRN)。首先,采集旋转机械一维振动信号进行数据预处理;然后,在深度残差网络的基础上引入了长短时记忆(long short-term memory, LSTM)网络,其中,LSTM网络可以有效捕捉故障的时序信息;在残差块中引入Dropout层提高了故障诊断的精度和收敛速度;最后在轴承与齿轮数据集上验证本文提出方法的有效性。实验结果表明,该方法在堆叠多层网络模型时,没有出现明显的网络退化现象,与当前广泛使用的几种诊断方法进行对比实验,表现出了较高的平均诊断精度和良好的适用性。