基于动量因子优化学习率的BP神经网络PID参数整定算法

针对传统BP神经网络学习过程中学习率选取过大导致振荡的问题, 提出一种新的BP神经网络PID(比例-积分-微分)参数自适应整定算法. 采用BP神经网络对PID参数进行自适应调节和优化, 并利用动量因子优化学习率和增加动量项抑制BP神经网络训练中出现的振荡现象, 以加快收敛速度. 实验结果表明, 该算法有效缓解了振荡现象, 加快了算法的收敛速度.     

基于自分簇自学习算法的垃圾短信识别

垃圾短信发送者会不断尝试修改垃圾短信内容以欺骗过滤系统,导致识别准确率降低,为此提出一种基于自分簇自学习算法的识别方法.首先以最小编辑距离的方式构建垃圾短信关系链,使用MeanShift算法对其进行聚类实现自分簇功能.之后计算每个簇核心,并以与核心的距离确定每个样本的权值,以权值样本训练分类器,当新垃圾短信样本被分类器识别后,会被归类到某个簇并重新计算该簇的核心和各个样本的权值,并更新分类器,重复此过程实现自学习功能.实验结果表明,新方法准确率提高约2.51％ ～5.14％,且能长时间保持.     

基于半参数空间模型的房地产估值数据研究

针对现有的房地产估值模型中不包含空间自相关性以及非线性影响因素的问题,提出了可以灵活解释变量意义的部分线性空间自回归模型来拟合房地产估值数据;对于部分线性空间自回归模型的估计问题,利用局部多项式方法与拟极大似然估计法相结合的两步估计过程得到参数部分的估计;房地产估值数据的拟合结果表明:房地产估值数据确实存在空间相关性,房屋到最近的捷运站的距离与房价呈负相关关系,而步行生活圈中便利店的数量与房价呈正相关关系,这与现实意义上的解释是相通的,另外房屋年龄与房价之间的非线性关系也被体现出来;部分线性空间自回归模型能更加客观和灵活地解释房地产估值数据的现实意义。     

基于PVAR模型三峡库区基础设施与经济增长的互动效应

基础设施与经济增长具有动态互促互进的理论关联,但对于外部援助下的贫困地区发展而言,二者关系具有现实特殊性;三峡库区既有历史贫困特征,又受到外部援助资金的大力支持,运用面板向量自回归模型对库区15个区县2000—2018年的基础设施和经济增长进行了实证分析;研究结果发现:三峡库区基础设施对经济增长具有动态促进作用,反之则不显著,二者具有单向互动关系,在脉冲响应分析中,二者互动效应呈现"倒U型"特征,时滞效应呈现"反J型"特征;现阶段,三峡库区基础设施与经济增长互动效应还不明显,在一系列帮扶政策收官期限之前,建议从两方面来增强基础设施与经济增长的内生互动,一是要明确各类帮扶政策分类分阶段有序退出的时间表,二是以区县为主体共建三峡库区基础设施发展基金。     

柔性联结配重系统同步升降控制研究

钢丝绳联接的配重升降时,其同步控制对速度、响应、精度和平稳性等指标要求很高,且宽负载工况下,定参数PID难以满足控制要求.本文首先设计了变基准主从策略作为底层策略,实现系统设计的最大升降速度和精度.其次提出一种变参数PID自适应控制方法.该方法将参数Kp、Ki、Kd,按照整定规则作为代价项引入偏差目标函数,用于元启发算法适应度计算.对于搜索到的参数组(Kp、Ki、Kd),当代价项较小时,目标值较小,适应度较大.因此,算法能自适应整定参数以获得最小偏差值.分别采用遗传和粒子群算法进行实时参数整定、偏差优化和同步追随,并与定参数PID进行同步效果比较.仿真结果显示:变参数PID自适应控制方法适应宽负载工况,其精度、响应以及稳定性指标全面优于定参数PID.基于变基准策略的PID参数自适应控制方法能够实现大惯性系统的快速、稳定同步升降.     

特征房价空间分析及连续型深度置信网络预测

以上海为研究区域,利用数据爬虫手段搜集、整理上海市二手房交易数据,通过空间自相关分析二手房交易价格的空间效应,并使用连续型深度置信网络对二手房交易价格进行分析预测.研究结果表明:上海市二手房交易价格在空间上具有显著的自相关效应,在上海市核心区域存在高-高集聚效应,在周边区域呈现低-低集聚效应,而在核心与周边交界地区存在高-低集聚和低-高集聚的负向空间效应;特征变量对价格偏高区域的二手房交易价格解释力度较小;除中心区域外,基于连续型深度置信网络的特征变量对上海市二手房交易价格预测能力良好.     

高强自密实再生块体混凝土单轴受压声发射特性

为研究高强自密实再生块体混凝土单轴受压声发射特性,对取代率分别为0%,10%,20%的立方体混凝土试块进行轴心受压试验.将受压破坏过程分为4个阶段,引入活跃系数对能量进行分析,并通过b值-能量分析判断裂纹的开展程度和试块的损伤情况.结果表明:随着取代率的提高,峰值应力前声发射活动强度显著增加,能量越早出现爆炸性增长;活跃系数随应力进程先升高后降低,活跃系数可作为混凝土是否适合继续服役的判断标准;通过b值-能量分析能够准确地判断裂纹的开展程度和试块的损伤情况.     

基于Transformer神经网络模型的网络入侵检测方法

网络入侵检测一直以来都是网络安全中亟待解决的关键任务之一,传统网络入侵检测方法主要通过提取多维特征,采用机器学习方法构建检测模型,大多忽略了入侵行为的时间相关性.通过提取网络入侵行为的时序特征,设计基于降维特征的多头自注意力机制Transformer网络模型,以解决传统串行化时序神经网络模型不易收敛且时间开销较大的问题,通过选取最优的损失函数和训练参数进行并行化训练,实现网络入侵行为检测.实验结果表明,基于Transformer网络模型的网络入侵检测方法在多个数据集上均获得了99％以上的精度和检出率.