机器学习与知识发现在高校公共突发事件智能预警系统中的应用

机器学习与知识发现能够帮助人工智能系统对现象或信息之间的因果关系产生更深入的认识,有利于提高智能决策支持系统的工作效率,有利于提高使用者和机器之间的默契程度。就机器学习与知识发现技术应用于高校公共突发事件智能预警系统进行了探讨。     

制造业突破库存管理瓶颈的方法及实证研究

通过分析目前国内制造业的库存现状及管理思路,找出美国卡莱公司造成成品库存积压的原因及库存积压给企业生产经营带来的不良影响。结合卡莱公司降低库存的实例,指出运用目标管理、鱼骨图、ABC分类等管理工具,是降低库存的最有效方法。运用该方法进行的库存改善成功地降低了库存量,为相关制造业进行有效的库存管理提供了借鉴。     

基于LabVIEW的数字电压表的设计

为解决传感器实验室多路电压同时测量的问题,设计了基于LabVIEW的多路电压测量系统。该系统是由串口通信、数据解析、数据处理和电压显示等四部分组成。串口通信部分采用自定协议实现了与单片机采集系统的通信;数据解析部分实现了协议的解析工作,保证了数据传输的准确性;数据处理部分实现了数据采集格式到电压格式的转换,即标尺转换;电压显示部分实现了数值、图形显示和电压的超限报警功能。     

光学非球面超精密磨床床身动态分析与优化

采用CAD/CAE集成技术,在CATIA和ANSYS Workbench软件平台上建立了超精密磨床床身的CAD三维模型和有限元模型,对其结构进行了动态分析与优化,并得到了床身的最优结构,分析结果表明综合改进后的床身结构相比原床身结构的动态性能有了明显的改善,达到了设计要求。     

基于支持向量机的飞机备件消耗预测研究

针对影响飞机备件消耗的诸多因子难于在模型中体现的问题,采用支持向量机回归模型,应用于备件的消耗预测。该方法将影响备件消耗的主要因子作为支持向量机预测模型的输入因子,对应的备件消耗量作为输出因子,训练模型,然后输入测试样本进行预测。预测结果表明,相比于GM(1,1)模型和神经网络(ANN)模型,该模型具有较高的预测精度和动态适应性,可为相应的备件保障部门提供科学的决策依据。     

高速开关磁阻发电机励磁参数优化控制

为了提高开关磁阻发电机高速运行时的发电效率,改善整个系统的高速运行性能,提出了一种励磁参数优化策略：以相电流有效值作为励磁参数优化指标,针对开关磁阻电机自身非线性的特点,选取使得相电流有效值最小的开通角和关断角作为优化的励磁参数,并通过曲线拟合手段对这些离散的优化参数进行处理．最后将优化的励磁参数与提出的控制算法相结合,实现了整个发电系统的优化控制．仿真和实验验证表明：该方法易于实现,整个系统不仅具有较高的发电效率,而且在负载突变时呈现出良好的调节特性．     

PSO与PCA融合优化核极限学习机说话人识别算法仿真

基于机器学习理论开展说话人识别的研究取得了很大进展,在基于核极限学习机(kernel extreme learning machine,KELM)和梅尔倒谱系数(mel-frequency cepstral coefficients,MFCC)说话人识别研究基础上,通过主成分分析算法(principal component analysis,PCA)对MFCC进行降维优化、粒子群优化算法(particle swarm optimization,PSO)对KELM初始输入参数进行优化开展基于PSO和PCA融合优化KELM说话人识别算法研究。改进后的算法在MATLAB平台上仿真通过,并与MATLAB语音工具箱提供的神经网络和支持向量机说话人识别算法做了性能对比分析。仿真研究结果表明:通过PSO和PCA融合优化改进的KELM,初始输入参数可以任意确定并且不需要迭代更新,并能有效克服因初始权重随机确定导致的性能不稳定,进一步提高分类匹配和运算速度,具有很好的推广应用价值。     

基于特征优选和图像相似度的人体动作识别算法

有效提取特征有利于提高后续人体动作识别的准确率。针对人体动作识别时方向梯度直方图(histogram of oriented gradient,HOG)特征维数过高和相似动作不好区分的问题,提出一种基于特征优选和图像相似度的人体动作识别算法。实验对比三种降维方法主成分分析法(principal component analysis,PCA)、PCA+Pearson、PCA+Spearman处理后的动作识别率,证明PCA+Pearson相关系数的降维效果最佳。同时将全局特征八星模型与降维后的局部特征HOG特征组合在一起全面表征人体动作,并计算相邻两帧图像相似度,自适应分配一个判别周期内单帧支持向量机分类结果的统计权值,最后二次分类人体姿态识别结果。在标准数据集KTH上进行实验,该算法识别准确率为94. 5%,较其他方法有所提高,在视频人体动作识别领域有较好应用价值。     

基于机器学习的犯罪预测综述

随着犯罪数量不断增加,以及新型犯罪模式不断出现,准确预测未来的犯罪活动越来越重要。所以,基于机器学习的犯罪预测方法对于识别未来犯罪以及减少犯罪数量具有重要的意义。根据犯罪类型的不同,使用的犯罪预测方法也呈现多样化。为此,对国际上不同类型的犯罪预测方法进行了总结和分析,并在此基础上对如何提高犯罪预测的精度进行了讨论,希望对使用机器学习进行犯罪预测的相关工作有一定的参考意义。     

基于改进经验模态分解和支持向量机的短期风速组合预测

为更精确地进行风速预测,提出一种利用带自适应噪声的完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)方法和蝙蝠算法(bat algorithm,BA)优化支持向量机(support vector machine,SVM)的组合短期风速预测方法。首先用CEEMDAN对原始风速时间序列进行分解,得到一系列不同频率的子序列;其次,使用BA-SVM组合模型预测对分解后的各个子序列分别进行预测;最后,将各子序列的预测结果叠加得到风速预测值。仿真结果表明,该模型提高了预测精度,减小了误差。