基于改进遗传算法的废旧家电回收网络模型研究

废旧家电作为可再生资源的一种,其体积大、回收价值高等特点引起了人们广泛关注,合理规划废旧家电回收网络是目前许多专家学者关注的问题.以上海某家废品回收公司为背景,深入研究废旧家电回收体系结构,建立居委会和交投站两层废旧家电回收网络结构模型,然后提出了改进遗传算法的数学模型并进行实例计算,最后对模型进行灵敏度分析从而获取较...     

基于BP人工神经网络的路基压实度预测模型研究

在大量路基碾压实验的基础上,通过对BP人工神经网络的分析,建立了路基压实度预测神经网络模型,并利用MATLAB环境下的神经网络工具箱开发了相应的程序.预测结果表明,该模型程序具有学习能力强、预测精度较高、快速方便等特点.这项研究为路基碾压施工工程中土的压实度预测研究提供了新的研究思路.     

虚拟仪器技术在网络虚拟实验中的应用

利用虚拟仪器技术将实验仪器设备、数据库等纳入计算机网络,构建网络化虚拟仪器实验系统.使用户可以在任何地点,以任何方式获取测量数据、分析和显示结果,实现共享实验仪器设备、网络等教育资源,以其安全性、交互性和开放性实现网上实验和远程实验教学.     

济源市山区有线电视防雷措施研究

有线电视是一个涉及区域广、线路长、设备较多的复杂系统,而济源市地处河南省西北部,山区面积大,地形复杂,是雷电多发地区。因此,通过分析有线电视遭受雷击的特点和危害,剖析了有线电视遭受雷电的途径,从而探索出了适合济源地形特点且可靠方便的防雷措施,以减少因雷电造成的经济损失及人员的伤亡。     

基于电容层析法糖浆气液两相流识别

针对目前常规两相流流型识别方法在糖厂煮糖罐糖浆识别中精度低的缺点,提出基于电容层析法(ECT)的气液两相流流型判别软测量模型.首先对由ECT传感器采集的检测数据优化处理并提取特征参数作为BP神经网络的辅助变量,气液两相流相应实际流型作为BP网络的主导变量,通过神经网络结构参数的优化训练,构建出二级并行的自组织竞争神经网...     

基于网络药理学与GC-MS探讨竹叶花椒挥发油干预高脂血症的作用机制

目的 基于气相色谱-质谱联用结合网络药理学方法,探讨竹叶花椒挥发油干预高脂血症的活性成分及作用机制,为竹叶花椒挥发油中功能性成分研究及其干预高脂血症的作用机制提供理论基础。方法 首先通过GC-MS鉴定竹叶花椒挥发油的化学成分,再借助数据库获取化学成分对应靶点和高脂血症疾病靶点。又通过Venn图、蛋白-蛋白相互作用分析、GO分析、KEGG代谢通路富集分析和构建“靶点-通路-活性成分”网络得到竹叶花椒挥发油干预高脂血症的关键靶点。最后采用分子对接软件AutoDock对竹叶花椒挥发油主要活性化合物与关键靶点进行半柔性对接验证。结果 在竹叶花椒挥发油中鉴定出29个化学成分,得到37个干预高脂血症的核心靶点,该核心靶点涉及细胞对脂质的反应、脂质的定位调节和对脂多糖的反应等方面。KEGG富集分析与“靶点-通路-活性成分”网络进一步得到PPARA、RXRA、TNF、NR1H3、PPARG和IL-6等28个关键靶点,也得到金合欢醇、亚油酸和α-石竹烯等7个主要活性成分。分子对接结果表明关键靶点与主要活性成分有较好的结合能力,结合能均小于-7.0 kJ/mol。结论 竹叶花椒挥发油中的多种功能性成分可能...     

软件定义网络下两阶段大象流识别算法

目的 针对数据中心网络(Data Center Network, DCN)中数据流量多导致大象流与老鼠流识别精确度低的问题,提出一种基于软件定义网络(Software Defined Networking, SDN)下两阶段大象流识别算法。方法 将SDN与DCN结合,第一阶段,采用高斯分布动态阈值优化算法,通过对数据包阈值的设定,计算大象流误检率与漏检率,不断优化得到最优阈值,以此识别出可疑大象流;第二阶段,在依据流传输速率与流持续时间精确得到大象流的基础上,提出阈值约束、流量检测机制、Count计数器等三方面改进对大象流识别阈值下限的约束,将网络中大象流的数据量与流持续时间进行周期内阈值计算,提高大象流的识别精确度。结果 实验结果表明：算法与已有相关算法相比,第一阶段可疑大象流平均字节数比网络流平均字节数多11.3%;不同阈值下的算法准确度提高1.7%,不同网络流量下的大象流平均检测时间降低至6 ms以内。结论 软件定义网络下两阶段大象流识别算法在第一阶段具有较强的大象流识别能力,同时算法的精确度有所提高,大象流的平均检测时间降低,提高了网络质量,能为进行网络流量调度策略的进一步研究...     

基于小波神经网络矿山安全的评价模型

煤矿是一个多工序、多环节、生产过程复杂、时空变化大、环境恶劣的生产企业,其安全系统是一典型的非线性系统,对矿山进行安全评价是当前安全管理中的一个重要环节.采用由伸缩和平移因子决定的小波基函数代替Sigmoid等传递函数,选用23项指标作为输入节点,建立矿山安全的小波神经网评价模型,该模型可自动确定网络参数,避免了传统神经网络需要人为干预网络结构参数的不足.实例分析表明,提出的WNN网络的评价绝对误差平均为0.425%,而BP网络评价绝对误差平均为3.1%.这说明,WNN网络泛化能力远好于BP网络,该模型具有重要的应用价值.     

基于优化肌电特征的无声语音信号识别

提出了一种基于遗传算法(GA)和fisher投影的最佳可鉴别基的求解方法.将原始特征向量向着最佳可鉴别基投影可得到具有最佳可分性的新的特征向量.从颧肌和二腹肌前腹的皮肤表面检测无声发出6个汉语元音的表面肌电信号(SEMG),以该肌电信号的AR模型系数、倒谱系数和美尔倒谱系数作为原始特征向量.使用遗传算法找出了原始特征的次优组合,并组成新的特征向量.将GA找出的次优特征向量向着fisher最佳可鉴别基投影可得到最佳鉴别特征向量.最后用改进的BP神经网络作为分类器得到了较好的识别效果.     

Neural network structure identification in inflation forecasting

Neural networks (NNs) are appropriate to use in time series analysis under conditions of unfulfilled assumptions, i.e., non‐normality and nonlinearity. The aim of this paper is to propose means of addressing identified shortcomings with the objective of identifying the NN structure for inflation forecasting. The research is based on a theoretical model that includes the characteristics of demand‐pull and cost‐push inflation; i.e., it uses the labor market, financial and external factors, and lagged inflation variables. It is conducted at the aggregate level of euro area countries from January 1999 to January 2017. Based on the estimated 90 feedforward NNs (FNNs) and 450 Jordan NNs (JNNs), which differ in variable parameters (number of iterations, learning rate, initial weight value intervals, number of hidden neurons, and weight value of the context unit), the mean square error (MSE), and the Akaike Information Criterion (AIC) are calculated for two periods: in‐the‐sample and out‐of‐sample. Ranking NNs simultaneously on both periods according to either MSE or AIC does not lead to the selection of the ‘best’ NN because the optimal NN in‐the‐sample, based on MSE and/or AIC criteria, often has high out‐of‐sample values of both indicators. To achieve the best compromise solution, i.e., to select an optimal NN, the preference ranking organization method for enrichment of evaluations (PROMETHEE) is used. Comparing the optimal FNN and JNN, i.e., FNN(4,5,1) and JNN(4,3,1), it is concluded that under approximately equal conditions, fewer hidden layer neurons are required in JNN than in FNN, confirming that JNN is parsimonious compared to FNN. Moreover, JNN has a better forecasting performance than FNN.