基于互信息的Web文档聚类方法

由于网络信息的激增,如何充分利用大量的信息,并有效地为Web用户服务成为一个急需解决的问题。相关研究表明利用Web文档聚类的方法可以缩小信息检索的范围,提高查询准确率。通过分析Web文档的特征以及常用Web文档聚类方法的优缺点,提出了一种基于互信息理论的Web文档聚类的方法。在聚类的过程中,计算特征词之间的互信息值,根据阈值判断特征词是否属于同一类别。实验结果表明,该方法与K-Means聚类算法相比较,在准确率和召回率方面均有提高。     

智能故障诊断技术及应用的研究

首先讨论了故障诊断系统的主要任务及其不同的分类方法,接着对几类典型智能故障诊断方法的原理、特点、诊断内容、诊断过程作了分析和比较。由于在实际应用中一种单纯的故障诊断方法往往得不到理想的诊断效果,因此重点讨论了几种重要的综合智能故障诊断方法。最后对智能故障诊断方法的应用做了简要介绍并对智能故障诊断方法的进一步发展做出思考。     

空间矢量脉宽调制技术的仿真研究

空间矢量脉宽调制(SVPWM)是一种新型的PWM方法,文章介绍了其基本原理,提出了在Matlab/Sim-ulink环境下用S函数实现电压型空间矢量PWM逆变器的方法,详细描述了仿真模型的设计过程和编程要点,给出了仿真结果,并与正弦波脉宽调制(SPWM)进行了简要的比较.为基于SVPWM的电力电子变流器的研究打下了基础,并且对电力电子技术的教学也起到辅助作用.     

海森堡链XY模型在一定位型下的能谱

先简单说明置换群产生完备基矢的知识,然后介绍XY模型的哈密顿算符作用于完备基矢形成能量矩阵并观察一定位型下能谱随参数的变化情况.     

一种基于支持向量机的CFG桩复合地基承载力预测方法

提出一种基于SVM的CFG桩复合地基承载力预测方法并建立相应预测模型.为获得模型参数,对18组CFG桩复合地基试验资料进行训练,训练值与实测值符合较好.用建立的SVM模型对4组CFG桩复合地基试验数据进行预测,预测结果与实测值相差较小.理论分析和实例结果验证表明:基于SVM的CFG桩复合地基承载力预测方法具有较高的预测精度和可靠性.     

支持向量机中核参数选择的Max-Min方法

通过核函数技巧,定义了高维空间中两样本点之间的距离.引入异类距离平方阵,提出了一种新的选择SVM核参数准则,并给出算法,即max-min方法.该方法利用不同类的训练样本之间的距离,而不通过SVM标准样本训练寻求最优的(或有效的)核参数,避免了传统SVM在模型选择上经验性强和计算量大的不足.同时又分别以径向基核函数(RBF)和多项式函数为例进行试验,显示采用该方法的算法步骤.结合试验结果,得出关于核参数的选择问题一般在一个开集内只有有效值,不存在最优值,即是一个多目标优化问题的结论.并引用已有的实验结果充分支持我们的结论.max-min方法不仅在理论上提供了一种选择最优核参数的方法,而且对试验性选择具有指导作用.     

EGFR基因C端结构域真核表达载体的构建

构建EGFR基因C端结构域的真核表达载体.应用PCR技术,从含EGFR基因C端结构域的大肠杆菌DH 5α中扩增其序列,亚克隆到真核表达载体pcDNA3.1( )中,经酶切及测序进行验证.PCR扩增片段与预期结果相符,真核表达载体构建成功,测序结果与GenBank公布的基因一致.成功地构建了EGFR基因C端两个结构域的真核表达载体.     

变频防爆绞车电控装置的研制

在分析防爆绞车现状的基础上,阐明变频绞车电控装置的必要性。提出了一种基于空间矢量的PWM(Pu lseW idth M odu lation)算法的全数字化变频器,对空间矢量脉宽调制的理论进行了简要的介绍。该变频器主要由主回路和控制电路两部分组成。控制电路采用数字信号处理器TM S320LF2407以硬件的形式实现SVPWM(Space V ector Pu lse W idthM odu lation)波的输出;主回路中采用智能功率模块DYNEX作为功率器件。经在500 kW交流电机上实验,结果令人满意。     

基于贝叶斯学习的关联向量机及其在软测量中的应用

介绍了一种与支持向量机(SVM)函数形式相同的稀疏概率模型--关联向量机(RVM),其训练是在贝叶斯框架下进行的,在处理具有噪声的函数回归时,RVM具有很出色的性能.与SVM相比不仅解更稀疏,而且无需调整模型参数,核函数选择也不受限制.将RVM应用于PTA装置溶剂脱水塔塔顶塔底组分软测量建模,仿真结果表明:该方法预测精度较高,具有一定的应用价值.     

基于核函数主元分析的SVM建模方法及应用

为有效克服线性建模方法在非线性建模方面的不足,将核函数思想引入到主元分析方法(PCA)中,有效提取实验数据中的非线性特征信息,并将其作为支持向量机(SVM)的输入变量,建立工业过程软测量模型。该方法应用于丙烯腈聚合过程中转化率的预报,结果表明:该方法的预测精度优于PCA-SVM方法和KPCA-NN方法。