非计划再入院风险预测研究

为改善患者身体健康,降低非计划再入院率,减轻患者负担和社会资源浪费,本研究基于我国某区域卫生信息平台的医疗数据,利用机器学习方法,构建了非计划再入院风险预测模型.不同于已有仅预测了再入院概率的研究,本研究通过将风险预测建模为多分类问题,实现了在时间和可能性两个维度对再入院风险进行预测.通过调整机器学习算法参数设置,构建了基于神经网络、随机森林和支持向量机算法的3大类共10个再入院风险备选预测模型.基于真实数据集的实验结果表明,在备选风险预测模型中,使用多项式核函数的支持向量机模型预测效果最好,预测准确率达到96.65%.本研究成果可以使医疗机构基于患者历史医疗数据,从时间和可能性两个维度更全面、精准地评估患者再入院风险,进而采取必要的干预措施,降低非计划再入院率.      

基于表面肌电信号的绝缘手套法带电作业人员上肢肌肉疲劳分析

绝缘手套法是配网带电作业的主要作业方式,为获取穿戴绝缘手套的带电作业人员上肢肌肉的疲劳特性及其诱发的肌肉骨骼系统疾患(work-related musculoskeletal disorders,WMSDs)的风险,开展了基于表面肌电信号(surface electromyogra-phy,sEMG)的绝缘手套法带电作业人员上肢肌肉疲劳评估研究.针对配网绝缘手套法的典型作业工况,搭建了绝缘手套法带电作业上肢的sEMG试验平台,采集受试者上肢(右手)各目标肌肉在是否穿戴绝缘手套下的sEMG信号;基于时域特征参数积分肌电值(integrated electromyography,IEMG)、均方根值(root mean square,RMS)及频域特征参数平均功率频率(mean power frequency,MPF)、中位频率(median frequency,MDF)对绝缘手套的上肢肌肉疲劳特征进行评估;基于支持向量机(support vector machine,SVM)构建了带电作业人员上肢肱桡肌疲劳状态识别模型.结果表明:穿戴绝缘手套作业时各目标肌肉更容易进入疲劳状态;穿戴绝缘手套作业时,作业人员上肢部位的肱桡肌、肱二头肌、肱三头肌、三角肌的疲劳程度依次递减,与仿真计算的分析结果一致;sEMG时域特征参数IEMG、RMS对作业人员上肢肌肉疲劳的表征效果要优于频域特征参数MPF和MDF;带电作业人员上肢肱桡肌疲劳状态识别模型总体平均准确率为86.56％,能有效识别上肢肱桡肌肌肉疲劳状态.     

基于绕组复变换的双三相异步电动机建模研究

提出了一种双三相异步电动机的建模新方法。基于磁动势和功率不变的原则,首先将双三相异步电机的两套三相绕组等效变换为两套两相绕组,再将这两套两相绕组等效变换为两相绕组。然后应用成熟的异步电机在两相静止坐标系下的数学模型,建立了双三相异步电动机在α-β坐标系下的数学模型,并应用Matlab/Simulink建立了其仿真模型。设计制作了一台4极、1.1kW的双三相异步电动机,进行了仿真和试验对比研究。结果表明,仿真结果与试验结果吻合,两者间的最大误差在2%以下。可见,这种基于绕组复变换的建模方法是有效和正确的。     

加工长杆异型螺杆数控铣床的开发与应用

 异型螺杆零件具有螺距和底径随角度变化的特点,在通用数控车、铣床上难以实现加工.本文设计了一种新型长杆异型螺杆专用数控铣床,应用FANUC 0i-MC数控系统;采用卧式铣床结构,由c轴带动工件旋转,x轴和z轴交流伺服电机驱动实现切削进给,铣刀主轴采用交流变频无级调速,数控螺杆铣床三轴三联动.研究表明,该成果对提高加工异型螺杆的生产效率和加工质量,拓展数控铣床的功能,具有广泛的实际工程意义.     

训练支持向量机的四重序列解析优化算法

为了提高训练支持向量机的序列最小优化算法的学习性能, 依据 在每次迭代中选取多个变量同时优化可能会减少迭代次数和缩短训练时间的这一想法, 提出了一个训练支持向量机的快速算法-四重序列解析优化方法, 并给出了一个重要定理, 使得相应的子问题有解析解, 从而能够更加精确和快速地逼近最优解. 在两个公共数据集上的仿真结果表明: 该方法比其它算法有较好的学习性能-在相同训练精度的条件下,不仅缩短了训练时间, 而且计算复杂度减小.     

基于场景的形式化测试模型生成方法

在复杂的Web应用软件中,如何有效地实现自动化测试是当前软件测试研究中的热点与难点.使用统一建模语言（unified modeling language,UML）状态图对Web应用软件的行为建模,利用已有的方法将已建好的模型形式化成有限状态机(finite state machine,FSM);然后使用UML顺序图表示场景,通过使用场景规约系统行为,最终得到约简后的形式化测试模型用以实现自动测试.     

Decision tree support vector machine based on genetic algorithm for multi-class classification

To solve the multi-class fault diagnosis tasks, decision tree support vector machine (DTSVM), which combines SVM and decision tree using the concept of dichotomy, is proposed. Since the classification performance of DTSVM highly depends on its structure, to cluster the multi-classes with maximum distance between the clustering centers of the two sub-classes, genetic algorithm is introduced into the formation of decision tree, so that the most separable classes would be separated at each node of decisions tree. Numerical simulations conducted on three datasets compared with "one-against-all" and "one-against-one" demonstrate the proposed method has better performance and higher generalization ability than the two conventional methods.     

基于多目标优化策略的结构损伤识别智能算法

针对结构损伤识别问题, 提出一种基于多目标优化策略的结构损伤识别智能算法. 该算法利用极端学习机为损伤参数指标与每一阶频率建立非线性函数表达式, 先将结构的每一阶实际测量频率与函数表达式相减, 再把形成的每个表达式作为优化目标, 进而得到结构损伤识别的高维多目标优化模型. 为提高模型的求解精度, 提出了灰色多粒子群协同的多目标优化算法. 实验结果表明, 该方法能较好地处理结构损伤识别问题.     

飞机噪声特性数据的方向谱集成及支持向量机预测

针对飞机声源理论模型和NPD数据的不足,给出了一种基于频谱轨迹同步测试数据回归飞机噪声辐射规律的方法。该方法将飞机的噪声声场看成是以飞机质点为中心,距离R为半径的飞机噪声频谱球面,获取飞机噪声源数据的过程就是回归球面上各点方向谱的过程。剖析了飞机噪声特性数据的方向谱集成原理,给出了测试数据的几何关系计算及频谱重建方法,建立了飞机噪声方向谱的支持向量机回归模型,实现了飞机噪声声源数据的连续预测,为全面了解飞机噪声辐射规律,开展飞机噪声环境影响评价及噪声污染防治提供了科学直观的数据基础。     

多子种群PSO优化SVM的网络流量预测

针对网络流量的时变性和非平稳性特点,为提高网络流量预测精度,提出一种“多子种群”机制的粒子群算法和支持向量机的网络流量预测模型(Multi-Subpopulation Particle Swarm Opti-mization and Support Vector Machine,MSPSO-SVM).首先支持向量机(Support Vector Machine,SVM)参数编码成粒子位置串,并根据网络训练集的交叉验证误差最小作为参数优化目标,然后通过粒子间信息交流找到最优SVM参数,并引入“多子种群”机制,解决粒子群优化(Particle SwarmOptimization,PSO)算法的早熟停滞缺陷,最后根据最优参数建立网络流量预测模型,并采用实际网络流量数据进行仿真测试.结果表明,相对于其他预测模型,MSPSO-SVM可以获得更优的SVM参数,网络流量预测精度得以提高,更加适用于复杂多变的网络流量预测.