基于灰色Elman神经网络软件可靠性预测模型

针对当前软件可靠性预测模型在随机性和动态性较强的可靠性现场数据中存在预测精度波动比较大、适应性比较差的问题,提出一种基于灰色Elman神经网络的软件可靠性预测模型.首先使用灰色GM(1,1)模型对失效数据进行预测,弱化其随机性;然后采用Elman神经网络对GM(1,1)的预测残差进行建模预测,捕捉其动态性变化规律;最后将GM(1,1)预测值和Elman神经网络残差预测值相结合得到最终的预测结果.使用航班查询系统的现场失效数据集进行了模型仿真实验,并将灰色Elman神经网络预测模型与反向传播(BP)神经网络、Elman神经网络预测模型进行比较,其对应的均方误差(MSE)和平均相对误差(MRE)分别为105.1、270.9、207.5和0.001 1、0.002 1、0.001 6,并且灰色Elman神经网络预测模型的误差均为最小值.实验结果表明该模型具有较好的预测精度.

民航收益漏洞NOSHOW规则提取

为减轻旅客订座后NOSHOW给航空公司造成的巨额经济损失,对海量数据的处理技术进行研究,利用粗糙集理论知识设计MapReduce算法,在Hadoop平台上对特征信息与收益漏洞NOSHOW进行关联性分析,剔除弱相关的特征维度,对约简后的特征信息使用Apriori算法进行关联规则挖掘。实验取得了不同阈值下的NOSHOW规则,利用阈值大小可以制定相应特征旅客群体的出票时限,清理不合理占座,增加座位的销售机会。

基于MapReduce的民航收益漏洞规则提取研究

在民航业务中,旅客订座后却不能如期登机(NOSHOW),最终会导致航班上座位的虚耗。针对海量的CKI(CheckIn,离港)数据,提出了一种分布式环境下基于NOSHOW约束的收益漏洞规则提取方案。首先对基于项约束条件的Apriori算法进行了论证,提出分布式环境下基于项约束的频繁项集的计算模型。实验结果表明,该算法能避免大量无用频繁项集的生成,加快Apriori算法迭代的速度。实验取得了不同置信度下的关联规则,可以为航空公司制定不同旅客的出票时限,提供智能化的决策支持。

自适应视线检测与跟踪算法研究

视线检测与跟踪是实时、准确地记录人们观察场景信息时眼球的运动情况,在心理、教育等领域有广大应用前景。大多追踪技术需要佩戴眼动仪等专业设备才能实现,成本高、操作不便。采用基于HOG人脸检测并采用ERT算法回归树的人脸对齐算法标记人脸特征,建立掩膜分离眼睛,并自适应检测瞳孔轮廓,计算瞳孔的位置与视线方向。该追踪系统降低硬件设备的要求,促进视线追踪系统的应用。

《通信原理》课程教学改革与实践研究

针对当前《通信原理》课程教学存在内容深奥学时不足、教学方法陈旧单一、理论脱离实践、知识点孤立散乱等问题,采取了以翻转课堂为基础,以信息技术为手段,以案例组织为主线,以综合评定为保障的一系列教学改革措施。实践研究结果表明学生的学习成绩、学习兴趣提高了,教学质量明显提升。