MAPINFO与AUTOCAD在土地复垦测量中的应用

开放的平台是MAPINFO与AUTOCAD共同的特征。简要论述了两大系统在农村建设用地复垦测量中的应用,突出了二次开发技术在生产实践中的重要作用。

时序局部加权自适应核PLS软测量建模及其应用

针对工业现场数据的强非线性、时序性特点,提出了一种结合移动窗口的局部加权自适应核偏最小二乘（LW-AKPLS）算法。在建模阶段,通过移动窗口法对数据集进行动态时序划分后,利用自适应核PLS（AKPLS）进行建模;与固定核函数的核PLS（KPLS）不同,AKPLS对于不同子数据集能自适应地选出各自的最优核函数,使模型结构与子数据集充分匹配,有效提高了子模型的预测精度;在预测阶段,利用集成学习进行子模型加权预测,获得的全局模型实用性高、泛化能力强。最后将所提算法在某焦化系统历史数据集上进行了测试应用,预测结果进一步证明了所提算法的有效性。

基于移动窗口和粒子群寻优的集成偏最小二乘改进算法

为了克服传统偏最小二乘算法对时序非线性数据拟合效果差的问题,提出了结合移动窗口技术和粒子群算法的集成偏最小二乘算法(EMWPLS_PSO)。该算法通过移动窗口判定时序数据状态突变时刻以对原始数据集进行数据划分,添加冗余检查步骤,简化模型结构,同时引入粒子群算法对关键参数寻优,提高了模型性能。采用工业数据集Debutanizer_data验证算法,结果表明:该算法在处理时序、非线性数据时具有更高的精准度和更好的稳定性。这表明基于EMWPLS_PSO的软测量建模算法在工业领域的实用性和可操作性。

关于水利工程质量管理的研究

随着科学技术的飞速发展,水库管理工作应逐步实现自动化,小型水库工程建设存在着不容忽略的质量管理问题。本文就从小型水库的难点着眼,分析小型水利工程中存在质量问题,以及解决这些质量问题的相关对策。

融合时域卷积、残差结构和注意力机制的时序预测

对于具有长、短期的时间关联性、非线性和非平稳性等特点的时序数据,传统时序预测模型对此类数据的预测效果不佳.为进一步提高时序预测模型的准确率和效率,考虑时域卷积提取时间特征的有效性,以及残差结构加快模型收敛的优越性,同时考虑注意力机制对参数的强化作用,提出了一种融合时域卷积、残差结构和注意力机制的时序预测模型(Attention Temporal Convolutional Neural Network,A-TCNN).首先,通过多层残差时域卷积层提取时序数据的长、短期特征;其次,通过注意力机制加强对输出影响较大的参数的权重;最后,通过一个全连接层得到输出结果.在实际医院流水的数据集上,与常规网络对比,比较多种多步预测策略.实验结果表明,该模型与常规模型相比具有更好的预测精度和效率.

运用直观教学 提高教学效果

说明文,由于它的与其他体裁不同的特点,教师在讲授时往往容易出现干巴巴的情况,因此,学生对它的兴趣,一般来说是不高的,对它的理解、掌握、自然也就较差了。怎样克服这种弊病?我在实习试教中,获得了点滴体会,在这里提出来与大家一起探讨。这次实习,我讲的是《故宫博物院》。故宫博物院庞大复杂。大小宫殿、房屋九千余座,大小宫门难于点数,正所谓“千楼万阁,千门万户”。

基于LSTM递归神经网络医院门诊量预测方法

实时、准确地预测医院门诊量是医院解决目前医患矛盾的重要基础,然而传统医院门诊量无法正确地预测数据而揭示其时间序列内在规律,不能有效地调节治疗资源。提出一种基于长短记忆(LSTM)递归神经网络方法预测门诊时序,具体地说,对门诊时序初始数据进行归一化预处理,减少初始误差,然后将数据输入LSTM模型,解决LSTM过早地进入局部收敛点的问题。与传统BP神经网络模型进行比较,预测精度得到明显提高,更好地预测医院门诊流量随着时间变化的趋势。

改进自适应粒子群算法优化BP神经网络医院门诊量预测方法

本文提出一种基于改进粒子群算法优化BP神经网络预测门诊时序,具体地说,采用改进自适应粒子群对BP神经网络输入层权值与输出层进行迭代优化,训练BP神经网络模型,然后计算结果,并与标准粒子群算法优化BP神经网络以及传统BP神经网络模型计算结果进行比较,预测精度得到明显提高,且数据迭代计算十分稳定,数据对比结果表明:改进粒子群优化BP神经网络模型能更好地预测医院门诊流量随着时间变化趋势。

适于多尺度宫颈癌细胞检测的改进算法

深度学习技术因其强大的特征提取能力而被广泛应用于目标检测任务中。针对多尺度宫颈癌细胞的识别准确率不均衡、检测效率低等问题,本文提出一种基于YOLO v3模型的改进识别算法mo-YOLO v3(mini-object-YOLO v3)。选用20倍数字扫描仪下采集的宫颈细胞图像作为数据集,为提高算法的鲁棒性,引入对比度增强、灰度图、旋转和翻转等多种数据增强策略扩充数据集;模型以Darknet53网络结合注意力机制作为主干模块,针对宫颈癌细胞尺寸差异大的特点,提出一种多尺度特征融合算法来优化模型结构;针对小目标检测精度低的问题,提出一种改进的损失函数,采用相对位置信息的方法减弱物体框对检测结果的影响。测试结果表明,本文所提的mo-YOLO v3模型不仅在总体识别精度上有明显的优势,同时大大提高了小尺寸宫颈癌细胞的定位精度。该模型对宫颈癌细胞识别的准确率达到90.42%,查准率达到96.20%,查全率达到93.77%,相似指数ZSI为94.97%,高于同类算法。