基于用电稽核全排列数据的智能属性约简算法

针对数据异常的稽核规则,文章提出了一种基于用电稽核全排列数据的智能属性约简算法,旨在实现营销稽查事前强制拦截风险点、事中全过程实时管控、事后高风险点优先置前。实验及应用结果表明,所提出的算法提高了异常数据稽核效率和准确性,降低了营销业务风险。

基于参数优化的人工神经网络的AZ31镁合金力学性能预测模型

通过力学性能试验测定了不同退火条件下AZ31镁合金的抗拉强度、屈服强度和延伸率,并利用人工神经网络技术建立了对应力学性能的预测模型,其中对模型的优化采用了一种新方法,即参数全排列组合训练。结果表明,基于全排列训练得到的最优参数建立的网络模型具有优良的性能,比经传统试探法构建的模型具有更高的平均相关系数和更低的平均误差,因此能更准确地预测AZ31镁合金在不同退火条件后的力学性能。

基于参数优选的人工神经网络的Mg-Al-Ca系铸态合金晶粒尺寸预测模型

基于全排列组合训练优选的建模参数,建立了铸态Mg-Al-Ca系合金的人工神经网络晶粒尺寸预测模型。对比传统试探法参数所建模型,该模型具有更高的平均相关系数和更低的平均误差,对检验数据的平均预测误差为6%。此外,通过模型预测了不同Al、Ca含量对Mg-Al-Ca系铸态合金晶粒尺寸的影响。结果表明,当Al含量在2.0%～3.0%、Ca含量在2.5%～3.5%时,可获得晶粒较小的Mg-Al-Ca系铸态合金,其尺寸约为150μm。预测结果和实验结果相吻合。