基于遗传神经网络的非等时距加权灰色线性组合模型在变形监测中的应用

针对非等时距以及BP神经网络会陷入局部极小值的问题,本文提出了基于非等时距加权灰色组合GA-BP模型的新方法。首先对原始变形监测数据采用非等时距的加权灰色组合线性模型处理,然后利用处理后的数据求出残差进而建立GA-BP神经网络模型进行残差修正。通过对比非等时距GM(1,1)以及非等时距加权灰色线性组合模型的结果,发现基于非等加权灰色线性组合GA-BP神经网络模型可以有效地提高模型精度,具有一定的应用价值。

卡尔曼-非等时距加权灰色线性组合模型探讨

针对监测数据中不可避免的含有随机噪声以及监测时间往往不是等时距的问题,该文提出了一种基于卡尔曼滤波的非等时距加权灰色线性组合方法:首先对原始变形监测数据进行卡尔曼滤波处理,有效剔除随机噪声的影响;然后利用滤波后的数据建立非等时间间隔的加权灰色线性组合模型进行预测;最后进行对比分析。该模型不仅具有线性回归以及GM(1,1)的特点,而且克服了传统GM(1,1)的不足。实验结果表明,基于卡尔曼滤波的非等时距加权灰色线性组合模型不仅可以有效的剔除监测数据中的随机噪声,而且提高了模型精度,具有一定的参考价值。

基于汉语情感词表的句子情感倾向分类研究

提出了一种基于汉语情感词词表的加权线性组合的句子情感分类方法。该方法通过已有的五种资源构建了中文情感词词表,并采用加权线性组合的句子情感分类方法对句子进行情感类别判断。实验结果表明,直接利用词汇语言粒度的句子情感分类综合F值为78.62%,若加入了否定短语语言粒度后,句子情感分类的综合F值提高了4.14%。

基于LDA模型和话题过滤的研究主题演化分析

针对目前科学技术文献数量激增、难以从总体上分析把握的现状,提出一种从科技文献中获得研究主题特征词并展现其演化趋势的方法.该方法先利用LDA(Latent Dirichlet Allocation)模型对不同时间片内的话题进行自动抽取,得到不同数量的话题.然后,通过话题过滤剔除意义有限的话题,并借助简单启发式规则选择种子话题.最后,再利用语义相关度将相邻时间片内内容相近的种子话题联系起来,以得到研究主题的演化趋势.实验结果表明,在不对话题生成进行人工干预的前提下,本文方法较真实地描述了研究主题强度和内容随时间的演化趋势,避免了无意义话题对研究主题演化的负面影响.

桑叶采摘机构的多目标优化设计

针对桑叶采摘机构的采摘工况,通过几何与静力学分析,以采摘机构的基本参数为设计变量,分别以推杆推力最小和采摘机构质量最轻为优化目标,在满足采摘机构的基本尺寸和力学性能的条件限制下,采用加权线性组合法建立多目标优化数学模型,求解桑叶采摘机构的最佳设计方案。经多目标优化后采摘机构质量和推杆推力都相应减小。机构质量减轻可节省生产成本,推杆推力减小使机构打开合理角度时节省时间,提高采摘效率。利用多目标优化方法可获得较好的优化效果,为进一步桑叶采摘机物理样机制作奠定良好基础。

基于相位补偿的舰船升沉位移测量方法

为了解决舰船升沉信息测量过程中传统升沉数字滤波器存在输出信号相对于实际信号相位超前的问题,提出了一种基于相位估计与补偿的自适应滤波算法。分析了传统升沉数字滤波器输出相位超前的原因,采用加权傅里叶线性组合频率估计算法实时估计输入信号的频率,并设计自适应FIR滤波器对传统升沉数字滤波器的输出进行相位补偿。将自适应FIR滤波器与传统升沉数字滤波器的估算结果进行模拟实验对比。实验结果表明自适应FIR滤波器输出的升沉位移精度达到厘米级,有效提高了舰船升沉信息测量的准确性和实时性。

基于自适应频率估计的舰船瞬时线运动测量方法

针对传统舰船瞬时线运动信息测量过程中,IIR数字高通滤波器的输出会存在相位超前,从而使输出信号相对于实际信号存在时间上超前的问题。分析了超前相位对瞬时线运动信息测量的影响,提出了一种基于自适应频率估计的舰船瞬时线运动测量方法。针对IIR数字高通滤波器超前相位的大小随输入信号频率变化的问题,引入了WFLC频率估计算法来实时估计输入信号的频率,提出了自适应延时校正算法来校正由数字高通滤波器带来的输出信息在时间上的超前量。仿真结果表明:提出的改进舰船捷联瞬时线运动测量方法能够很好地解决传统信息测量方法中输出信息在时间上存在超前的问题,实现了实时舰船瞬时线运动信息精确测量,测量精度由0.13 m提高到了0.02 m。

Seismic data reconstruction based on iterative linear expansion of thresholds

Based on the compressive sensing,a novel algorithm is proposed to solve reconstruction problem under sparsity assumptions.Instead of estimating the reconstructed data through minimizing the objective function,the authors parameterize the problem as a linear combination of few elementary thresholding functions,which can be solved by calculating the linear weighting coefficients.It is to update the thresholding functions during the process of iteration.The advantage of this method is that the optimization problem only needs to be solved by calculating linear coefficients for each time.With the elementary thresholding functions satisfying certain constraints,a global convergence of the iterative algorithm is guaranteed.The synthetic and the field data results prove the effectiveness of the proposed algorithm.