周期梯度器中两微生物竞争模型分析

在文［２］基础上讨论了周期梯度器中两种微生物竞争某一有限营养的模型，利用不动点理论得到两种微生物种群不稳定共生的充分性判据。

基于改进平衡优化器算法的电力消费预测

针对当前用电预测模型预测精度不足的问题,提出一种基于改进平衡优化器算法的电力消费预测方法。首先,在基本平衡优化器中引入自适应搜索机制,以克服其易陷入局部最优的缺陷;其次,使用自适应平衡优化器调节梯度增强回归器的参数;最后,使用平衡优化器改进的优化梯度增强回归器进行电力消费预测。为了验证所提模型的有效性,使用大规模数据集对所提算法进行了测试。结果表明,所提出的电力消费预测模型具有较好的预测准确性和预测稳定性。

小随机扰动对梯度系统的影响

讨论了随机扰动对梯度器中竞争模型的影响 。

基于SGDM优化IWOA-CNN的配电网工程造价控制研究

为了控制配电网工程项目的成本,需准确预测配电网工程造价,本文提出一种基于带动量因子的随机梯度下降(stochastic gradient descent with momentum factor, SGDM)优化的改进鲸鱼算法-卷积神经网络工程造价预测模型。首先,考虑回路数、杆塔数、导线、地形、地质、风速、覆冰、导线截面、混凝土杆、塔材、绝缘子(直线)、绝缘子(耐张)、基坑开方、基础钢材、底盘和水泥对配电网工程造价的影响,建立了非线性函数关系;采用SGDM优化器改进的卷积神经网络对函数进行逼近,并用贝叶斯方法优化卷积神经网络的超参数;利用改进的鲸鱼算法(improved whale optimization algorithm, IWOA)优化卷积神经网络,找出卷积神经网络的最优学习率。数值算例表明,新模型预测效果较好,并提出相应的控制策略。

基于联邦学习的下肢康复评估算法与实现

为解决跨机构模型训练及康复评估的数据隐私问题,提出一种基于联邦学习的下肢康复评估算法。搭建联邦学习系统,通过客户端选择机制及量化编码压缩提高通讯效率。设计限制项随机梯度下降优化器保证本地训练时的模型收敛性,通过高斯差分隐私算法进行全局更新。在此基础上设计GRU-Inception神经网络模型,利用联邦学习系统进行训练并完成下肢康复评估任务。实验验证了该算法具有较好的康复评估效果。

基于麻雀算法优化的神经网络推荐算法研究

针对大学校园信息过载,专业培养方案缺乏个性化与自主学习培养等问题,本文基于学生自主学习推荐的研究,提出了基于麻雀算法改进DNN分类推荐算法的设计,以实现更利于学生自主学习推荐培养。经对4种激活函数的训练集结果进行对比实验,选择使用Sigmoid验证集作为激活函数;在梯度下降验证集的结果对比试验,得出需要采用Adam优化器;通过常见目标函数对麻雀算法的适应性研究,得出麻雀算法适用于DNN模型的寻找最优。实验研究结论表明,基于麻雀算法优化后的DNN模型,实现了更为精准有效的推荐,很好地实现了智慧校园中基于用户画像特性化推荐自主学习的培养目标。

基于Tensorflow框架的手写数字识别

文章利用Tensorf low深度学习结构来构建神经网络模型,并采用激活函数对MINIST进行训练;加入特征转换过程,利用梯度下降优化器,将数据降维;在输出层上将全连接模型和Softmax层相结合,经过交叉验证,达到90%以上的识别率。

基于颜色和梯度差估计器的运动阴影检测

针对当前运动阴影检测中采用的纹理信息过于粗糙问题,提出一种基于梯度差估计器并融合亮度和归一化颜色特征的阴影检测方法。以混合高斯模型得到的前景像素为基础,通过阴影在亮度和归一化颜色上的特性筛选出候选的阴影区域,然后利用梯度差估计器确定最终的阴影区域。实验结果表明,本文算法能很好地区分局部纹理不明显的运动目标和阴影。

确定性退火技术及其在点匹配中的应用

证明了当自由能函数满足一定条件时确定性退火算法收敛到能量函数的全局最优解在此基础上,利用确定性退火技术给出了一个点匹配算法该算法首先确定点匹配问题的自由能函数,通过使该自由能函数最小化得到点集之间的映射参数,然后用该参数对两个点集进行校准,最后将校准后的点集进行匹配得出点的对应关系实验结果说明了该算法的有效性及其对旋转、平移、噪声等的鲁棒性.

三维有限元-边界元耦合法的并行计算及优化措施

在应用有限元-边界元耦合法分析大规模三维电磁场数值计算问题时,采用并行计算方式可以有效地节省计算时间和提高求解精度.在介绍并行计算在线性单元和高阶单元问题实施原理的基础上,分别论述了应用自适应交叉逼近技术降低边界元求解区域内存消耗、应用分布式预处理共轭梯度法求解器对复杂且包含易变化部件求解区域进行基于相对编号的建模以提高并行机群的运行效果、应用Borland C＋＋Builder软件实现分析结果导出自动化以降低人工工作量这三种对有限元-边界元耦合法并行计算的优化措施.

基于AC-GAN数据重构的风电机组主轴承温度监测方法

为更好地识别风电机组主轴承运行状态,提出了一种基于辅助分类生成对抗网络(auxiliary classifier generative adversarial networks, AC-GAN)的数据重构算法对风电机组主轴承温度进行监测。首先,利用采集与监视控制系统(supervisory control and data acquisition, SCADA)时序数据建立基于轻型梯度增强学习器(light gradient boosting machine, LightGBM)的主轴承温度预测模型,并计算其残差特征。其次,利用统计过程控制(statistical process control, SPC)方法对主轴承温度异常残差在控制线范围内进行筛选,并利用AC-GAN算法对残差进行重构。最后,分别提取主轴承温度正常和异常的残差特征,建立基于自然梯度提升(natural gradient boosting, NGBoost)的主轴承状态监测模型。实验结果表明,该方法对主轴承运行状态判断准确度高达87.5%,能够有效地监测风电机组轴承类运行状态。

基于集成学习方法的中国近地面臭氧浓度时空分布

自2013年大气污染防治行动以来,PM_(2.5)、PM_(10)、SO_(2)、NO_(2)等空气污染物浓度都有不同程度下降,但臭氧污染仍有上升趋势,臭氧污染已成为制约中国空气质量持续改善的关键问题。地基站点可以提供空间上特定点的臭氧浓度,但无法获得近地面臭氧连续的空间分布。由于臭氧大量分布于平流层,遥感卫星反演的臭氧柱浓度产品仅能反映整层臭氧柱浓度,但整层臭氧柱浓度与近地面浓度无明显相关性,因而无法体现近地面臭氧浓度。本文综合地基监测数据、再分析资料、卫星产品,采用不同的模型方法,得到近地面臭氧浓度的时空分布,结果表明集成学习方法可以准确估算近地面臭氧在空间上的分布状况和在时间上的变化趋势。本文对比了梯度提升回归树(GBRT)、极端随机树(ERT)、极端梯度提升器(XGBoost)3种不同的集成学习方法在近地面臭氧污染估算的效果表现,3种集成学习方法在2019年—2020两年的十折交叉验证R^(2)都在0.89以上,极端梯度提升器(XGBoost)方法在RMSE、MAE指标上有最好的表现,2019年—2020年两年的平均RMSE、MAE分别为15.77μg/m^(3)、10.53μg/m^(3),但基于极端随机树(ERT)方法获得的近地面臭氧空间分布更加连续自然。因此最终选择极端随机树(ERT)方法估算得到中国近地面臭氧浓度数据集,并在此基础上进行时空分析。由于中国政府实施积极的减排措施的及疫情影响,臭氧浓度多年来的上升趋势得到了逆转,2020年臭氧年均值为107.41±18.6μg/m^(3),较去年平均值109.26±19.71μg/m^(3),有所减少。时间上,每年的5—9月气温较高,光化学反应剧烈,因而臭氧高污染事件频繁发生。空间上,京津冀地区、长三角地区、珠三角地区、成渝地区等城市群显著高于周围其他区域,是臭氧污染防治的重点区域。