复合材料小尺寸不规则孔隙随机分布算法

以碳纤维/环氧树脂复合材料中的孔隙为研究对象,建立一种可以生成小尺寸不规则孔隙的随机分布算法。首先利用Matlab软件对复合材料的微观形貌图像进行处理,以获取小尺寸不规则孔隙的尺寸分布统计数据。然后以该统计数据为依据,采用改进的邻点融合法,通过C++编程建立小尺寸不规则孔隙随机分布算法。最后将孔隙微观形貌图和随机分布算法生成的孔隙分布图进行对比分析,结果表明本文算法生成的孔隙与实际孔隙的形状和分布基本相同,证明了小尺寸不规则孔隙随机分布算法的有效性和合理性。

基于Nataf变换的相关随机数算法及其应用

针对极值风浪荷载之间的相关性,提出了一种基于Nataf变换的相关非高斯分布随机数算法,用来生成极值风浪荷载随机向量;运用该方法讨论了基于独立风浪的荷载效应和基于相关风浪的荷载效应的极值之间的关系,并且对不同的风浪联合荷载效应的拟合方法进行了评定;应用最小二乘法及极值Ⅰ型分布拟合实际风、浪荷载效应,然后对此分布模型运用Nataf变换随机数算法和一般随机数算法生成随机向量,最后通过与实际风浪联合荷载效应比较,验证了所提方法的有效性。

改进的机器学习模型在肺结节良恶性分类中的研究

肺癌发病率不断上升,借助影像手段快速进行肺结节的早期评估,对提高患者生存质量具有重要意义。针对这个问题,提出了一种新的肺结节良恶性分类模型,该模型首先采用过采样算法消除良性样本比例过高导致的结果偏移现象;然后提取每个结节的影像组学特征,并结合斯皮尔曼相关性变量剔除以及最小绝对收缩选择算子进行特征筛选,选取最优特征子集;最后采用余弦递减型惯性权重改进随机发生分布式延迟粒子群算法,以精准搜索全局最优参数,建立最佳分类模型。利用LIDC数据库上的608例训练集和68例测试集对模型进行训练和测试。模型在测试集上的AUC、准确率、精确率、召回率分别为0.93、0.941、0.917以及0.971。结果表明该模型能有效分类肺结节,有望在临床上进行肺结节的良恶性辅助诊断。

基于灰色关联分析的电力基建工程造价预测方法

造价预测是电力基建工程前期工作中重要内容,对降低工程造价风险具有重要意义,但是现行方法 MARE比较高,预测精度比较低。基于此,针对现行方法存在的不足,提出基于灰色关联分析的电力基建工程造价预测方法。先筛选电力基建工程造价特征指标,建立工程造价预测指标体系,然后采用T分布随机邻域嵌入降维算法对预测指标降维处理,通过对预测指标灰色关联分析,优选相似特征工程,最后采用均值强化算法对特征相似的工程造价预测值计算,实现基于灰色关联分析的电力基建工程造价预测。经实验证明,本文方法预测结果 MARE值不足1%,预测值与工程造价真实情况基本贴合,在电力基建工程造价预测方面具有良好的应用前景。

无线网络中全调度问题的一种随机分布式算法

无线网络中的全调度，要确保网络中每个节点所可能的链路信息和广播信息都能无冲突地进行传输．通过简单的构造方法，证明了多项式时间内，能找到一个长度为O（△^2out △in）的全调度；并且给出了全调度问题的一种随机分布式算法，证明了这种随机分布式算法，对任意的常数h，0〈h〈1，能以1-h的概率，得到一长度为O（△in △^out Inn/h）的全调度．

面向多目标追踪的无线传感器网络协同任务分配研究

在基于动态联盟机制的无线传感器网络协同任务分配研究中,为了解决多目标追踪带来的联盟间的资源竞争问题,本文采用分布式约束满足算法解决多动态联盟间的协同问题.根据无线传感器网络多目标追踪的应用需求,建立了基于动态联盟机制的协同任务分配的分布式约束满足模型,并采用分布式随机算法求解满足约束条件的动态联盟集合,实现多动态联盟间的协同.仿真结果表明,分布式约束满足算法有效地解决了多目标追踪中多个动态联盟间的资源竞争问题,能够有效降低系统的能量消耗.

基于t-SNE和核马氏距离的滚动轴承健康状态评估

针对滚动轴承在健康状态评估过程中,退化状态特征筛选和健康指数难以构建等问题,提出了一种基于t-SNE(t-distribution Stochastic Neighbor Embedding)和核马氏距离的滚动轴承健康状态评估方法。首先,利用随机森林算法筛选出重要性较高的退化状态特征,并构建高维相对退化状态特征;其次,为防止退化状态特征冗余对评估结果产生影响,利用t-SNE对高维相对退化状态特征集进行降维,将退化状态特征进行融合;最后,将其与等距映射(Isometric mapping,Isomap)、KPCA方法对比,以验证t-SNE流形学习算法进行退化状态特征降维的有效性与优越性,结果表明t-SNE算法具有一定优势。最终结果验证了所提方法的有效性。

基于PCA与t-SNE特征降维的城市植被SVM识别方法

以高光谱图像降维为研究问题,针对主成分分析法(PCA)投影结果混叠、线性不可分和t-分布式随机邻域嵌入算法(t-SNE)内存占用大、运行时间长等不足,提出了一种基于PCA与t-SNE结合的高光谱图像降维方法。设计了基于SVM的城市植被识别模型,有效地提高了运行速率,进而更好地提取高光谱图像的本质特征,提高了高光谱图像中城市植被的分类精度。实验选取肯尼迪航天中心(KSC)数据为对象,结果表明,PCA-t-SNE-SVM算法总体分类精度可达92.06%,Kappa系数为0.91时,分类效果最优,相较于PCA-SVM和t-SNE-SVM算法,总体分类精度分别提高了13.51%和3.33%,Kappa系数分别提高了0.15和0.04,均表现出良好的性能。

基于T_SNE和AW-SVR的滚动轴承退化状态预测

针对滚动轴承存在故障提取信息冗余、非平稳突变故障预测效果不佳的问题,提出了一种基于t分布随机近邻嵌入算法(T_SNE)和自适应加权支持向量回归(AW-SVR)相结合的滚动轴承退化状态预测方法。该方法首先提取了滚动轴承的时域和频域指标,组成原始特征向量;然后通过T_SNE算法进行特征降维,获得二维退化特征集,并利用相对均方根值(RRMS)划分滚动轴承的退化阶段,以此来描述轴承的退化状态;最后将权函数引入支持向量回归机(SVR)中,并通过自适应地改变突变点的权重增强SVR的学习能力,以提高对突变故障的预测精度。通过实验数据对比分析,结果表明T_SNE和AW-SVR相结合比ISOMAP+SVR、LLE+SVR和T_SNE+SVR方法在轴承退化状态预测方面具有更好的效果。

分组加权t-SNE的手写数字奇异类样本聚类方法研究

针对t-SNE算法在高维降维中存在的奇异类样本区分能力弱的不足,给出了一种将分组加权的改进t-SNE算法应用于数字手写体奇异类样本的聚类和识别中的方法.该方法根据样本在高维空间内的不同分布状况而应用不同的分组权值重新计算相似度,进而实现更合理的高维空间到低维空间的聚类映射.在基于MNIST构建的奇异类样本库上的对比试验结果表明,与t-SNE算法相比,分组加权t-SNE算法的聚类可视化与指标均得到了提高,其中查全率平均提高了4%,查准率平均提高了3. 3%,从而验证了该方法的可行性和有效性.

基于LNN-DPC加权集成学习的转炉炼钢终点碳温软测量方法

转炉炼钢终点控制的关键是碳温准确预报。针对实际生产中因原料品质差异导致的炉次样本波动性较大所造成全局单一模型无法精确预测终点碳温的问题,提出一种局部最近邻密度峰值聚类算法(LNN-DPC)加权集成学习软测量方法。首先,采用改进的峰值密度聚类算法划分降维后的训练数据形成局部样本子集,构建子集与原始数据间的一一对应关系生成高斯过程回归子模型,并在原始数据子集下度量得到熵值加权的子集“质心”;其次,通过灰色关联分析选择与测试样本关联度较强的模型作为局部模型,提出关联度加权集成策略输出碳温预测结果。在实际转炉炼钢生产过程数据仿真结果下,碳含量在±0.02%的误差范围内精度达到85.2%,温度在±10℃的误差范围内精度达到84.8%。

预测DNA序列中短CpG岛新方法

在基因表达调控中,长度在200~500bp之间的短CpG岛具有非常重要的作用,然而目前并没有一种非常好的方法寻找短CpG岛。基于给定长度DNA片段上碱基随机分布的排列组合算法,我们定义了一种计算CpG观察预期比的新方法。结合DNA片段长度和GC含量这两个参数,该方法给出了人类21号和22号染色体上CpG岛分布的预测结果。根据CpG岛与基因功能区、Alu重复序列和UCSC的CpG岛对比分析,本研究给出了新的CpG岛判断准则：（1）CpG岛不小于200bp;（2）GC占比不小于50%;（3）CpG观察预期比不小于1.4。通过与Takai方法的对比分析显示,新方法能够显著地排除Alu重复序列对CpG岛预测的影响,并且能够准确预测具有更短长度的CpG岛在DNA片段上的分布。多基因转录起始位点基因分析结果表明,短CpG岛是UCSC的CpG岛的核心组成部分,短CpG岛是参与基因表达调控的核心元件。本研究为预测和分析短CpG岛在人类基因调控中的作用提供了必要的手段。

结合高光谱像素级信息和CNN的玉米种子品种识别模型

玉米作为中国重要粮食作物,品种众多,易出现错分现象,影响农业安全和粮食生产。针对传统基于卷积神经网络CNN(Convolutional Neural Network)的高光谱图像作物品种识别模型所需建模样本数量巨大的问题,提出基于高光谱像素级信息和CNN的玉米种子品种识别模型。首先,获取不同品种玉米种子在400—1000 nm范围内的高光谱图像,提取样本全部像素的203维光谱信息,利用主成分分析PCA(Principal Component Analysis)算法将光谱维度降至8维。在实验中,样本的像素级光谱信息(即:样本的全部像素的光谱信息)除应用于CNN模型外,也应用于支持向量机(SVM)和K近邻分类(KNN)模型中,结果表明:在相同模型中,基于像素级光谱信息比基于米粒级光谱信息(即:每粒样本所有像素光谱信息的平均值)识别效果好;在相同情况下,CNN模型比SVM和KNN模型的识别效果好;基于像素级光谱信息和CNN的品种识别模型识别效果最稳定,依据像素级分类结果采用多数投票策略对玉米种子样本进行识别,样本识别精度高达100%(注:100%为建模集样本与测试集样本数量为0.27和0.32时的识别精度,随着测试集样本数量的增加,该识别精度将有所降低)。最后,使用t分布随机邻域嵌入(t-SNE)算法实现CNN输出特征值的可视化,验证了基于高光谱像素级信息和CNN的品种识别模型的有效性。在建模样本极少的情况下,实现了玉米种子品种的无损、高效识别,为精准农业提供了理论基础。

EWT-MFE与t-SNE结合的旋转机械故障诊断方法

为提取出辨识度高的故障数据集,将经验小波变换(empirical wavelet transform,EWT)、多尺度模糊熵(multi-scale fuzzy entropy,MFE)以及t-分布随机邻域嵌入算法(t-distributed stochastic neighbor embedding,t-SNE)进行结合,提出一种能够有效识别旋转机械故障状态的分析方法。首先,将旋转机械的振动信号进行经验小波变换,以提取具有紧支撑傅立叶频谱的调幅-调频(AM-FM)成分,选择相关系数较大的AM-FM进行信号重构;然后,计算出重构信号的多尺度模糊熵并组成能表征故障状态的高维特征集,利用t-SNE对高维特征信息进行维数约简,剔除冗余不相关特征;最后,将约简后的敏感故障数据集输入到支持向量机(support vector machin,SVM)中,在SVM核函数参数进行粒子群算法优化的基础上进行状态识别及分类。用双跨转子实验台采集的数据对上述方法进行验证,结果表明该方法能够有效提取转子振动信号的故障特征,并且具有更精确的故障识别率。