二阶Melnikov向量函数

在文中,作者定义了高阶Melnikov向量函数,并给出了一、二阶Melnikov向量函数的积分表达式;作为应用,利用一、二阶Melnikov向量函数给出了判别系统存在奇异轨道的判据。

基于改进核函数的支持向量机天然气脱硫装置故障诊断方法

针对传统脱硫故障诊断方法反应慢、诊断准确率低的问题,根据Mercer理论,改进了支持向量机(Support Vector Machine,SVM)的核函数及其参数,建立了一个由多项式核函数、Sigmoid核函数和高斯径向基核函数复合成的改进核函数,在此基础上提出了一种基于改进核函数的SVM天然气脱硫装置故障诊断方法。相对于传统SVM,改进SVM体现了各单一核函数的优点,并具有更好的学习效率及诊断准确率,在小样本数据条件下仍然具有较好的泛化能力。利用HYSYS软件建模并与现场数据进行对比实验,由实验结果可知改进SVM的误差率降低到传统SVM误差率的约30%,验证了新方法能有效提高脱硫装置故障诊断的准确率和效率。研究结果有助于天然气脱硫装置故障诊断系统工作的智能化开展,同时也为故障诊断方法的研究提供了借鉴。

基于SIMD的VSIPL三角函数向量化技术研究

为提高嵌入式信号处理软件中三角函数的计算效率,并满足软件的可移植性需求,发展一种基于单指令多数据(SIMD)技术的三角函数向量化技术,并基于向量、信号与图像处理函数库(VSIPL)标准对向量化后的三角函数进行接口实现;同时,在ARM平台上对VSIPL向量三角函数接口进行性能测试。测试结果显示该方法相比循环遍历的方式具有2倍以上的加速效果,表明方法能够显著提高三角函数的计算效率,在高性能、可移植嵌入式信号处理软件领域具有一定的工程价值。

特征扩展的随机向量函数链神经网络

基于宽度学习的动态模糊推理系统(broad-learning-based dynamic fuzzy inference system,BL-DFIS)能自动构建出精简的模糊规则并获得良好的分类性能.然而,当遇到大型复杂的数据集时,BL-DFIS因会使用较多模糊规则来试图达到令人满意的识别精度,从而对其可解释性造成了不利影响.对此,提出一种兼顾分类性能和可解释性的模糊神经网络,将其称为特征扩展的随机向量函数链神经网络(FA-RVFLNN).在该网络中,一个以原始数据为输入的RVFLNN被作为主体结构,BL-DFIS则用作性能补充,这意味着FA-RVFLNN包含具有性能增强作用的直接链接.由于主体结构的增强节点使用Sigmoid激活函数,因此,其推理过程可借助一种模糊逻辑算子(I-OR)来解释.而且,具有明确含义的原始输入数据也有助于解释主体结构的推理规则.在直接链接的支撑下,FA-RVFLNN可利用增强节点、特征节点和模糊节点学到更丰富的有用信息.实验表明:FA-RVFLNN既减缓了主体结构RVFLNN中过多增强节点带来的“规则爆炸”问题,也提高了性能补充结构BL-DFIS的可解释性(平均模糊规则数降低了50%左右),在泛化性能和网络规模上仍具有竞争力.

基于核函数支持向量回归的盾构姿态预测方法

盾构机在掘进过程中,常因盾构机姿态控制不良导致一系列工程事故。为满足盾构隧道施工需求,需要找到一种能准确预测盾构姿态的方法,以达到合理纠偏的目的。提出了一种基于小波阈值去噪和支持向量回归(SVR)的盾构姿态预测方法,利用箱型分析法筛选并清洗原始数据异常值,采用小波阈值去噪对数据训练集进行降噪处理,有效地提高了模型的性能。以可决系数R 2平均绝对误差MAE作为评价指标,评估了4种核函数的SVR盾构姿态预测效果。依托杭州某盾构工程,验证了该方法的有效性。研究结果表明:原始数据经过异常值清洗、小波阈值去噪后,线性核函数SVR预测表现最好,刀盘水平姿态的R 2和MAE分别达到0.930和8.180 mm,盾尾水平姿态的R 2和MAE分别达到0.949和7.061 mm。

三角函数与平面向量的综合应用

三角函数与平面向量之间的交汇与综合问题,一直是高考数学试卷中比较常见的一类热点问题,通过平面向量的工具性加以转化问题,结合三角函数中的概念及相应公式加以恒等变换,有时涉及正、余弦定理等相关知识,用来综合考查三角函数的基础知识、基本公式、基本技能与基本应用等。

Melnikov向量函数和异宿流形

用指数二分法,横截性理论和推广的Melnikov方法,来研究具有较高退化程度的异宿、同宿轨在扰动下保存和横截的条件,结果推广、包含和改进了许多重要文献的结果。

支持向量机核函数选择与样本数据关系探索研究

支持向量机算法是一个传统且成熟的机器学习模型,该算法在分类场景下广泛应用,而核函数选择是影响支持向量机分类效果的核心因素之一。本文通过控制变量方法,选取多种多分类数据进行实验,探究样本数据的数据特征维度、训练样本数量、数据分类数量对于线性核函数、多项式核函数、高斯核函数、Sigmoid核函数四种传统主要核函数分类正确率效果的影响。实验中发现数据集的特征维度大小、训练集数量与支持向量机算法最后的识别正确率呈正相关,数据集的分类数和识别正确率呈负相关;使用高斯核函数的支持向量机算法识别效果优于其他三种核函数的识别效果;线性核函数适合于训练集数量较少的情况,在训练集数量较多时可以选择高斯核函数,高斯核函数对于数据集特征维度大小并不敏感,都较优于其他三个核函数的效果。

基于位置增强词向量和GRU-CNN的方面级情感分析模型研究

方面级情感分析旨在判断一段文本中特定方面词的情感倾向,其核心问题是方面词的上下文如何准确表征。与现有研究主要关注注意力机制的改进不同,该文从词语表征和上下文编码模型两个方面进行改进。在词语表征方面,通过BERT模型和位置度量公式获得增强的词向量表示;在上下文编码模型方面,使用GRU-CNN网络提取文本语义特征。在SemEval2014 Task4数据集上的实验表明,提出的模型在Restaurant和Laptop领域中的准确率分别达到了85.54%和80.35%,证实了所提出模型的有效性。

向量布尔函数相关函数的性质分析

文章研究向量布尔函数互相关函数的性质以及利用向量Bent函数构造Bent函数。首先,利用WalshHadamard变换以及互相关函数的性质研究向量布尔函数的互相关函数与Walsh谱之间的关系,且进一步推导出任意4个向量布尔函数的互相关函数之间的关系。其次,给出向量布尔函数的平方和指标和绝对值指标的定义,并进一步推导出平方和指标的上界以及利用分类讨论法得到其达到上界的条件。最后,利用向量布尔函数绝对值指标的性质以及Walsh-Hadamard变换,给出由向量Bent函数构造Bent函数的方法。

一种自适应调整权重向量的多目标进化算法

基于分解的多目标进化算法(multi-objective evolutionary algorithm based on decomposition,MOEA/D)作为一种重要的多目标优化方法,已经成功地应用于解决各种多目标优化问题。然而,MOEA/D算法在解决具有高维目标和复杂帕累托前沿(Pareto frontier,PF)的问题时,容易陷入局部最优并难以获得可行解。本文提出一种改进的MOEA/D算法,包括3个优化策略:首先,使用拉丁超立方抽样方法代替随机方法初始化种群,得到分布均匀的初始种群,同时对权重向量关联解的策略进行优化;其次,提出一种稀疏度函数,用于计算种群中个体的稀疏度并维护外部种群;最后,提出了自适应调整权向量的方法,用于引导种群收敛到帕累托前沿,并且有效平衡种群的多样性和收敛性。将提出算法和4种对比算法在DTLZ和WFG系列问题以及多目标旅行商问题(multi-objective travel salesman problem,MOTSP)上进行对比实验,实验结果表明本文提出自适应调整权重向量的多目标进化(MOEA/D with cosine similarity adaptive weight adjustment,MOEA/D-CSAW)算法在处理具有复杂帕累托前沿和高维多目标的问题时,算法的综合性能要优于对比算法。

向量Bent函数的进一步研究

向量Bent函数在密码学,编码理论和序列设计等领域应用广泛,是一个重要的研究课题。文章旨在通过对向量Bent函数的研究,得出新的向量Bent函数的构造方法。首先通过对Carlet给出的Bent函数的经典非直和构造的研究,将其推广到向量Bent函数上,并给出构造后函数的谱值公式。然后将布尔函数的级联构造方法推广到向量布尔函数上,通过研究函数间的谱值关系,给出级联4个函数得到的向量布尔函数为向量Bent函数的条件。最后得到3类向量Bent函数的二次构造。

多核支持向量机预测电网系统可靠性

为了改善电网系统可靠性预测性能,构建多个目标函数并采用多核支持向量机算法对配电网进行可靠性预测;从电网样本特征中筛选供电可用率、户均停电时间、户均停电次数3个关键指标,建立可靠性评价目标函数,且采用多核支持向量机训练可靠性指标特征;将高斯核函数、多项式核函数和Sigmoid核函数进行多核组合,采用多核支持向量机求解不同目标函数,获得电网系统可靠性预测结果,进而确定更佳的可靠性预测核函数组合。结果表明,合理选择核函数组合和电网可靠性指标,多核支持向量机对供电可用率、户均停电时间和户均停电次数指标预测准确率较高,且稳定性好,高斯核函数-Sigmoid核函数组合的可靠性预测准确性最佳,高斯核函数-多项式核函数-Sigmoid核函数组合的预测稳定性最好。

基于粒子群优化支持向量机的纱线质量预测

针对复杂纺纱过程中成纱质量预测精度不足以及深度学习对庞大数据集依赖性的缺陷,提出一种基于粒子群算法优化支持向量机的小样本成纱质量预测方法。首先,对原始数据集样本序列进行灰色关联预处理,按照关联度大小进行排序,再结合先验知识库筛选出主要的原棉纤维指标;其次,针对小样本预测问题,建立了线性核、多项式核、高斯核以及自适应带宽RBF核等不同核函数支持向量回归(SVR)预测模型;最后,采用粒子群优化(PSO)算法对高斯核SVR模型的超参数(正则化系数和带宽调节参数)进行辨识,设计一种综合适应度函数与线性递减惯性权重策略,用以提高PSO算法的寻优能力。仿真结果表明:PSO优化高斯核SVR模型对不同成纱质量指标有较好的预测效果,其平均相对误差不超过2%。认为:PSO优化高斯核SVR模型对成纱质量指标的预测误差较低,具有良好的适应性。

基于Bagging-组合核函数相关向量机的短期负荷预测模型研究

为充分发挥组合核函数在相关向量机预测模型中的优势,有效提高负荷预测的精度,提出基于Bagging-组合核函数相关向量机的短期负荷预测模型。首先构造了高斯核函数与Morlet小波核函数加权组合的组合核函数相关向量机的预测模型,然后采用粒子群算法对两个核函数的最优权值进行优选。为提高模型的泛化能力,采用Bagging算法对原始数据多次抽样构造训练样本集。通过实际算例仿真,与多种相关向量机预测模型对比分析,验证了该模型具有较好的预测精度。

一类基于向量布尔函数构造的极小二无线性码

线性码在数据储存、通信、密码学和组合数学等方面都有着重要的应用, 其中的极小线性码可以用 来构造具有良好访问结构的秘密共享方案. 本文利用向量布尔函数构造了一类新的二无线性码, 并且利用布尔函数的密码学性质研究了线性码的长度, 维数和重量分布. 结论表明, 所构造的线性码 最小距离更大且为宽极小码. 此外, 本文将现有的一些结果推广到一般情形.

一种改进的随机向量函数链接网络集成模型

针对传统随机向量函数链接网络集成模型时多样性不足和泛化性能差的问题,提出一种改进的随机向量函数链接集成模型.首先,通过6种简单回归模型替代传统随机向量函数链接网络中的直接链接;其次,采用高斯过程回归(Gaussian process regression,GPR)方法初始化隐含层参数,增强各基分类器的多样性;最后,使用不同的结合策略,集成具有差异性的基分类器得到预测模型.结果表明,改进的随机向量函数链接集成模型的预测精度明显高于其他传统集成模型,较传统随机向量函数链接网络具有更好的泛化性能.

支持向量机发展历程及其应用

股票投资作为一种常见的投资方式,其投资方法也日新月异。越来越多的投资分析师利用计算机分析数据的优势来进行股票交易。支持向量机(Support Vector Machine,SVM)作为一种数据挖掘技术,在高维、非线性、过拟合等问题上具有较强处理能力,在股价预测方面表现出特有优势。系统论述了支持向量机的发展及其在预测领域中的应用,并构建SVM股票预测模型,运用股票数据对股票进行涨跌情况预测,通过选取核函数以及调整参数,并计算准确率、精确度、召回率、F1值等预测模型评估指标,分别进行SVM模型和SVM_RBF模型构建及模型效果评估。

基于组合核函数相关向量机的高光谱图像分类

本文提出了一种基于组合核函数相关向量机的高光谱图像分类方法。基于核函数的特性构造出三种形式的组合核函数。使用多尺度数学形态学方法从主成分变换后的图像上提取空间特征,通过组合核函数融合图像的光谱特征与空间特征,采用组合核函数相关向量机进行分类。使用AVIRIS高光谱图像对算法进行了验证。实验结果表明,与传统的基于光谱特征的相关向量机分类器相比,组合核函数相关向量机方法的总体精度和Kappa系数均有明显提升。同时,组合核函数相关向量机能够用较少的训练样本获得较高的分类精度,在高光谱图像分类中具有实用价值。

近邻密度辅助模糊优化孪生支持向量机的钢板表面缺陷分类

为提升钢板表面缺陷分类精度,提出一种选择性弱化样本的分类模型。首先,在图像预处理阶段引入显著性检测算法来减少二值化后图像出现失真的影响;其次,为了降低不利的边缘样本点对模型的影响,同时又能提高有利的边缘样本点对模型的贡献,构造了一种新的密度模糊隶属度函数对样本进行权重赋值;最后,在孪生支持向量机(TWSVM)的基础上,将构造的密度模糊隶属度函数作为优化条件嵌入模型内,提出了近邻密度辅助模糊优化的TWSVM算法,以提高分类效果。在数据集NEU上的实验结果表明,引入显著性检测算法后,重新设计的特征在整体准确率上提高了1.66%,同时采用优化后的算法进行缺陷分类,准确率达到98.33%,进一步提高了分类性能。