切入场景下基于碰撞风险聚类的改进车速预测方法

切入工况的高精度车速预测是保证自动驾驶切入安全的关键依据。为提高自动驾驶汽车切入工况安全,开展了基于车车耦合风险聚类的切入场景自车速度高精度预测方法的研究。首先,依据实验所得自然驾驶数据进行车辆切入切出片段提取,使用K-means方法依据碰撞风险与加速度关联特征进行聚类分析。其次,基于支持向量机(SVM)模型,对切入切出工况车车交互状态进行在线识别,对切入危险工况进行实时预测。最后,提出基于自回归综合移动平均(ARIMA)模型的改进车速预测方法,结合在线识别结果进行车速在线优化。仿真结果表明,所提出的基于碰撞风险聚类的改进ARIMA车速预测方法对提高切入安全效果明显,较传统的预测方法车辆的碰撞风险降低了10%~20%。研究结果表明,ARIMA模型的改进车速预测方法对提高自动驾驶车切入安全具有重要的研究意义。

面向众核处理器的阴阳K-means算法优化

传统阴阳K-means算法处理大规模聚类问题时计算开销十分昂贵。针对典型众核处理器的体系结构特征,提出了一种阴阳K-means算法高效并行加速实现。该实现基于一种新内存数据布局,采用众核处理器中的向量单元来加速阴阳K-means中的距离计算,并面向非一致内存访问(non-unified memory access, NUMA)特性进行了针对性的访存优化。与阴阳K-means算法的开源多线程实现相比,该实现在ARMv8和x86众核平台上分别获得了最高约5.6与8.7的加速比。因此上述优化方法在众核处理器上成功实现了对阴阳K-means算法的加速。

基于双特征的短波红外星图识别算法

在短波红外波段进行昼夜测星有望实现近地空间全天时自动导航,其中,星图识别算法是实现全天时导航的关键技术之一。传统的三角形算法在导航星数增多的情况下,由于其匹配特征维度低,在识别时容易出现冗余匹配、误匹配的情况。针对这一问题,提出了一种基于双特征的短波红外星图识别算法,该算法选取三角形的面积与外切圆半径双高维特征作为匹配特征,通过构建面积特征的K矢量索引,应用K矢量查找法降低匹配识别的计算复杂度。此外,还提出一种优化的观测三角形的选择策略,减少了匹配过程中的计算量,提高算法的识别速度。实验表明,星点位置噪声低于2像素时,算法的平均识别率优于95%;伪星数未超过50%时,平均识别率可达87.6%;并通过实际观星试验验证了所提算法的可行性,与改进的三角形算法相比,该算法在识别速度、识别率以及抗噪声能力等方面都有明显优势。

基于RLLE算法的脑力负荷分类

近年来,随着人工智能领域技术的不断发展,脑机接口(brain-computer interface,BCI)吸引了更多学者的关注。实时监测高强度脑力工作者的脑力负荷水平并根据其任务做出动态调整是保护国家财产和操作人员安全的重要手段。研究表明由脑电图(electroencephalogram,EEG)提取的特征功率谱密度对于脑力负荷的变化比较敏感,但由于其维数过高,容易造成数据灾难。传统的主成分分析降维(principal component analysis,PCA)算法会损失数据的部分非线性特征。局部线性嵌入(locally linear embedding,LLE)是常用的非线性降维算法,但该算法对噪声的敏感性高,降维结果受参数影响较大。稳健局部线性嵌入算法RLLE(robust locally linear embedding),在LLE优化权重矩阵时添加了正则项优化,不仅增强了模型的抗噪能力,也解决了解模型过程中可能会出现的矩阵病态和奇异性问题。实验结果表明,经过RLLE降维后的数据使用支持向量机(support vector machine,SVM)分类精度普遍高于经过PCA和LLE的降维方式,具有更强的抗干扰能力。

基于BERT-LDA和K-means聚类的绘画作品价值评估指标体系构建

针对目前绘画领域缺乏标准的价值评估指标体系,提出了基于BERT-LDA和K-means聚类的绘画作品价值要素挖掘方法。运用超平面法对绘画文献进行了停用词筛选,基于BERT-LDA模型构建了包含文本语义信息的融合特征向量,运用K-means算法对融合特征向量进行降维可视化,随之构建了绘画作品价值评估指标体系。结果表明,基于BERT-LDA模型和K-means算法识别的主题及主题词相比传统LDA模型的查准率、查全率和F值分别提升了28.5%、10%和21.5%。通过随机森林等算法对指标体系进行验证,验证了构建的绘画作品价值评估指标体系的科学性。

基于机器学习分类算法解析EIS数据的有机涂层性能评价方法

目的基于机器学习分类算法快速评估有机涂层的防腐性能。方法通过实验室加速试验模拟涂层真实的退化过程,并根据测得的电化学数据,分析不同退化阶段的等效电路元件参数。随后,采用随机抽样方法获取大量数据,用于机器学习模型训练。通过对比支持向量机(SVM)、k最近邻(k-NN)和随机森林(RF)3种不同的机器学习算法,以及多种输入特征集训练的涂层性能分类器模型的准确率,分析最适合用于涂层性能快速评估的机器学习算法和电化学特征。结果根据不同输入特征训练的k-NN和RF模型均表现出良好的预测效果,而SVM模型的预测效果相对较差。根据不同频率范围训练的分类器模型中,在低频区表现最佳,而在高频区表现较差。结论基于阻抗虚部、虚部+实部和阻抗模值3种输入特征训练的RF分类器模型的预测效果最准确。不同频率区间内,低频区的阻抗特征更能准确表征涂层性能。

基于支持向量回归和分位数的雷达K分布海杂波形状参数估计方法

针对传统的雷达K分布海杂波形状参数估计方法在异常样本存在情况下估计精度严重下降的问题,该文提出一种基于支持向量回归(SVR)和样本分位数比值的K分布海杂波形状参数估计方法。首先给定K分布杂波参数和分位数位置的值,根据K分布的累积分布函数计算样本分位数比值及其对数,然后建立以样本分位数比值对数为输入、待估计形状参数为输出的SVR模型,通过交叉验证确定SVR模型的超参数,最后训练SVR模型实现对K分布海杂波形状参数的稳健精确估计。仿真和实测雷达数据表明,所提方法的估计误差低于基于矩的估计方法的估计误差,并且与基于分位数的估计方法具有相近估计性能。此外,相比已有基于分位数的方法,所提方法的超参数容易确定,并且不依赖于查表。

基于改进K-SVM的防疫物资生产设备健康度识别方法研究

目的:为有效识别防疫物资生产设备的工况,提出一种基于改进K-SVM的防疫物资生产设备健康度识别方法。方法:首先,通过K-means算法过滤掉部分不利于支持向量机(support vector machine,SVM)分类器样本训练的数据;其次,利用K-means算法及特征提取算法获取新的SVM分类器训练样本,并依据此样本训练SVM分类器;最后,利用训练好的SVM分类器对初始样本进行分类从而得到最终的预测结果。为验证改进K-SVM算法对设备健康度的识别性能,将该算法与SVM算法、未改进K-SVM算法、XGBoost算法进行对比实验。结果:改进K-SVM算法能较为准确地识别设备故障点,识别准确率为89.79%,优于SVM算法、未改进K-SVM算法和XGBoost算法。结论:提出的改进K-SVM算法能够较好地识别防疫物资生产设备健康度,对保证防疫物资生产设备的工作效率具有重要意义。

基于机器学习算法和优化模型的古代玻璃制品成分分析与鉴别

文章利用机器学习算法和优化模型对古代玻璃制品的化学成分进行了分析和鉴别,并采用卡方检验分析了玻璃文物的风化情况,以及风化情况与类型、纹饰和颜色的关联性。研究结果表明,风化对化学成分含量有显著影响,尤其是S_(i)O_(2)和Na_(2)O等物质的含量变化最为明显。基于以上发现,文章建立了支持向量机的二分类模型,以区分高钾玻璃和铅钡玻璃,并进一步通过主成分分析和K-means聚类法进行亚类划分。该方法成功划分了不同的玻璃亚类,通过模型敏感性分析,证实了模型的有效性和准确性。

基于电力大数据的电力用户用电特征识别模型研究

采用目前方法对电力用户用电特征进行识别时,存在识别准确率低、F1分数低和识别结果易受用电数据分帧长度影响的问题。为此提出基于电力大数据的电力用户用电特征识别模型,利用电力数据采集系统采集用户用电数据,并调节用电数据负荷曲线、数据标准化和数据降维,再利用K-means聚类算法提取预处理后优化用电数据的特征,将用电特征带入支持向量机中,根据分类结果实现电力用户用电特征的识别。实验结果表明,所提方法识别准确率高、F1分数高、识别结果不受用电数据分帧长度的影响。

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。

面向城市轨道交通智能运维的数据耦合性与独立一致性研究

[目的]智能运维背景下,现有算法准确度低,导致虚警率高,因此有必要开展列车运营数据的耦合性分析与独立一致性研究。[方法]从统计和数据驱动的角度对耦合性与独立一致性进行定义;根据加速度绝对值变化率将列车运行状态分为4个阶段:静止、平稳运行、起动加速及制动减速,并分别生成对应数据切片综合分位图、相关系数等方法;对牵引系统、制动系统累计正线运营数据进行分析,量化系统间的耦合关系;通过构建线性回归模型、支持向量机模型、LightGBM模型和K-近邻模型对于数据进行解耦处理,使牵引制动系统数据呈现正态性,相关变量服从独立性与一致性,以满足联合条件概率分布的前置条件。[结果及结论]数据解耦操作能够提升系统间原始数据的独立一致性;从工程实用角度出发,LightGBM模型在实时与离线状态下表现出最优的性能,在所有量化分析中均取得了50%及以上的优化率;采用解耦后的数据,能够在故障样本较少或者缺失的情况下,实现对潜在故障的预警功能,能有效降低智能运维的虚警率,同时提升故障预测的准确性。

基于EMD的锅炉燃烧系统自适应动态 模型优化研究

锅炉燃烧系统的建模是实现锅炉节能减排的基础,为实现燃煤锅炉节能减排,针对现有建模方法多步预测精度不足问题,采用经验模态分解算法把复杂的输出信号转化为多个具有周期性规律或趋势相对平稳的模态信号,降低数据复杂度,基于K近邻联合互信息法得出迟延时间,提出基于动态时间规整距离进行在线更新的最小二乘支持向量机算法,并进行锅炉燃烧系统的建模,基于锅炉实际运行数据的仿真结果表明,该方法可以有效提高模型的自适应能力和多步预测精度,为后续实现闭环燃烧优化控制打下了良好基础。

基于太赫兹光谱的大鼠脑缺血早期诊断技术的研究

脑缺血是一种常见的突发性脑外科疾病,具有较高的致死致残率,快速、准确对脑缺血程度进行检测对脑缺血的诊断与治疗工作具有重要意义。基于衰减全反射式太赫兹时域光谱技术,分别对脑缺血时间为0,0.5,1,2,4,6和24 h的大鼠脑脊液和血清进行光谱检测,并对不同缺血时间的大鼠脑脊液和血清的吸收系数和折射率随缺血时间的变化规律进行分析。结果表明,与对照组相比,不同缺血时间的大鼠脑脊液和血清的吸收系数和折射率均存在一定的差异。在此基础上,根据不同缺血时间的大鼠脑脊液和血清的吸收系数,采用主成分分析法和机器学习算法对大鼠的脑缺血程度进行自动分类识别。其中,基于脑脊液吸收系数的支持向量机分类模型的识别准确率相对较高,达到了89.3%。该方法为脑缺血的早期诊断提供一种新的检测方法。

论太阳轨道运动不绕过太阳系质心的准2400年周期成因

K指数越大表明行星系统在某一径向方向会合的程度越大.K指数极值标定的太阳轨道运动半径的变化具有凸显的准20 a、179 a、2400 a周期嵌套关系.随时间尺度的增大,K指数极大值不但呈现出显著的准2400 a周期,而且太阳系质心在太阳本体内外持续的时间长度的变化也具有准2400 a周期.这其中隐含太阳轨道运动不绕过太阳系质心的准2400 a周期特殊规律.本文以木星和太阳连线为基准方向,创建了行星会合向量指数K.K向量指数图像清晰地呈现出由13~14个准179 a包络线周期(其中3~4个周期谷值出现K<0)构成的太阳轨道运动不绕过太阳系质心的准2400a周期.这一发现为科学辨识太阳轨道运动特征的复杂性又向前推进一步.

基于K-means与SVR的致密油藏水平井压裂产能预测研究

水平井体积压裂是致密油藏高效开采的主要技术手段,准确预测产能对油田施工方案编制具有重要的指导意义,开采效果受地层因素、原油物性因素、压裂施工因素等影响,基于机理计算公式的传统预测方法存在一定局限性,提出一种基于K-means聚类与支持向量回归的产能预测组合模型,采用主成分分析算法解决K-means中欧氏距离对所有特征贡献程度一致性问题,K-means聚类结果与压裂施工参数结合作为SVR预测样本,有效解决不同区域间差异较大等问题。通过实验对比SVR、BP神经网络,预测准确性和稳定性优于单一模型,具有较高的合理性,可为致密油田高效开发提供指导性建议。

基于FBG柔性传感器的人体姿势识别

为了进一步提高人体姿势在生物医学和运动学中的识别精度,设计了一种基于光纤布拉格光栅柔性传感器人体姿势识别的智慧鞋垫,并结合K折交叉验证支持向量回归算法提升识别精度。采用COMSOL仿真软件分析足底受力分布,确定4个关键受力点布设光纤布拉格光栅传感器,采用波分复用方式进行连接。征集25名参与者分别完成8种不同人体姿势,记录该串光纤布拉格光栅传感器200组中心波长变化量并构建数据集。引入K折交叉验证支持向量回归模型进行数据处理,经K折交叉验证自动搜索支持向量回归惩罚因子和径向基函数参数的最优值分别为0.5和8。实验结果表明K折交叉验证支持向量回归模型的相关系数为0.9996,均方根误差和平均绝对误差分别为0.0502、0.0446,较SVR回归模型的均方根误差和平均绝对误差分别降低0.4604、0.0877,有效提高人体姿势的识别精度。

新能源行业上市公司供应链金融信用风险研究

随着全球气温普遍升高和极端气候事件的增多,各国的环境保护意识逐渐增强。在这种情况下,新能源汽车行业成为改善环境气候的重要领域之一。拟从供应链金融角度出发,结合KNN模型与SVM模型的优点,提出了KNN-SVM组合模型,并首次将其应用于新能源汽车行业相关企业信用风险评估中。结果发现,相比Logistic模型、KNN模型以及SVM模型,KNN-SVM组合模型具有更好的评估效果。

基于fNIRS和ECG的大脑警觉度客观检测研究

航天员执行操纵和维护设备等任务时需保持高警觉状态,以便应对突发情况,保护自身安全。针对目前警觉度检测尚无统一标准,单生理参数检测法可靠性差的问题,利用多模态参数检测法,采用PVT任务与2-back任务组合诱导警觉度降低,通过功能性近红外光谱技术(fNIRS)和心电技术(ECG)采集14名被试前额部分的氧合血红蛋白(HbO)信号、脱氧血红蛋白(Hb)信号以及ECG信号,并记录被试的行为学数据。结果表明:此实验范式成功诱导警觉度下降,在低警觉度状态下大脑代谢水平增加,复杂度增加,大脑前额区活跃度增加;心率降低,副交感神经活性增强。二者特征相结合增大了警觉度识别三分类准确度。在支持向量机模型下,14名被试的平均三分类正确率达到(80.37±5.76)%,较之前文献报道的正确率有所提升。验证了此特征模型检测警觉度水平的有效性及使用混合特征矩阵提高警觉度模型的鲁棒性。

基于CSI和K-means-SVR的多指纹库室内定位方法

传统的Wi-Fi室内定位方法需要与所有指纹数据库中的指纹数据进行匹配后才能定位,导致人群聚集区域定位效率不高,体验较差。提出一种基于信道状态信息(CSI)、K均值(K-means)聚类算法与支持向量回归(SVR)算法相结合的多指纹库室内定位方法。该方法首先根据CSI的簇分布特点,利用K-means算法对所有定位点内的CSI数据聚类后得到多个簇的CSI数据;然后,基于多个簇分别建立多个指纹库,并将CSI数据分别存入多个指纹库,进而在每个指纹库中分别训练SVR模型用于Wi-Fi定位。相较于传统的支持向量机(SVM)定位方法,所提方法在离线阶段需要的训练样本更少,定位效率更高;在线阶段,该方法既降低了匹配的复杂度,也提高了定位的精度。由于使用了多指纹库,Wi-Fi定位系统可以根据人流量实时调整资源分配策略,提高服务器运行效率和定位服务体验。