条码技术在建筑材料检测系统中的应用探讨

目前建筑材料检测机构所使用的建筑材料检测系统虽然已经基本上实现了自动化、网络化的管理，检测数据由计算机自动采集并自动生成检测报告，确保了检测数据的真实可靠，大大提升了管理水平，但是检测样品的标识与出库入库管理仍然需要人工录入，效率低，出错率高，已经不能满足整个检测系统自动化的要求。我们通过采用128条码实现了检测样品的自动识别与标准化管理。完善了建筑材料检测系统的自动化管理。     

织物瑕疵检测方法研究进展

计算机视觉在纺织物瑕疵检测方面已经有了较为广泛的应用，织物瑕疵检测是纺织行业质量控制的必要步骤。为了能够及时了解织物瑕疵检测的最新研究进展，把握织物瑕疵检测方法的研究热点和方向，介绍了织物图案的放置规则以及织物瑕疵检测的相关指标，针对织物瑕疵检测方法较多的问题，将这些方法分为四类（基于结构、基于统计、基于频谱、基于学习）并归纳分析了这些织物瑕疵检测方法在应用中的特点，且对比了四类检测方法中各个方法的特性以及优点和缺点，目的是为了找到如何提高织物瑕疵检测效率的方法，实现实时在线检测，展望了织物瑕疵检测方法的未来研究方向。     

可视化传感系统设计及其在比色分析中的应用

可视化检测通过量化颜色信息变化，简单快速对应待测物浓度，极大提高了分析检测效率，在日常个体医疗监测和疾病防控等领域具有重要意义。该研究基于微处理器STM32设计了一款可视化颜色识别传感系统，可快速定位识别，精准读取检测位点RGB值，灵敏检测不同浓度分析物颜色变化，实现目标分析物的比色检测。根据三基色原理判断分析检测位点颜色信息并及时将数据传输到用户端，大大简化了操作流程，提高了检测效率，降低了检测成本，实现了传感检测便携式需求，在临床监测和疾病防控等领域有巨大的潜在应用前景。     

基于文本的网络安全事件检测技术研究与探索

针对基于文本的网络安全事件检测技术进行了研究与探索，以医院机密邮件泄露事件为例，设计了一个基于Spark的医院机密邮件快速检测系统，并对其关键模块即文本内容检测部分进行了研究与设计。首先，对医院机密邮件快速检测系统的整体框架进行了设计；然后提出了联合基于BLEU的文本词语相似度检测与基于BERT-BiLSTM单句语义相似度检测的方法对医院邮件文本内容进行检测；最后，对经过医院网络传输的邮件进行采集并建立数据集，分别对单个检测方法与联合检测方法进行实验，并对医院机密邮件快速检测系统进行测试，实验测试结果表明：联合检测方法大幅提高了检测的精确度与稳定性，设计的医院机密邮件快速检测系统能够对经由医院网络发送的邮件进行安全检测，其对普通邮件的检测准确率为97.78%,对含有机密信息邮件的检测准确率为94.66%。     

基于均衡化样本类别的图书馆网络入侵自动检测研究

针对当前图书馆网络入侵检测准确率，误报率高的问题，以获得更理想的图书馆网络入侵检测结果，设计了基于均衡化样本类别的图书馆网络入侵自动检测方法。首先捕获图书馆网络数据包，提取数据包中的图书馆网络入侵检测特征，然后通过均衡化样本类别算法合成入侵检测样本集合，并通过统计模型和邻居节点的实际活动参数实现入侵检测，最后进行了图书馆网络入侵检测仿真实验，结果表明，提高了图书馆网络入侵检测正确率，降低了图书馆网络入侵检测误报率，图书馆网络入侵检测效率高，具有较高的实际应用价值。     

基于模型检测的硬件木马检测技术研究

硬件木马对原始电路的恶意篡改，已成为集成电路面临的核心安全威胁。为了保障集成电路的安全可信，研究人员提出了诸多硬件木马检测方法。其中，模型检测作为一种形式化验证方法，在设计阶段可有效检测出硬件木马。首先，阐述了模型检测的工作原理和应用流程；其次，介绍了基于模型检测的硬件木马检测技术的研究进展；最后，指出了当前该技术所面临的瓶颈，并讨论了潜在的研究方向。     

加工中心在线检测仿真技术

该文对加工中心在线检测仿真技术进行了研究。详细阐述了虚拟检测环境的建立、检测信息的提取以及虚拟侧头的驱动等问题，并采用面向对象的程序设计思想进行了系统结构设计。该仿真系统采用解释的编译方式，逐行对检测宏程序进行扫描，驱动虚拟侧头进行检测仿真，实现了对检测过程的图形化模拟，可有效地避免检测宏程序的编制错误，提高编程的质量与效率。     

影响热导传感器气体检测性能的原因分析

热导气体传感器具有检测范围大，可检测多种气体，检测装置简单、成本低廉等许多优点，但也存在检测精度差、灵敏度低等缺陷，限制了该传感器的广泛应用。文中介绍了热导传感器气体检测的基本原理和传统的检测方法，根据传热学理论建立了热导传感器的热平衡方程，在此基础上对传统气体检测方法进行了分析和研究，得出了传感器温度随被测气体浓度的变化而变化的特性是影响气体检测性能的根本原因的结论，并指出采用恒温检测方法是一个有效的解决办法。     

基于kNN算法的异常行为检测方法研究

阐述了异常行为检测的相关概念，介绍了kNN算法，探讨了异常行为检测与分类技术的关系。结合kNN算法的优点以及异常行为检测与分类的相似性，提出了基于kNN算法的异常行为检测方法，给出了其计算方法，并确定了检测的过程，分析了该方法的特点和优势。基于kNN算法的异常行为检测方法通过不断的自学习，会成为信息安全的一道有效防线。     

面向应用检测任务的负载均衡算法研究

随着移动应用数量剧增，移动应用安全检测的需求日益增大，面向海量移动应用检测平台的效率显得愈发重要。然而现有的负载均衡算法在负载因子的度量上存在局限性和效率问题。分析了已有调度算法中负载因子度量的不足，结合现有的移动应用检测方法的特性，引入了移动应用软件规模作为负载因子。根据该算法，设计了一个移动应用检测平台，通过实验验证，该算法有效避免了海量任务下检测节点负载不均衡的问题，加快了移动应用的检测效率，提高了海量移动应用检测平台的吞吐量，取得良好效果。     

基于EMD改进的Elman神经网络对股票的短期预测模型

Elman神经网络在短期预测股市收盘价时存在预测趋势良好但准确度较低的问题。在Elman神经网络的思想上提出以经验模态分解EMD为基础的Elman新组合模型。应用EMD将各交易日的收盘价序列分解成不同时间尺度上的本征模函数IMF分量和剩余分量,进而利用偏自相关函数PACF计算每一个分量的滞后期,以确定各分量在Elman神经网络中的输入和输出变量,从而得到各分量的预测值,相加得到最终的预测结果。与EMD单一网络、EMD-Elman模型、BP网络及EMD-BP模型进行实验对比,结果表明:该短期预测模型的预测值均方误差、平均绝对误差和平均绝对百分比误差都得到较大的改善;新组合模型可有效实现对股票收盘价的短期预测,且能降低非平稳性对预测结果的影响。该研究为进一步预测股市的走向提供了有效依据,也为投资者提供了更充分的决策参考。     

基于Elman神经网络的股市决策模型

利用具有时变适应能力的Elman动态回归神经网络,建立了股市的预测和决策模型,并利用两只股票进行了实验检验,实验结果表明,该模型具有较高的预测精度、较为稳定的预测效果和较快的收敛速度,说明该模型应用于股票市场的预测与决策是可行和有效的,对于短期的买卖决策具有指导意义,有着良好的应用前景.     

基于自适应鲸鱼优化算法结合Elman神经网络的股市收盘价预测算法

针对Elman神经网络在基于股市网络舆情的收盘价预测中存在的收敛速度慢且预测精度低的问题,提出了结合基于自适应噪声的完全集合经验模态分解(CEEMDAN)的改进鲸鱼优化算法(IWOA)结合Elman神经网络预测模型。首先,通过文本挖掘技术对上海证券交易所股票价格综合指数(SSE)180股的网络舆情进行挖掘和量化,并利用Boruta算法筛选重要属性以降低属性集的复杂度;然后,通过CEEMDAN算法在属性集中添加一定数量特定方差的白噪声,实现属性序列的分解与降噪;同时,利用自适应权重改进鲸鱼优化算法(WOA)以增强其全局搜索及局部开采能力;最后,利用WOA在迭代过程中不断优化Elman神经网络的初始权重和阈值。结果表明:比起单独使用Elman神经网络,所提模型的平均绝对误差(MAE)从358.8120降低至113.0553;与未采用CEEMDAN算法的原始数据集相比,该模型的平均绝对百分比误差(MAPE)从4.9423%降低到1.44531%,说明所提模型有效提高了预测精度,为股市网络舆情的预测提供了一种有效的实验方法。     

基于PCA优化的神经网络飞机燃油消耗预测方法

针对传统方法存在的不足,提出了基于主成分分析法优化的Elman神经网络飞机燃油消耗预测方法。利用主成分分析法降低神经网络输入维数。构建主成分分析与Elman神经网络模型,进行基于飞参数据的实例分析,并将几种神经网络的预测效果进行了对比;提出了基于K-S检验法预测结果冗余修正法并进行了修正。误差指标和预测图像表明与主成分分析结合后Elman神经网络对飞机燃油消耗的预测性能优于其他传统神经网络,且K S检验法能够有效实现对预测结果的修正。     

基于改进的Elman神经网络的股价预测模型

Elman神经网络是一种典型的回归神经网络,比前向神经网络具有更强的计算能力,具有适应时变特性的能力,因而非常适用于对股市这一类极其复杂的非线性动力学系统进行预测。文中以深市A股中的个股中集集团(股票代号:000039)的共180天的实际收盘价的时间序列作为预测对象,提出基于改进的Elman神经网络的个股价格预测模型,实验结果取得较高的预测精度、较为稳定的预测效果和较快的收敛速度。这表明该预测模型对于个股价格的短期预测是可行和有效的。     

一种改进的Eiman神经网络及其在股市中的应用

通过在具有动态反馈机制的Elman神经网络的基础上引入时间收益因素，提出了一种改进的Elman神经网络模型并将其用于对股票的综合指数进行预测，进而求其收益率。实验模拟结果表明：将改进的Elman模型用于股市投资是可行的，有效的，具有一定的应用潜能，谊模型不仅可以明显提高网络的预测精度，达到快速收敛。而且还能够明显提高股民投资的利润率，实现较大幅度地获得收益的目的。     

一种改进的Elman神经网络及其在股市中的应用

通过在具有动态反馈机制的Elman神经网络的基础上引入时间收益因素,提出了一种改进的Elman神经网络模型并将其用于对股票的综合指数进行预测,进而求其收益率。实验模拟结果表明:将改进的Elman模型用于股市投资是可行的,有效的,具有一定的应用潜能,该模型不仅可以明显提高网络的预测精度,达到快速收敛,而且还能够明显提高股民投资的利润率,实现较大幅度地获得收益的目的。     

基于Elman神经网络的GNSS/INS全域高精度定位方法

针对当前智能网联汽车定位与导航系统无法接收全球导航卫星系统（GNSS）信号引起定位失效的问题，提出一种基于Elman神经网络的GNSS结合惯性导航系统（INS）的全域高精度定位方法。首先，采用神经网络方法，建立了基于Elman网络的GNSS/INS高精度定位训练模型和GNSS失效预测模型；然后，利用GNSS、INS和实时动态（RTK）等定位技术，设计了GNSS/INS高精度定位数据采集实验系统；最后，选取采集的有效实验数据进行了反向传播（BP）神经网络、级联BP（CFBP）神经网络、Elman神经网络的训练模型性能对比分析，并验证了基于Elman网络的GNSS失效预测模型。实验结果表明，所提方法训练误差指标均优于基于BP和CFBP神经网络的方法；在GNSS失效1 min、2 min、5 min时，基于预测模型的预测平均绝对误差（MAE）、方差（VAR）和均方根误差（RMSE）分别为18.88 cm、19.29 cm、58.83 cm，8.96、8.45、5.68和20.90、21.06、59.10，随着GNSS信号失效时长的增加，定位预测精度降低。     

基于灰色Elman神经网络软件可靠性预测模型

针对当前软件可靠性预测模型在随机性和动态性较强的可靠性现场数据中存在预测精度波动比较大、适应性比较差的问题,提出一种基于灰色Elman神经网络的软件可靠性预测模型。首先使用灰色GM（1,1）模型对失效数据进行预测,弱化其随机性;然后采用Elman神经网络对GM（1,1）的预测残差进行建模预测,捕捉其动态性变化规律;最后将GM（1,1）预测值和Elman神经网络残差预测值相结合得到最终的预测结果。使用航班查询系统的现场失效数据集进行了模型仿真实验,并将灰色Elman神经网络预测模型与反向传播（BP）神经网络、Elman神经网络预测模型进行比较,其对应的均方误差（MSE）和平均相对误差（MRE）分别为105.1、270.9、207.5和0.0011、0.0021、0.0016,并且灰色Elman神经网络预测模型的误差均为最小值。实验结果表明该模型具有较好的预测精度。     

Integration of genetic fuzzy systems and artificial neural networks for stock price forecasting

Stock market prediction is regarded as a challenging task in financial time-series forecasting. The central idea to successful stock market prediction is achieving best results using minimum required input data and the least complex stock market model. To achieve these purposes this article presents an integrated approach based on genetic fuzzy systems (GFS) and artificial neural networks (ANN) for constructing a stock price forecasting expert system. At first, we use stepwise regression analysis (SRA) to determine factors which have most influence on stock prices. At the next stage we divide our raw data into k clusters by means of self-organizing map (SOM) neural networks. Finally, all clusters will be fed into independent GFS models with the ability of rule base extraction and data base tuning. We evaluate capability of the proposed approach by applying it on stock price data gathered from IT and Airlines sectors, and compare the outcomes with previous stock price forecasting methods using mean absolute percentage error (MAPE). Results show that the proposed approach outperforms all previous methods, so it can be considered as a suitable tool for stock price forecasting problems.