基于CART决策树与改进的AdaBoost的视网膜血管提取算法

本文提出了一种分类回归树(Classification and regression tree, CART)算法与改进的AdaBoost相结合的视网膜血管分割的监督学习算法。该算法对视网膜图像的绿色分量提取、反转、膨胀和增强后分别提取LBP(local binary patterns)纹理特征和局部特征,从而构建出17维特征向量。利用特征向量与专家手工标注的数据构造一个数据集,以特征为节点生成CART二叉树,将CART二叉树作为AdaBoost的弱分类器,通过加入再判决函数对AdaBoost做出一定改进,从而形成强分类器。本算法在DRIVE(digital retinal images for vessel extraction)数据库上进行了实验仿真,实验结果表明,本文所提出的改进算法对血管的分割精度高,包含了完整的血管细节,而且分割出来的血管树的连通性较好,能够反映出血管的分布走势。与传统的AdaBoost分类算法和基于SVM(support vector machine)的分类算法相比,本文所提出的改进算法的平均准确率和可靠性指标都比较高。     

基于证据推理的网格服务质量量化与调度算法

如何统一度量每个用户的多种服务质量需求,是基于服务质量的网格任务调度算法设计的关键问题。为此提出一种基于证据推理的网格多服务质量参数合成效用度量法,并将该服务质量度量值作为任务的优先级加入到任务调度算法设计中,提出了网格任务调度多服务质量值为优先级约束的最早完成时间调度算法。经仿真实验和分析表明,该算法在满足用户多服务质量需求的情况下,可大大减小任务调度的时间跨度。     

基于区块链的服务质量综合评估框架与算法

企业为了保证自己业务的灵活性与高效性,经常需要购买外部服务来执行业务流程中的活动,然而现有服务评价体系很难保证评价的真实性与准确性.区块链技术凭借其分布式存储、共识机制以及智能合约等优势可以替代第三方来对服务进行评价.有研究者提出了一个基于区块链的框架来解决该问题,然而,该框架只存储用户反馈的服务质量(QoS)值,没有...     

基于Morlet小波与CART决策树的滚动轴承故障诊断方法

针对滚动轴承故障诊断过程中样本处理、故障识别等技术问题,提出一种基于Morlet小波和分类回归树(Classification and Regression Tree, CART)的滚动轴承故障诊断方法。首先,利用Morlet小波分析方法和移动窗方法对轴承振动信号进行样本处理。其次,对提取的短样本进行变分模态分解与特征提取,完成训练集和测试集的构建。然后,使用训练集训练CART决策树分类模型,同时引入随机搜索和K折交叉验证用于模型关键参数优化,以获取理想的轴承故障分类模型。测试集验证结果表明,该方法不但能实现多种轴承故障的有效诊断、在含噪测试集中表现良好,而且单个样本的数据长度和采样时长的缩短效果明显。     

基于PSO-RBF算法的锂电池SOH研究与预测

为了寻找锂电池充电的最优策略,采用建立模型的方法进行研究与预测充电策略的优劣.电池健康管理状态(State of Health)反映了锂电池的剩余寿命,一般作为锂电池充电策略优劣的一个评判标准.在实际应用中,不同的充放电策略对锂电池的SOH有不同的影响,由于对锂电池SOH影响因子很多,各影响因子之间相互耦合,实验验证极其复杂.RBF神经网络是一种比较常用的预测性神经网络,PSO算法是一种较为先进的优化网络参数的算法,将PSO算法和RBF神经网络融合,借助大量实验数据,训练RBF神经网络,使用PSO算法优化其网络参数,建立基于PSO-RBF算法的锂电池SOH预测模型,再将不同充电策略进行仿真验证.仿真结果表明,该模型预测能力优于普通RBF模型,可作为锂电池最优充放电策略验证的最优模型.     

基于非线性预测滤波算法的疲劳裂纹扩展预测

针对传统Paris疲劳裂纹扩展模型预测精度低、无法考虑裂纹扩展过程中各种不确定因素影响的问题,提出一种基于非线性预测滤波算法的疲劳裂纹扩展预测方法.使用基于Paris公式的状态空间方程表征裂纹扩展过程,采用基于Lamb波的监测技术构建观测空间方程,利用实时观测信息修正模型预测值.最后通过Q235钢试件的单边疲劳裂纹扩展...     

基于R-ELM算法的火电发电量预测

R-ELM算法是将极限学习机(ELM)算法和递归预测相结合的系统动态建模方法,即对ELM中的隐含层节点数进行递归寻优,得到最优隐含层节点数。现建立了一种基于R-ELM算法的火电企业短期日发电量预测模型,该模型根据气象预报中日最高温度和日最低温度,利用过去一段时间的火电实际发电量数据来预测未来4～7天的短期日发电量值。实践结果显示,R-ELM算法能快速找到最优隐含层节点数,提高预测精度和泛化能力。     

基于粗糙PAM的质量预测算法

随着信息技术的飞速发展,制造业越来越难以有效解决不断增长的数据和信息。数据挖掘技术对于有效识别大量数据中隐藏的模式和知识是非常有效的工具。对于生产线中的产品质量往往很难判定其是否符合质量标准．而介于合格与不合格之间的产品又耗费质量工程师大量的精力去判别。基于粗糙集的聚类技术可以有效识别合格、不合格及边缘产品,这样的聚类结果有利于质量工程师建立有效的质量档案来预测产品质量,改进产品工艺与加工技术。     

基于变长基因算法的服务质量驱动多路径Web服务组合

为解决在不同服务组合结构(路径)上的服务质量驱动服务组合问题,提出了一种结合Petri网的变长基因算法.用Petri网描述子服务的各种组合结构,列举出所有路径上能实现功能需求的服务执行序列,进一步找出并添加执行序列中的服务并发执行结构,以修正执行序列使之与路径对应,唯一代表路径;而变长基因算法则用不同长度的染色体代表不同路径上的组合服务,并通过服务参数的匹配实现基因的交叉互换,以最终实现在不同路径上搜寻服务质量最优的组合服务.基于所提算法,提出增强初始群体、优化中间群体两点改进,以提高算法稳定性.理论证明该算法具有良好的扩展性,且与传统遗传算法的对比验证了算法的有效性.     

基于食物链算法的新产品订单短期预测与优化

在新产品上市初期,由于可用时间序列数据较少,常用的时间序列分析方法不适用于此种情况的预测。食物链算法是一种借鉴生态环境中生物界的能量传递方式-食物链,提出的多模式协同进化的生态进化算法,可以使用此种方法将市场上有限的生产和销售商之间的竞争模拟为生态环境中生物食物链上各级生物的竞争,并最终对企业的订单作出预测和优化,但由于新产品市场变化快,该算法只适合短期预测。     

基于人工智能的电力设备故障诊断与预测算法研究

随着互联网的广泛普及,智能化设备逐渐应用到各行各业,人工智能技术的应用使得各行业的生产效率得到了大幅度提高。当前,电力资源是人类赖以生存的主要能源之一,在电力系统中应用人工智能技术,能够实现对电力设备的故障诊断,并根据相关的预测算法,实现快速定位的故障模型,并对其提出相应的故障解决对策。相比于传统人工处理电力设备故障问题,人工智能技术的应用节省了人力、物力和时间,使电力系统的运营效率得到了大幅度提升。基于此,文章就人工智能技术在电力设备故障中的诊断和预测算法进行研究,以期为电力设备的可靠性和稳定性提供必要的参考借鉴。     

基于GCAQBP算法的煤与瓦斯突出预测研究

煤与瓦斯突出影响因素问复杂的非线性关系，难以用经典的数学理论建立精确的预测模型。简单介绍了模糊神经网络的基本原理和学习算法，建立了基于该原理的GCAQBP应用模型，并通过实例进行了验证。结果表明，该模型收敛速度快，准确性高，具有较强的可靠性和实用性，是一种十分有效的煤与瓦斯突出危险性预测方法。     

基于逆传播算法的十字路口交通流预测

采集十字路口为期1个月的数据样本,运用逆传播算法建立预测模型,预测该十字路口的交通流。Matlab仿真试验表明,与常规模型相比,逆传播算法的预测模型不但预测精度有明显提高,并且训练时间较短。     

基于改进PSO-BP算法的快递业务量预测

为了有效监控快递运输过程,对日常快递业务量进行预测,以保证快递包裹能够按时到达。将大量快递包裹运输过程抽象建模以构造多流程实例;提出改进惯性权重的粒子群优化算法和反向传播神经网络的组合模型(IPSO-BP)来预测物流公司日常快递业务量;进而动态申请合适数量云资源以处理变化的业务需求。大量仿真实验证明,在神经网络参数选择合理的情况下,IPSO-BP模型比其他传统方法有更好的预测效果。     

基于AdaBoost算法的光伏电站中长期发电预测

该文提出了一种基于AdaBoost算法的拟建光伏电站发电量预测方法。根据现有光伏电站的历史气象数据与发电量数据,在利用AdaBoost集成学习算法对传统SVM优化的基础上,对气象因素的天气类型进行分类与识别,进而得到4种天气状态下气象因素与发电量之间的对应关系;利用拟建电站所在地的历史气象数据,根据天气类型自动选择对应的LSTM模型,对拟建光伏电站的发电量进行预测。实验结果表明,与采用单一LSTM模型相比,该文方法预测精度有明显的提高,具有一定的推广价值。     

基于遗传神经网络算法的发动机性能预测

设计了遗传神经网络预测系统,通过融合分析废气成分的含量、发动机转速、氧传感器等信息预测发动机的工作性能。应用遗传算法的复制、交换、变异过程代替原BP网络的反向传播过程,并针对遗传算法的缺点进行了改进研究。实践证明这种遗传神经网络预测系统收敛速度快、推广性强,具有较高的实际应用价值。     

基于GA_BP算法的化工设备设计人工时预测

针对目前人工估算人工时预测精度低的问题,提出基于遗传算法优化反向传播神经网络的算法建立人工时预测模型,对化工设备设计人工时进行定量预测.首先对化工设备设计项目的管理流程和设计特点进行分析;然后对用户数据库中的历史项目数据进行统计,并对统计数据进行参数的贡献度和相关性分析,同时结合参数在预测时获取的难易程度,选择出适当的人工时预测模型输入参数;再建立基于反向传播算法的预测模型,并针对反向传播算法的缺陷选择遗传算法优化反向传播神经网络和支持向量机算法进行建模,预测结果表明遗传算法优化反向传播神经网络算法更适合化工设备设计人工时预测.采用基于遗传算法优化反向传播神经网络算法的模型进行了实例预测.     

基于监督学习算法的乳腺癌复发预测

为了更好的发掘数据分析在辅助医学诊断上的价值,对医疗数据进行精准分析,本文基于Weka平台研究了十八种常见的监督机器学习算法对乳腺癌数据的分类预测,达到准确的预测乳腺癌是否复发的目的,并从统计学和机器学习指标对所有模型的预测效果进行对比分析。结果表明统计学指标RMSE和RRSE较小的前3位算法依次为LMT、J48、AdaBoostM1,机器学习指标中性能表现较好的算法依次为BayesNet、AdaBoostM1和LMT。综合所有指标,分类预测效果较好的算法有LMT和AdaBoostM1,在乳腺癌数据集上表现出良好的分类预测,具有价高的预测价值。     

基于灰色关联预测与信任云混合算法的方案推荐

针对传统推荐方法中的数据稀疏性问题,常用的方法通常受到数据量的制约,因此采用灰色关联预测法计算方案评分数据间的相关系数,以预测空缺的评分数据;针对面向新用户的冷启动问题,考虑用户兴趣特征相似度和基于信任云的用户对方案评分的相似性,计算用户间的综合相似度,将合适的方案推荐给新用户。最后,以汽车方案推荐为例进行方法验证,并通过与协同过滤,云模型等推荐算法进行对比,证明了该方法的有效性。