基于粒度理论的高维数据流并行计算方法

以实现多种形态高维数据流的高效、精确并行计算为出发点,提出基于粒度理论的高维数据流并行计算方法.使用基于动态粒度的数据流挖掘模型,高效挖掘高维数据流;利用基于局部保持投影原理和主成分分析原理压制高维数据流噪声,减少高维数据流噪声隐患;依据降噪后不同高维数据流特点,采用高维数据流相关性分析并行计算方法,得到高维数据的皮尔逊积差相关系数,实现数据流关联,并基于数据流十字转门模型,定义适合高维数据流分析的滑动数据流窗口模式,实现高维数据流的并行计算.实验结果验证,上述方法挖掘高维数据流的内存消耗低,高维数据流数据去噪能力强,具备较高的高维数据流并行计算精度,且并行计算效率高.     

基于决策场理论的公交出行多阶段动态决策

针对城市公交出行决策问题,采用改进决策场模型从心理微观偏好进化的角度对两阶段出行决策行为进行了研究.提取了不同公交方式的同质属性构建属性矩阵;结合出行者个体特征和交通属性状态的波动构建注意力权重矩阵,同时优化了注意力转移概率的计算方法.通过问卷调查与计算机仿真相结合的方式对偏好进化过程进行分析,结果显示:出行者存在偏好震荡现象,且在短时思考时间内更加明显;在出行过程中进行决策时,换乘行为的触发需要更多的偏好进化时间;同一时刻下,个人对不同的交通方式的属性注意力是独立分布的;反馈矩阵中的记忆效应和方案竞争性对决策的形成时间有显著影响,强记忆效应和弱竞争性下的偏好进化速度更快.决策场模型可对公交出行动态决策行为进行描述.     

偏振光实时定位的标识线导航路径图像识别

针对传统方法存在图像噪声免疫性弱、识别偏差大、导航路径实时性较差的问题,提出基于偏振光实时定位的标识线导航路径图像识别方法.通过选取四个偏振光的偏振方向向量、时间信息、太阳方向向量判定方式与地磁信息,获取当地的地理坐标,完成偏振光实时定位.采用中值滤波技术实现图像的降噪与边缘处理,通过目标、背景区域与整体路径图像的关系,利用Otsu方法在直方图灰度变化区间内选取一个阈值,令该阈值满足类内方差极小、类间方差极大的条件,从而获得最佳阈值.再使用架构的判定函数验证阈值,根据抽行扫描法获得标识线的中心像素方位,并对其拟合,最后依据数学形态学实现对标识线的有效识别.实验结果表明,所提方法可以有效去除图像中存在的噪声点,在路径识别中能有效识别出各类标识物,识别效果较好.     

基于改进细菌算法轨道电路室外设备故障分析

故障检测是近年来的热门话题,大数据环境下,原有算法在计算量和效率上已不能满足当前的需求,智能算法应用越来越广泛,将其应用于故障检测有较好的效果,细菌算法是新兴的全局优化智能算法,但其原有算法有一定的局限性.将细菌算法结合自适应理论,优化了细菌算法中趋化步长和繁殖步骤,对比传统BFO最优值有7个数量级的提高,在收敛性方面提高了一倍,并且将其与贝叶斯网络结构学习相结合解决轨道电路故障诊断的问题.     

基于元认知理论的高中思想政治课堂练习教学活动设计

元认知的实质是对认知活动的自我意识和自我调节,而学生做练习题的过程就是对自己的解题过程和方法的思考和调节。因此本文基于元认知理论设计了基于“实战”也就是考试的课堂练习教学活动,通过讲解例题、学生做题、寻找差距等方式帮助学生找到自己在解题策略上的缺陷和错误,并针对这些缺陷和错误找到正确的解题策略并通过做练习题熟练运用解题策略,最终提升解题速度和准确率。     

基于卷积神经网络的标识牌识别技术

目前而言,我国标识识别技术正处于飞速发展阶段,具体体现在处理精度、再现性、灵活性、适用面、信息压缩等方面,但是,在实际发展过程中,该技术的发展还是受到了实际需求的限制.深度学习模型运算量大,难以在轻量级嵌入式设备上运行,工业生产中噪声种类繁多复杂,影响识别准确性.针对上述问题,本文提出一种基于卷积神经网络的标识识别技术,利用改进的Canny边缘检测算法,来增强对边缘信息提取时的鲁棒性,实现在高噪声环境下对标识牌精准提取.另外为了进一步提高识别准确率,本文利用CNN和椭圆拟合相结合的思路,把模型识别结果和椭圆拟合结果相结合来判别识别的准确性,在增加少量运算量的同时提高识别准确率.     

基于粒计算的多粒度数据分析方法综述

多粒度数据是一种特殊的、有用的数据类型,它通过对论域（研究对象的集合）采用不同的粒化方式使得数据能够在多个粒度空间中进行呈现,在此基础上可以开展数据的多层次知识发现研究。商空间理论、序贯三支决策、多粒度粗糙集、多尺度数据分析模型和多粒度形式概念分析是几种常见的、有效的多粒度数据分析方法,已受到人们的广泛关注。本文对基于粒计算的多粒度数据分析研究工作进行综述,给出每一类多粒度数据分析方法的理论框架、基本概念以及主要研究思想,并指出多粒度数据分析研究中存在的若干问题,为该领域的后续研究提供理论参考。     

基于特征融合和改进卷积神经网络的环境音识别

由于环境声音复杂的结构,环境声音识别是一个具有挑战性的问题。本文提出一种将特征融合与改进卷积神经网络算法相结合的环境音识别方法。首先针对原始音频文件,提取从波形中学习到的特征以及传统音频特征,分别为MFCC（梅尔倒谱系数）、GFCC（伽玛通频率倒谱系数）、频谱对比度和CQT（恒定Q变换）;然后将提取到的特征分别输入到端到端的神经网络SF-CNN和多尺度卷积神经网络MS-CNN中进行识别;最后根据D-S证据理论决策规则进行决策级融合,输出最终识别结果。通过在公开数据集ESC-50进行的实验结果表明,本文提出的模型能够提高识别准确率,且优于单特征模型,更适用于复杂的声学场景。     

基于改良灰色理论的电网短期负荷预测算法

在分析传统灰色负荷预测理论与GM（1,n）模型的基础上,再次对GM（1,n）模型进行改进,以解决由于传统的灰色理论对原始数据要求的严格造成预测结果误差较大的问题。实验表明,用此方法建立的负荷预测模型,在预测精度上有较大的提高,为今后灰色理论模型的改进提供了一定的依据。     

新时代背景下数据科学与大数据专业人才培养的若干思考

聚焦新时代复合型数据科学与大数据专业人才的培养,提出要围绕育人目标制定人才培养方案,并不断优化;要坚持"引进来,走出去"原则建设师资队伍;要坚持高标准、宽视野的要求进行课程建设;要调用校内外一切资源建设实验室.文章提出要从系统论、控制理论的视角构建数据科学与大数据专业人才培养协同系统.