多种群遗传算法在微震震源定位中的应用

微震震源的精确和快速定位对坑道安全的预测至关重要;在设定均质均速模型条件下,两两检波器的观测走时和计算走时的拟合差绝对值之和为适应度函数,把微震震源定位转换为求解优化问题;采用格雷码对震源位置进行编码,提高了遗传算法的局部搜索能力;同时采用两个群体独立进化,分别利用轮盘和排序方法从两个群体中选择优秀个体,将各种群中的优秀个体进行交叉运算和变异产生新的个体,从而提高了遗传算法的全局搜索能力;通过实验证实优化后的遗传算法在微震震源定位中具有较高的性能和精度.     

基于支持向量机的缺失数据补齐方法

根据SVM在函数拟合方面的特点,建立了一个函数模型。通过确定主要影响因子和选定数据集后,对该模型进行了训练,最后成功地应用于缺失数据补齐。经过真实工程数据实验证实,基于SVM的缺失数据补齐方法具有明显实用性。     

基于忠诚度的社交网络用户发现方法

针对社交网络中提高用户的高黏性问题,提出了一种基于用户忠诚度的用户发现的算法。该算法利用双重RFM模型对用户忠诚度进行计算,挖掘出忠诚度不同分类的用户。首先,通过双重RFM模型动态计算出用户在某一时间段的消费价值与行为价值,得到用户某一时间段的忠诚度;其次,根据用户的忠诚度,确定标度曲线,利用相似度计算找到典型的忠诚用户与不忠诚用户;最后,采用基于模块度的社区发现与独立级联传播模型,发现潜在的忠诚用户与不忠诚用户。在某社交网络的微博数据集上,实现了社会性网络服务（SNS）下用户忠诚度的量化表示,获得了基于用户忠诚度的用户发现结果。实验结果表明,所提算法能够有效挖掘出基于忠诚度的用户分类,可以为社交网站针对用户的个性化推荐及营销等,提供理论支持和实用方法。     

多线切割中线网可靠度评价方法研究

在多线切割加工过程中,断线是最严重的质量事故往往导致昂贵晶体材料的报废。如何选择合理的工艺参数保证钢线可靠性成为实际生产中亟待解决的问题。提出一种多线切割线网可靠度的评价方法。假设不同磨损量下钢线的断裂强度符合威布尔分布,采用线性回归法求取不同磨损量下钢线断裂强度的威布尔参数,推导出磨损钢线可靠度与张力及磨损量函数关系,建立线网串联离散模型,结合可靠性理论评价线网可靠度。为了验证该方法的实际效果,进行加工实验对该方法进行验证。试验结果表明：威布尔分布能较好地描述磨损钢线的断裂强度分布;线网可靠度与钢线张力及线网磨损量存在复杂的非线性关系;当线网最大磨损量取4 μm,7 μm,10 μm不同值条件下,当张力小于25 N,线网可靠度差别小,随着张力进一步增大,线网可靠度呈现抛物线降低,线网最大磨损量越大,线网可靠度下降速度越快;在张力为20 N、25 N、30 N条件下,线网最大磨损量从2 μm到10 μm时,线网可靠度分别呈现接近直线、平稳下降、断崖式下降后趋于平稳下降三种完全不同的现象。线网可靠度评价方法为合理选择张力控制最大磨损量防止断线事故的发生提供了理论依据。     

基于人工免疫系统的沉积微相自动识别

为了采用测井曲线实现沉积微相的自动识别,通过测井曲线变化趋势的编码和人工免疫系统的克隆免疫、变异等算子,建立基于人工免疫系统的测井曲线识别模型,实现了不等长特征曲线匹配过程的快速收敛。对胜利油田150个沉积微相进行识别,正确率达到95%,证实了该模型应用的有效性。     

完善计算机基础教学 提高计算机综合应用能力

随着信息社会的到来,计算机科技迅速深入到各行各业之中,越来越多的非计算机专业（以下称主干专业）人员从事具有主干专业特点的计算机应用工作。因此,以主干专业为基础,结合计算机技术的能力也逐步成为各个行业中高层次人才综合实践能力的重要衡量尺度。为了培养适应时代发展的高层次人才,各高等院校不断加大计算机基础教学投入,积极推进计算机基础教学。一、计算机基础教学中普遍存在的主要问题1．知识面过窄在计算机教学中,只注重ryXi、文字录入和文字处理操作技能训练,忽视了更多地传授计算机基本概念、基础知识;片面注重单一…     

3000m~3石脑油储罐泄漏的处理方法

阐述了V-2301A罐罐底因施工需要开洞,因封洞施工中形成错误的对接焊缝而造成储罐罐底泄漏,介绍了“覆盖”法处理及施焊前期工艺处理经验。     

成层土中长桩竖向承载激发规律研究

针对成层土中长桩承载问题,结合试桩数据建立了成层土中长桩-土相互作用特性分析模型,基于分析模型研究了上砂下黏和上黏下砂中砂-黏占比对长桩竖向荷载-位移曲线的影响,分析了成层土中长桩侧阻和端阻承载分担比,揭示了达到极限承载力时成层土中桩基侧阻、端阻激发规律,即黏土层侧阻可完全激发、砂土层侧阻未完全激发,桩底端阻完全激发,为实际工程中长桩承载力计算选取合理参数提供依据。     

面向深度网络的小样本学习综述

深度学习以数据为驱动,被广泛应用于各个领域,但由于数据隐私、标记昂贵等导致样本少、数据不完备性等问题,同时小样本难于准确地表示数据分布,使得分类模型误差较大,且泛化能力差。为此,小样本学习被提出,旨在利用较少目标数据训练模型快速学习的能力。系统梳理了近几年来小样本学习领域的相关工作,主要整理和总结了基于数据增强、基于元学习和基于转导图小样本学习方法的研究进展。首先,从基于监督增强和基于无监督增强阐述数据增强的主要特点。其次,从基于度量学习和基于参数优化两方面对基于元学习的方法进行分析。接着,详细总结转导图小样本学习方法,介绍常用的小样本数据集,并通过实验阐述分析具有代表性的小样本学习模型。最后总结现有方法的局限性,并对小样本学习的未来研究方向进行展望。     

基于电力系统大数据治理的软件数据平台设计与研究

针对电力系统中出现的数据种类多、寻找困难等问题,提出了新型的大数据治理方法。该方法设计出新型的S-BDMP数据软件平台,该平台应用Hadoop分布式存储方式和Spark计算技术实现电力系统中各种大数据的存储和计算。在架构上,该软件平台集成设计有应用程序、数据服务中心、数据提成/合成模块、数据分析模块,能够实现底层电力设备各种数据的接收、存储和处理。本研究还应用随机矩阵理论挖掘各种大数据之间的关联,通过发现电力系统不同大数据之间的关系,进而研究出电力系统设备运行状态的分析。试验表明,本研究的方法效果直观,数据治理程度强。