基于声发射和高斯混合模型的灰岩破裂特征识别研究

通过单轴压缩条件下灰岩破裂过程的声发射试验研究,利用高斯混合模型(GMM)对加载过程声发射信号波形特征进行深入分析,探索性识别灰岩破裂失稳过程的裂纹模式及其前兆特征。分析结果表明,灰岩在单轴加载过程中先后主要存在张拉和剪切两种破裂模式。其中,张拉破裂的声发射信号波形特征在AF-RA坐标空间呈现低A_F值、高R_A值分布;剪切破裂的声发射信号波形特征在AF-RA坐标空间呈现低R_A值、高A_F值,且随着应力的增加分布中心向A_F轴靠拢。GMM分析结果揭示了灰岩在整个应力加载过程中以张拉裂纹为主,在加载前中期几乎全为张拉裂纹,临近破坏阶段过渡到剪切破坏为主。剪切裂纹所占比例的最大值出现在(0.8～0.9)σ_c阶段,也是AF-RA坐标轴分布呈现最大A_F值时。研究结果可为预测早期灰岩破裂失稳提供参考,同时为深入研究识别岩石破裂失稳前兆信号特征提供了一种分析方法。     

融合信任和基于概率矩阵分解的推荐算法

针对推荐精度不准确、数据稀疏、恶意推荐的问题，提出融合信任基于概率矩阵分解（PMF）的新推荐模型。首先，通过建立基于信任的协同过滤模型（CFMTS）将改进的信任机制融入到协同过滤推荐算法中。信任值通过全局信任及局部信任计算获得，其中局部信任利用了信任传播机制计算用户的直接信任值和间接信任值得到，全局信任采用信任有向图的方式计算得到。然后，将信任值与评分相似度融合以解决数据稀疏、恶意推荐的问题。同时，将CFMTS融入到PMF模型中以建立新的推荐模型——融合信任基于概率矩阵分解模型（MPMFFT），通过梯度下降算法对用户特征向量和项目特征向量进行计算以产生预测评分值，进一步提高推荐系统的精准度。通过实验将提出的MPMFFT与经典的PMF、社交信息的矩阵分解（SocialMF）、社交信息的推荐（SoRec）、加权社交信息的推荐（RSTE）等模型进行了结果的对比和分析，在公开的真实数据集Epinions上MPMFFT的平均绝对误差（MAE）和均方根误差（RMSE）比最优的RSTE模型分别降低2.9%和1.5%，同时在公开的真实数据集Ciao上MPMFFT的MAE和RMSE比最优的SocialMF模型分别降低1.1%和1.8%，结果证实了模型能在一定程度上解决数据稀疏、恶意推荐问题，有效提高推荐质量。     

基于卷积神经网络优化TLD运动手势跟踪算法

针对TLD（Tracking-Learning-Detection）算法在光照变化不均、遮挡严重、跟踪目标模糊等情况下会出现跟踪失败的问题，提出一种基于卷积神经网络优化TLD运动手势跟踪算法。选取手势特征作正样本，其背景作负样本，获取手势HOG特征并投入到卷积神经网络中加以训练，得到手势检测分类器，从而确定目标手势区域，实现手势的自动识别；再利用TLD算法对手势进行跟踪与学习，对正负样本进行估计检测并实时校正，同时运用SURF特征匹配更新跟踪器。实验结果验证，该算法对比TLD经典算法跟踪精度提高了4.24%，增强了运动手势的跟踪效果，相比经典跟踪算法拥有更高鲁棒性。     

基于多注意力长短时记忆的实体属性情感分析

属性情感分析是细粒度的情感分类任务。针对传统神经网络模型无法准确构建属性情感特征的问题，提出了一种融合多注意力和属性上下文的长短时记忆（LSTM-MATT-AC）神经网络模型。在双向长短时记忆（LSTM）的不同位置加入不同类型的注意力机制，充分利用多注意力机制的优势，让模型能够从不同的角度关注句子中特定属性的情感信息，弥补了单一注意力机制的不足；同时，融合双向LSTM独立编码的属性上下文语义信息，获取更深层次的情感特征，有效识别特定属性的情感极性；最后在SemEval2014 Task4和Twitter数据集上进行实验，验证了不同注意力机制和独立上下文处理方式对属性情感分析模型的有效性。实验结果表明，模型在Restaurant、Laptop和Twitter领域数据集上的准确率分别达到了80.6%、75.1%和71.1%，较之前基于神经网络的情感分析模型在准确率上有了进一步的提高。     

基于词法特征的恶意域名快速检测算法

针对互联网中恶意域名攻击事件频发，现有域名检测方法实时性不强的问题，提出一种基于词法特征的恶意域名快速检测算法。该算法根据恶意域名的特点，首先将所有待测域名按照长度进行正则化处理后赋予权值；然后利用聚类算法将待测域名划分成多个小组，并利用改进的堆排序算法按照组内权值总和计算各域名小组优先级，根据优先级降序依次计算各域名小组中每一域名与黑名单上域名之间的编辑距离；最后依据编辑距离值快速判定恶意域名。算法运行结果表明，基于词法特征的恶意域名快速检测算法与单一使用域名语义和单一使用域名词法的恶意域名检测算法相比，准确率分别提高1.7%与2.5%，检测速率分别提高13.9%与6.8%，具有更高的准确率和实时性。     

阳泉矿区煤样不同应力状态下声发射特性分析

为探索原煤煤样的力学性能和不同应力状态下的声发射活动特性,对阳泉矿区新景矿、平舒矿主采煤层的煤样进行了单轴、三轴压缩和巴西劈裂的声发射试验,分析了2种煤样力学性能及不同加载过程的声发射活动规律。证明通过监测声发射(微震)活动分析煤样或煤岩体内部破坏状态是一种方便有效的手段。     

Consumer perception of extruded snacks containing brown rice and dried mushroom

Effects of mushroom type, seasoning and health benefit information (HBI) on consumers’ saltiness expectation, sensory liking, elicited emotions and purchase intent (PI) of extruded snacks were investigated. Five snacks were evaluated: straw mushroom (Volvariella volvacea) extrudates without (SME) or with seasoning (SMES), phoenix mushroom (Pleurotus pulmonarius) extrudates without (PME) or with seasoning (PMES), and the control without mushroom and seasoning. Hedonic scores and positive emotions were generally higher for seasoned mushroom-containing snacks (SMES and PMES) with 65% and 75.83% of consumers reporting willingness to purchase, respectively, after receiving HBI. Bored, interested and satisfied were identified as significant emotional predictors for PI odds. Flavour, saltiness, overall liking, bored, good and interested were critical attributes, differentiating snacks. This study demonstrated that sensory liking and PI of extruded brown rice-based snacks containing mushroom could be improved through savoury seasoning addition, which also allowed saltiness expectations to be met.     

基于梯度提升决策树的车轮轮缘厚度磨耗预测

轮对在列车走行过程中起着导向、承受以及传递载荷的作用，其踏面及轮缘磨耗对地铁列车运行安全性和钢轨的寿命都将产生重要影响。根据地铁列车车轮磨耗机理，分析车轮尺寸数据特点，针对轮缘厚度这一型面参数，基于梯度提升决策树算法构建轮缘厚度磨耗预测模型。在该模型的基础上，任意选取某轮对数据进行验证分析，结果表明：基于梯度提升决策树的轮对磨耗预测模型具有较好的预测精度，可预测出1~6个月的轮缘厚度变化趋势范围，预测时间范围较长，可为地铁维保部门对轮对的维修方式由状态修转为预防修提供指导性建议。     

基于深度学习的秀丽隐杆线虫显微图像分割方法

利用计算机实现自动、准确的秀丽隐杆线虫(C.elegans)的各项形态学参数分析,至关重要的是从显微图像上分割出线虫体态,但由于显微镜下的图像噪声较多,线虫边缘像素与周围环境相似,而且线虫的体态具有鞭毛和其他附着物需要分离,多方面因素导致设计一个鲁棒性的C.elegans分割算法仍然面临着挑战。针对这些问题,提出了一种基于深度学习的线虫分割方法,通过训练掩模区域卷积神经网络(Mask R-CNN)学习线虫形态特征实现自动分割。首先,通过改进多级特征池化将高级语义特征与低级边缘特征融合,结合大幅度软最大损失(LMSL)损失算法改进损失计算;然后,改进非极大值抑制;最后,引入全连接融合分支等方法对分割结果进行进一步优化。实验结果表明,相比原始的Mask R-CNN,该方法平均精确率(AP)提升了4.3个百分点,平均交并比(mIOU)提升了4个百分点。表明所提出的深度学习分割方法能够有效提高分割准确率,在显微图像中更加精确地分割出线虫体。     

Supply chain data analytics for predicting supplier disruptions: a case study in complex asset manufacturing

Although predictive machine learning for supply chain data analytics has recently been reported as a significant area of investigation due to the rising popularity of the AI paradigm in industry, there is a distinct lack of case studies that showcase its application from a practical point of view. In this paper, we discuss the application of data analytics in predicting first tier supply chain disruptions using historical data available to an Original Equipment Manufacturer (OEM). Our methodology includes three phases: First, an exploratory phase is conducted to select and engineer potential features that can act as useful predictors of disruptions. This is followed by the development of a performance metric in alignment with the specific goals of the case study to rate successful methods. Third, an experimental design is created to systematically analyse the success rate of different algorithms, algorithmic parameters, on the selected feature space. Our results indicate that adding engineered features in the data, namely agility, outperforms other experiments leading to the final algorithm that can predict late orders with 80% accuracy. An additional contribution is the novel application of machine learning in predicting supply disruptions. Through the discussion and the development of the case study we hope to shed light on the development and application of data analytics techniques in the analysis of supply chain data. We conclude by highlighting the importance of domain knowledge for successfully engineering features.