一种新型配网接地线工具架的研制

现在使用的接地线没有专门的接地线工具架,工作结束时收纳接地线很费力,抱在怀中收很重;不抱在怀中收又容易脏污,损伤绝缘杆,而且铜芯线不好理顺,收接地线时容易交叉、乱。接地针由于分开放置,容易掉,下次工作使用时放线困难,放线时间长。     

基于优化灰色-马尔可夫链的销量预测

销售预测是企业决策的基础,管理者根据预测结果能够更合理地制定生产计划、分配生产资源。使用传统灰色-马尔可夫链预测算法对企业的产品销量进行预测,结果精度尚未达到1级标准,需要对该传统算法进行改进。引入模糊分类和粒子群算法,从残差区间划分、残差区间取值以及状态转移矩阵计算3个方面对该算法进行优化。通过对优化前、后预测算法的结果进行比较,表明优化后的灰色-马尔可夫链预测算法预测效果更好、精度更高。     

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。     

基于SqueezeNet和FractalNet混合模型的图像分类研究

针对传统卷积神经网络(如Lenet5)在图像的多分类任务中识别率不高、较新的卷积神经网络(如VGG16)在图像的多分类任务中待优化的参数达到千万级别的问题。采用将SqueezeNet神经网络与FractalNet神经网络相结合的方法。本文使用SqueezeNet神经网络中的FireModule来减少模型的参数、FractalNet神经网络的基本架构来保证神经网络模型的准确度。结果显示:在其它超参数基本相同的前提下,迭代40代时,DenseNet模型的测试集准确度为79.92%,而混合模型的测试集准确度为84.56%,其待优化的参数降至二百万个左右,故混合模型对数据的拟合能力更强,模型参数保持较低水平。     

基于特征选择和深度信念网络的文本情感分类算法

由于人类语言的复杂性，文本情感分类算法大多都存在因为冗余而造成的词汇量过大的问题。深度信念网络（DBN）通过学习输入语料中的有用信息以及它的几个隐藏层来解决这个问题。然而对于大型应用程序来说，DBN是一个耗时且计算代价昂贵的算法。针对这个问题，提出了一种半监督的情感分类算法，即基于特征选择和深度信念网络的文本情感分类算法（FSDBN）。首先使用特征选择方法（文档频率（DF）、信息增益（IG）、卡方统计（CHI）、互信息（MI））过滤掉一些不相关的特征从而使词汇表的复杂性降低；然后将特征选择的结果输入到DBN中，使得DBN的学习阶段更加高效。将所提算法应用到中文以及维吾尔语中，实验结果表明在酒店评论数据集上，FSDBN在准确率方面比DBN提高了1.6%，在训练时间上比DBN缩短一半。     

结合多尺度体素和高阶条件随机场的点云分类

针对利用经典高阶条件随机场模型进行点云分类时,由于海量节点和无向边导致的点云分类效率低的问题,提出一种结合多尺度体素和高阶条件随机场的点云分类方法.首先以多尺度体素代替海量离散点云作为无向图图模型节点,减少节点和无向边的数量;然后使用超体分割结果作为高阶团,并基于此设计了一种非监督分布性空间上下文作为高阶团特征向量,用于改善分类结果;最后结合构建的图模型和各阶特征向量,采用经典高阶条件随机场模型实现点云数据的自动分类.采用Oakland标准数据集作为实验数据,实验结果表明,该方法在有效地保证分类精度的前提下,高阶条件随机场点云分类模型的分类效率提高了5～10倍.     

一种适用于混合型分类数据的聚类算法

传统的K-modes算法采用简单的属性匹配方式计算同一属性下不同属性值的距离，并且计算样本距离时令所有属性权重相等。在此基础上，综合考虑有序型分类数据中属性值的顺序关系、无序型分类数据中不同属性值之间的相似性以及各属性之间的关系等，提出一种更加适用于混合型分类数据的改进聚类算法，该算法对无序型分类数据和有序型分类数据采用不同的距离度量，并且用平均熵赋予相应的权重。实验结果表明，改进算法在人工数据集和真实数据集上均有比K-modes算法及其改进算法更好的聚类效果。