基于粒子群优化和支持向量机的花粉浓度预测模型

为了提高花粉浓度预报的准确率，解决现有花粉浓度预报准确率不高的问题，提出了一种基于粒子群优化（PSO）算法和支持向量机（SVM）的花粉浓度预报模型。首先，综合考虑气温、气温日较差、相对湿度、降水量、风力、日照时数等多种气象要素，选择与花粉浓度相关性较强的气象要素构成特征向量；其次，利用特征向量与花粉浓度数据建立SVM预测模型，并使用PSO算法找出最优参数；然后利用最优参数优化花粉浓度预测模型；最后，使用优化后的模型对花粉未来24 h浓度进行预测，并与未优化的SVM、多元线性回归法（MLR）、反向神经网络（BPNN）作对比。此外使用优化后的模型对某市南郊观象台和密云两个站点进行逐日花粉浓度预测。实验结果表明，相比其他预报方法，所提方法能有效提高花粉浓度未来24 h预测精度，并具有较高的泛化能力。     

加入KH550对废纸纤维增强聚乳酸复合材料微观形貌和性能的影响

采用热压成型法制备了废纸纤维/聚乳酸复合材料,研究了加入KH550前后复合材料的微观形貌、力学性能、热稳定性能和吸水性能。结果表明:加入KH550后废纸纤维/聚乳酸复合材料拉伸断口更平滑,废纸纤维和聚乳酸界面相容性大幅提升;当加入质量分数为5%的KH550溶液时,加入KH550后的废纸纤维/聚乳酸复合材料的拉伸强度和弯曲强度比未加入KH550的分别最大提高11.2%和8.4%;加入质量分数为5%的KH550溶液后,废纸纤维/聚乳酸复合材料的吸水率降低;KH550的添加对复合材料的热稳定性影响较小。     

基于多隐层Gibbs采样的深度信念网络训练方法

深度信念网络（Deep belief network，DBN）作为一类非常重要的概率生成模型，在多个领域都有着广泛的用途.现有深度信念网的训练分为两个阶段，首先是对受限玻尔兹曼机（Restricted Boltzmann machine，RBM）层自底向上逐层进行的贪婪预训练，使得每层的重构误差最小，这个阶段是无监督的；随后再对整体的权值使用有监督的反向传播方法进行精调.本文提出了一种新的DBN训练方法，通过多隐层的Gibbs采样，将局部RBM层组合，并在原有的逐层预训练和整体精调之间进行额外的预训练，有效地提高了DBN的精度.本文同时比较了多种隐层的组合方式，在MNIST和ShapeSet以及Cifar10数据集上的实验表明，使用两两嵌套组合方式比传统的方法错误率更低.新的训练方法可以在更少的神经元上获得比以往的训练方法更好的准确度，有着更高的算法效率.     

钢管焊接自动线的上下料机设计

钢管焊接自动线的上下料机的应用,可以降低劳动强度,节约人力资源,提高产品质量,同时也可以获得更大的经济效益。本设计通过对上下料机构各主要组成部分(气缸等)的分析,从而确定各主要组成部分的结构以及相关的尺寸,在此基础上对自动线的上下料机构进行相关的设计计算,从而确定总装配图。