考虑心理行为的区间二元语义动态群决策方法

针对当前属性值为区间语言信息的群决策方法的不足,提出了一种考虑决策者心理行为的区间二元语义动态多属性群决策方法。定义了一种更接近决策者思维习惯的区间二元语义新的距离公式;引入时间度概念,结合考虑专家评价的综合一致性,建立优化模型求解时序权重;并基于前景理论,构建前景偏差值最小化的权重优化模型;采用基于新距离测度的交互式多属性决策（TODIM）方法计算方案的综合总体优势度,以此对方案进行排序。并以供应链协同合作伙伴的选择与评价为例,验证了所提方法的有效性和合理性。     

基于时间窗模型的双向机器人路径规划方法

随着智能化与自动化的发展,机器人应用越来越广泛;多机器人路径规划和协作问题就成为当前关注的焦点。针对以上问题,提出了一种改进的遗传算法。在初始化总群时,通过选择中点的相邻点扩大选择范围确保线路连续。通过种群适应度函数改进路径平滑度防止转向次数过多。为了防止遗传算法陷入局部最优解,通过轮盘赌的方法确保一部分非最优个体。在优化后的遗传算法基础上根据优先级顺序,并结合提出的时间窗模型,对冲突类型进行分类处理并制定对应的协调方案。仿真结果表明,该方法可以有效地解决多机器人的路径冲突问题,通过合理地规划线路提高系统效率。     

融合注意力LSTM的神经张量分解推荐模型

针对结合深度学习模型的协同过滤算法未考虑关联数据的多维交互随时间动态变化的问题,该文提出一种融合时间交互学习和注意力长短期记忆网络的张量分解推荐模型(LA-NTF)。通过采用基于注意力机制的长短期记忆网络从项目文本信息中提取项目的潜在向量,然后使用融合注意力机制的长短期记忆网络来表征用户—项目关系数据在时间上的多维交互,最后将用户—项目—时间三维张量嵌入多层感知器中,学习不同潜在因子之间的非线性结构特征,从而预测用户对项目的评分。在两个真实数据集上的大量实验表明,与其他传统方法和基于神经网络的矩阵分解模型相比,方根误差(RMSE)和平均绝对误差(MAE)指标均有明显提升,说明LA-NTF模型可显著改善各种动态关系数据的评级预测任务。     

改进Mask R-CNN网络在医学图像识别与分割中的应用

针对现有医学图像处理方法在人体复杂结构组织器官分割中的不足,提出复用低层特征信息的Mask R-CNN网络。该网络可对特定组织器官识别时同时进行分割,为了提高包含较多细节信息的低层特征层的利用率,将低层的特征信息添加到高层的特征中,使低层与高层特性优劣互补,将原始图像首次长宽压缩两次后的特征层定义为C1层,而后分别通过复用C1层和复用依次卷积的C1层这两种方法实现。并将主干网络进行了精简,以加快网络的训练速度,降低识别和分割的时间。以下颌骨作为应用对象,自建包含1?064张下颌骨CT图片的数据集,按9∶1的比例划分为训练集和验证集进行训练,使得复用依次卷积C1层的Mask R-CNN网络的训练损失降至2.8%,验证损失降至6.6%,表明该网络在下颌骨的识别和分割上具有很高的准确率。     

基于BP-AdaBoost的电商短期销量预测模型

电子商务是伴随互联网技术快速兴起的一种规模大、潜力大的新型商业模式,对产品进行短期销量预测能够帮助电商企业对市场变化采取更加迅速的反应和措施.本文通过电商销量历史数据和门户商品链接点击量建立了一种应用于电子商务会计系统的短期销量预测模型.借助AdaBoost思想集合多个传统的BP神经网络的预测结果,使其具备更高的预测准确率,根据电商短期销量变化的特点规划时间窗口的时序设计,建立考虑周末效应的以日为单位的销量预测模型.实验证明,该预测模型的预测误差可以控制在20%以内.     

基于NAR神经网络的船舶运动姿态短期预测

船舶在海上作业的过程中,不可避免地会受到风浪的扰动影响,风浪扰动可以分解到船舶运动的六个自由度上,而船舶的六自由度运动是一个复杂的非线性过程.借助预测算法可以对船舶短时间后的运动状态进行预测,从而更好辅助在船舶上的工作活动.为了提升船舶运动姿态的预测精度,建立了非线性自回归(NAR)神经网络模型,并利用NAR模型对船舶运动姿态进行预测仿真,将仿真结果与AR预测法的结果进行对比.仿真结果分析表明,基于NAR神经网络模型的预测算法与传统的基于AR模型的预测算法相比,精度更高,更具有实用价值.     

考虑供给侧和需求侧的公交车充电时段调度策略

为分析区域充电行为和时间的规律,通过蒙特卡罗法对市北电网所辖国江场的充电负荷进行预测.综合考虑需求侧和供给侧的收益,以电动公交车(Electric Bus,EB)的充电状态为决策变量,建立计及多因素的EB充电时段调度策略优化模型.设计基于粒子群算法(Particle Swarm Optimization,PSO)的模型求解流程,在国江淞行站的案例中,合理规划出EB的初始充电时间,改善了电流峰谷差、电流方差和充电成本等指标,避免了大量EB在夜间同一时间集中充电造成电网"峰上加峰"的现象.     

利用置信规则库构建WSN节点故障检测模型

在无线传感器网络(wireless sensor network, WSN)节点故障检测领域的研究过程中,故障检测准确率会受节点数据的不确定性和专家知识模糊性的影响。针对这一问题,本文提出了一种基于置信规则库(belief rule base, BRB)的WSN节点故障检测方法。首先,根据WSN工作原理及节点工作特性描述WSN节点故障检测过程;然后,从空间和时间2个维度对节点数据提取特征,建立基于空间和时间相关性的WSN节点故障检测模型;最后,利用Intel Lab Data无线传感器数据集进行案例研究以验证模型的有效性。结果证明,本文方法能够统筹利用专家知识和节点数据实现WSN节点故障检测。     

基于评分填充和时间的加权Slope One算法

针对数据稀疏性,常用的评分矩阵填充方法主要是通过平均数、中位数等进行填充,该文提出一种新的评分矩阵填充方法。利用项目-属性矩阵计算用户对项目属性偏好,由于每个项目都有各自属性,从而可以获得用户对项目的偏好值,以用户平均评分为基准,实现对评分矩阵填充。基于填充后的评分矩阵,又考虑到用户兴趣爱好随时间会发生改变,因此引入时间因子,提出一种基于评分矩阵填充和时间因子的加权slope one算法(FTWSOA)。通过时间函数修正评分矩阵,优化的评分数据可以更好地体现用户兴趣爱好随时间变化的情况。在时间加权的评分矩阵下,计算出属性兴趣偏好,在共同评分很少甚至没有时,利用属性兴趣偏好可以较为准确地计算用户相似度。由于在共同很少或者没有时,原始评分矩阵中用户没有交集,而在属性兴趣矩阵下用户会存在交集,因此,使用参数λ将填充矩阵下的用户相似度和属性兴趣偏好矩阵下的用户相似度相结合得到最终的用户相似度,可以缓解在稀疏数据下相似度计算性能差的问题,最后使用加权slope one预测评分时,将时间衰减函数加入到预测公式中来优化预测评分公式。通过在MovieLens100k数据集上的实验表明,相比于其他算法,FTWSOA算法准确度有所提高。