面向供应商违约预测的机器学习实践案例设计

人工智能技术的快速发展对机器学习人才的需求不断扩大,机器学习课程也成为高校人工智能类专业的核心课程且具有高度实践性,因此将实际项目与理论教学融为一体,才能更好的使学生得到实践锻炼。本文设计了一个基于迁移学习算法的供应商违约预测的实践案例,通过改进基于间隔核密度估算的虚拟样本生成技术,本研究将其他相似供应商预测模型转换成辅助数据的形式。通过基于权重的迁移学习算法(Tr Ada Boost),将生成的辅助数据中的知识迁移至源数据中来。最后通过对比没有使用迁移学习的模型,使用本研究技术架构训练得到的违约预测模型准确率更高、泛化能力更强。学生可通过该案例实践使用机器学习方法解决实际问题的完整过程。     

基于微分对策的多飞行器协同捕获空间划分

针对多飞行器协同围捕问题,提出一种基于微分对策的加权制导律下捕获空间划分方法。选取合适的性能函数,建立多对一协同围捕微分对策模型;利用哈密尔顿函数法求解得出飞行器和目标的最优控制策略,获得各飞行器的零控脱靶量的最优轨迹;以2个飞行器为例,设置1个2对1协同围捕场景,根据2个飞行器初始零控脱靶量的符号和大小关系,给出各飞行器单独拦截以及协同围捕状态下的相关定义;根据各飞行器零控脱靶量的最优轨迹,围绕初始零控脱靶量给出1种协同捕获空间的划分方法;设置3个具体的仿真场景,验证结果证明了该方法的准确性。     

自动化生产线实训研究型实验教学

借鉴CDIO工程教育模式,结合国际工程教育改革、工程教育认证发展趋势及自动化专业人才培养目标、专业特色,开展了自动化生产线实训课程的研究型实验教学探索。采用项目驱动与CDIO相结合的教学组织形式,坚持以学生为中心的理念。根据研究型实验教学特征,优化设计实训内容,改进实训设备。借鉴企业员工培训方式,采用项目组多角色教学方法,强化团队协作意识。采用多元化考核方式,加强实训过程评价与管理,有效训练学生的工程思维、系统思维和创新意识。     

串罐式无钟高炉炉顶炉料运动的离散元分析

建立了串罐式无钟炉顶装料系统全模型,应用离散单元法对炉料从皮带到炉喉运动的全过程进行数值计算,考察了皮带上上下料罐内的粒度偏析,对比了料罐内是否安装石盒对料罐内炉料分布、料罐装料和卸料时炉料运动及布料时料流粒度变化的影响. 结果表明,皮带上小颗粒向料层下部渗透,皮带末端料层下部平均粒度比上部小. 炉料沿上料罐周向、径向和纵向存在粒度偏析;沿下料罐径向和纵向存在粒度偏析,周向上分布较均匀,相对粒度变化的标准差为0.03. 料罐内安装石盒对周向和纵向粒度分布影响较小,石盒附近小颗粒渗透影响径向粒度分布,料面基本水平,料罐卸料呈活塞流;无石盒时料面形成堆尖,料罐卸料呈漏斗流. 布料时料流粒度变化受料罐内料流运动和炉料分布影响,料罐内不安装石盒时料流粒度变化的标准差为7.15,安装石盒时为10.42,料流粒度变化更明显.     

太赫兹介电谱与组分含量的关系分析及应用

研究了固体有机样品的太赫兹介电谱与组分体积含量之间的关系。通过分析有效介质理论中的CRI(Complex Refractive Index)模型,得到样品的介电参数与组分体积含量的关系式。利用太赫兹时域光谱技术测得室温下两种氨基酸样品在0.5~2.7 THz的介电性质,样品的折射率、介电系数及介电损耗均随氨基酸体积含量增加而增大。选取氨基酸介电损耗谱特征峰位处的介电参数,根据CRI模型进行拟合,得到折射率与体积含量的线性关系式,介电系数和介电损耗与体积含量的二次函数关系式。研究结果有利于扩展太赫兹波段的定性定量分析手段,并对聚合物基复合材料制备有一定参考意义。     

基于预测控制的DFIG电网无功补偿优化方案

提出一种基于预测控制的DFIG功率调节控制方案,增强DFIG调节电网电能质量的能力,提高DFIG系统的无功输出能力。首先比较了DFIG系统和统一电能质量调节器的控制方法。针对DFIG功率分配动态多变量的过程,设计三输入三输出的广义预测控制方案,通过模型预测、滚动优化和反馈校正,提高了DFIG的无功补偿能力。仿真对比了多种情况下最大功率点跟踪控制和广义预测控制下的DFIG的无功输出,证明了使用广义预测控制可以有效的提高DFIG的无功补偿总量,增强DFIG系统调节电网电能质量的能力。     

基于多目标支持向量机的ADHD分类

注意力缺陷多动障碍（ADHD）是儿童期最常见的精神疾病之一,在大多数情况下持续到成年期。近年来,基于功能磁共振数据的ADHD分类成为了研究热点。文献中已有的大多数分类算法均假设样本是均衡的,然而事实上,ADHD数据集通常是不平衡的。传统的学习算法会使得分类器倾向于多数类样本,从而导致性能下降。本文研究了基于不平衡神经影像数据的ADHD分类问题,即基于静息状态功能磁共振数据对ADHD进行分类。采用功能连接矩阵作为分类特征,提出了一种基于多目标支持向量机的ADHD数据分类方案。该方案将不均衡数据分类问题建模为具有三个目标的支持向量机模型,其中三个目标分别为最大化分类间隔、最小化正样本误差和最小化负样本误差,进而正负样本经验误差可以被分开处理。然后采用多目标优化的法向量边界交叉法对模型进行求解,并给出一组代表性的分类器供决策者进行选择。该方案在ADHD-200竞赛的五个数据集上进行测试评估,并与传统分类方法进行对比。实验结果表明本文提出的三个目标支持向量机分类方案比传统的分类方法效果好,可以有效的从算法层面解决数据不平衡问题。该方案不仅可用于辅助ADHD诊断,还可用于阿尔茨海默病和自闭症等疾病的辅助诊断。      

基于CDIO的“模式识别”课程教学改革研究探索

"模式识别"课程是模式识别与智能系统专业的基础课,是一门基础理论与工程实践相结合的课程,其概念、原理和方法都隐藏在数学符号中,讲课过程中学生往往会感到枯燥、难懂。对CDIO工程教育模式下的"模式识别"课程的教学与改革进行了初步探索,提出了基于CDIO的"模式识别"课程教学体系,采用主动学习、经验学习等教学方法,让学生在扎实掌握基础知识的同时,增强其实践能力、团队协作和综合解决问题能力、创新能力等综合能力。     

基于粗糙集和神经网络的信息融合方法

在运用粗糙集理论和神经网络理论进行信息融合的基础上,分析了其各自的优势和存在的问题,设计了将两者综合的信息融合方法.该方法主要思想是利用粗糙集理论对神经网络待处理的数据进行属性约简,借此来简化神经网络的结构.利用这种方法对煤矿中各种与瓦斯危险相关的信息进行融合,以此对其瓦斯安全性进行评价.结果表明,这种方法减少了训练次数而且收敛效果比传统神经网络效果好.     

航空发动机的健康指标构建与剩余寿命预测

预测与健康管理技术能够有效的评估系统健康状态、预测系统剩余使用寿命,是提高复杂系统安全性、经济性的重要保障.为全面评估系统健康状态,本文提出了一种基于深度置信网络(DBN)的无监督健康指标构建方法,并结合隐马尔可夫模型(HMM)进行系统剩余寿命预测.首先,通过无监督训练深度置信网络实现历史数据的特征提取,进而构建健康指标;其次,利用健康指标集训练隐马尔可夫模型,实现设备健康状态的自动识别;最后,通过DBN-HMM混合模型来计算系统剩余寿命.采用商用模块化航空推进系统仿真软件(C-MAPSS)给出的航空发动机数据集,验证了上述方法的有效性.