灰色变异粒子群算法在公交客流量预测中的应用

由于公交客流量是公交系统发展规划的基础依据,因此提高公交客流量预测的准确性有利于城市公交的发展。利用粒子群算法优化参数的良好性能和灰色预测法适合预测不确定因素影响系统的优势,提出用灰色变异粒子群组合预测模型来预测公交客流量,提高公交客流量预测精度,并通过实例对组合预测模型的预测精度和有效性进行了分析。结果表明,此组合预测模型的预测精度优于单一的灰色预测模型,也优于其他几种常用预测算法,能很好地预测公交客流量,为公交系统的决策规划提供了可靠的科学数据。     

灰色变异粒子群在铁路解编量预测中的应用

为了科学准确地对铁路解编作业量进行预测,基于变异粒子群算法优化参数的良好性能和灰色预测法对不确定因素影响的系统准确预测的优点,提出了一种灰色变异粒子群组合预测模型,对铁路解编作业量进行准确地预测。并通过实例分析了模型的预测精度和可行性,且与传统的灰色预测模型进行比较。结果表明,灰色变异粒子群组合预测模型对铁路解编作业量预测明显优于传统的灰色预测模型。运用该模型预测未来铁路的解编作业量,以对铁路编组站进行合理编制和检查运营计划,从而为编组站规划和设计提供理论依据。     

基于编解码器的电力施工场景可控图像字幕生成

电力施工场景图像字幕生成采用基于深度学习的编解码技术理解图像信息，并转换为文字描述输出，从而预警安全隐患，丰富了传统图像分析技术的输出形式。传统图像字幕生成方法缺乏可控性且细节描述不充分，针对电力施工场景图像描述的研究匮乏。为此，该文提出一种基于编解码器的可控图像字幕生成优化方法。引入新的特征提取模型，以FVC R-CNN(faster and visual commonsense region-convolutional neural network)模型作为编码器，提取图像的显著特征和视觉常识特征，并改进激活函数以得到改进的基于M-tanh的长短时记忆(M-tanh long short-term memory,MT-LSTM)神经网络用于特征解码，最后通过多分枝决策策略优化输出。在Ubuntu 16.04和PyTorch深度学习框架下对电力场景描述数据集进行了训练和测试，实验结果表明图像字幕生成准确率不仅得到显著提高，而且增强了场景描述的可控性，可有力提升电力施工现场的安全管理智能化水平。     

吹炼渣与水淬渣浮选生产实践

结合山东方泰循环金业股份有限公司对吹炼渣和部分含铜高的水淬渣进行浮选回收其中的铜金属的生产实践,分析了吹炼渣、水淬渣的化学成分、选矿工艺及设备,提出了工艺流程存在的问题。