基于RBF-FCM-OLS的边坡稳定性评价方法

RBF神经网络具有很强的非线性并行处理能力和泛化能力,并且有很快的学习收敛速度,不易陷入局部极小,在边坡稳定性评价中已得到广泛的应用.但其过分依赖于隐含层数据中心的选取是否合适,故引入模糊-C均值聚类(FCM)算法对其进行优化.以122组边坡样本作为样本总体,其中1～114组为训练样本,115～122组为测试样本,运用FCM算法在边坡训练样本中初选多个RBF网络的数据中心,在此基础上运用正交最小二乘法(OLS)训练网络,利用训练后得到的回归矩阵信息在初选结果中重新选择RBF网络的数据中心,从而使数据中心得到优化,简化了RBF神经网络的结构.将优化后的RBF神经网络应用到边坡测试样本的安全系数的预测中,得到较高的预测精度.该方法加快了RBF神经网络的训练速度,提高了运算速率,与传统的BP网络进行比较,进一步证明RBF及其学习算法的优越性和实用性.     

一类特殊的非抢占式周期任务的调度方法

现实世界中针对许多任务的资源调度分配和使用具有时效性,对该类任务的调度问题目前的研究还较少。针对此类调度问题,分析其特点,明确其与已有调度模型研究问题的区别,提出新的非抢占式周期任务调度模型,并证明了该类问题为NP完全问题。在此基础上,给出了一种求解最优解的模式剪枝算法,以及一种求解近似解的快速求解算法。相关实验表明,提出的两种算法能够针对不同的需求场景分别对调度问题进行高效求解。     

风中的舞动

设计者试图从经典时尚中寻找灵感,在这个案例中,正是服装设计师三宅一生"一块布"的概念启发了他们。整座住宅是中规中矩,简约现代的,只有从大门入口处开始展开的立体转折柜成为空间中舞动着的灵魂。转折的墙面就像一     

分子药局

正本案业主是药局世家的一位80后年轻人,家传第三代的他希望颠覆药局的传统业态使其融于当代的多元语境。一如MOLECURE源自Molecule(分子)与Cure(健康)拆分重组的取意寄望,回归到制药原点,从自然界萃取分子合成对人体有治愈功能的药品,发展出绿色实验室"green in the lab"的空间定位,将"原始"与"科技"看似冲突的特质结合,正如不同分子撞击形成新的化合物。分子的聚合方式从三角到多边、球状到锥体,因聚合所带来外观形状上的改变,时刻充满惊奇。设计师将分子的两大特性:链结性与聚合性内化成设计手法,像是左右两道高耸的主墙,用水泥贴成大幅鹅卵石墙面,粗粝的质感给人直面生命的真实。金     

一种基于偶图匹配的多目标分解进化算法

针对基于分解的多目标进化(MOEA/D)算法在选择下一代解时未考虑解和子问题之间的相对距离,可能导致算法得到的最终解多样性较差的问题,提出一种基于偶图匹配的多目标分解进化(MOEA/D-BM)算法.所提算法利用偶图匹配模型对解和子问题的相互关系进行建模,在选择下一代解的同时,考虑收敛性和多样性,以提高算法性能.通过与其他3种经典的多目标分解进化算法在多个测试函数上进行实验,验证了所提出算法的有效性.     

基于标签语义相似的动态多标签文本分类算法

针对标签随着时间变化的动态多标签文本分类问题,提出了一种基于标签语义相似的动态多标签文本分类算法。该算法在训练阶段,首先按照标签固定训练得到一个基于卷积神经网络的多标签文本分类器,然后以该分类器的倒数第二层的输出为文本的特征向量。由于该特征向量是在有标签训练得到的,因而相对于基于字符串即文本内容而言,该特征向量含有标签语义信息。在测试阶段,将测试文档输入训练阶段的多标签文本分类器获取相应的特征向量,然后计算相似性,同时乘以时间衰减因子修正,使得时间越近的文本具有较高的相似性。最后,采用最近邻算法分类。实验结果表明,该算法在处理动态多标签文本分类问题上具有较优的性能。     

采用新邻居模型的多目标分解进化算法

在通常的基于分解的多目标进化算法中,繁殖计算时使用的解从基于子问题定义的邻居集合中选择,当目标函数存在多峰等复杂特征时,它们在决策空间的距离可能较远,这会导致算法性能变差。为了解决这一问题,提出了一种采用新邻居模型的多目标分解进化算法MOEA/D-NN。该算法重新设计了繁殖计算中使用的邻居模型,利用解在决策空间上的距离计算邻居,进而为每个子问题维护相应的邻居集合,在此基础上对邻居集合进行定时更新,实现了基于新邻居模型的繁殖计算。通过在公开测试集上的实验结果表明,提出的算法与几种经典的多目标进化算法相比,在大多数测试集上表现更优。