港口油库安全监控系统的设计与实现

港口油库安全监控系统是在油库区域内按规范设置可燃、有毒气体监测探头报警装置,能够全面检测油库区域气体浓度情况,一旦超过预警值,立即进行自动报警至监控中心,并结合实时的气象监测(如风速、风向、温湿度、气压等气象状况)进行事故风险评估,预测可燃有毒气体危险危害扩散范围,从而采取有效防范措施,避免事故的发生。     

混合有毒气体检测算法研究

研究有毒气体检测问题.当有毒气体混合其它气体造成气体混淆,毒气体发生混合,主要成分丢失.由于检测的大部分气体特征发生退化,引起毒气体的误检、漏检.为解决上述问题,提出了贝叶斯决策的混合有毒气体检测方法.首先对混合气体进行关联特征检测,然后对取得的混合特征空间进行降维运算,根据贝叶斯决策算法将细节特征向量进行有效联系,进而根据联系性进行检测.实验结果表明,采用的方法的能够对混合的有毒气体进行有效的检测,提高了有毒气体检测的准确度,为毒气检测提供了科学依据.     

基于社交网络能量扩散的协同过滤推荐算法

针对数据稀疏导致推荐系统精确度较低的问题,结合社交网络中丰富的社会化信息及能量扩散在数据稀疏问题上的优良表现,文中提出基于社交网络能量扩散的协同过滤推荐算法.首先利用用户-物品评分矩阵和信任关系具有的传递性计算用户之间信任强度值.再利用社交网络结合用户-物品二分网络,得到物品资源值.最后利用协同过滤方法进行预测评分.在真实数据集上的实验表明,文中算法缓解数据稀疏性,可解决推荐精确度较低的问题.     

一种软件可靠性增长模型选择与综合方法

软件可靠性增长模型可以预测软件在将来某个时刻的可靠性,以此作为软件是否发布的依据.而目前常见的各种模型对不同失效数据集的预测能力并不一致.提出了一种软件可靠性增长模型选择和应用的框架,利用可靠性模型评价准则,对特定的失效数据集选择优选模型集,根据优选模型集利用神经网络较好的学习预测能力计算可靠性.利用此方法对实际软件项目中的失效数据进行了分析,并验证了它的有效性.     

基于ABC-PSO的ε-SVM在甲烷测量中的应用

针对红外甲烷传感器在工业现场测量时易受到温度、湿度以及类似气体等非目标变量的影响,提出了一种基于人工蜂群和粒子群混合优化算法(ABC-PSO)的支持向量机模型(ABC-PSO-ε-SVM)对其进行校正.将ABC算法与PSO算法并行组合构成混合优化算法,能够感知非目标变量的变化,快速、准确地搜索到SVM参数.实验中,采用红外甲烷传感器对0％～5.05％浓度的16组标准甲烷气体进行测量,将其中11组数据作为训练集,5组数据作为测试集,建立e-SVM回归校正模型并进行预测.结果表明:模型的回归拟合效果好,预测精度比单一优化算法的SVM模型高.     

基于随机森林的X值输入灵敏度预测方法

随着基于模块化的电路设计变得越来越复杂,未初始化的时序单元、设计中的黑盒、时钟域交叉以及模数转换器的错误行为等原因会导致电路中出现未知的逻辑值(X),降低电路测试集的测试覆盖率.为了快速确定电路中X值输入对测试覆盖率的影响,提出了一种基于机器学习的方法来预测X值输入的灵敏度.首先通过拓扑算法计算电路的各项基础结构参数;然后对电路进行区域划分,提取特定的电路特征参数作为原始数据集;最后利用随机森林模型对所有电路中得到的数据集进行训练和预测.实验选择ISCAS’89和ITC’99中的部分电路作为数据集来源,与现有的预测方法相比,该方法总体预测准确率达到90.27%,提高了14.69%,大型电路预测准确率达到93.32%,提高了19.49%.实验结果表明,该方法具有更高的准确率和更好的泛化能力.     

环境监测数据采集系统设计

随着经济和社会的快速发展,环境大气污染尤其是雾霾和有毒气体对人体的危害越来越大,于是对环境信息如PM2.5、温湿度、各种气体浓度等的监控要求愈来愈高.因此,研发和设计一种功能多样、可靠性高、便携性好的环境监测数据采集系统具有十分重要的意义.本文运用传感器及嵌入式技术设计了一种新型便携式综合环境监测数据采集系统.实验结果和误差分析表明该数据采集系统可实现实时数据采集和显示功能并保证系统数据的可信度,也可应用于空气质量监测、室内环境监测、煤气、天然气及有毒气体监测等场景.     

基于扩散模型生成数据重构的客户流失预测

在数据挖掘领域普遍存在数据不平衡影响到模型预测精度的问题,同时还存在未考虑用户隐私保护的问题.生成伪造数据是一种重要的解决方法,但在以结构化数据为主的场景中,由于存在数据特征维度多且不相关等特点,生成高质量的数据存在挑战.考虑到扩散模型在图像生成等任务中被成功应用,以客户流失预测为典型应用场景,尝试将扩散模型应用到客户流失预测任务中.针对该场景数据中的数值型特征和类别型特征,通过高斯扩散模型和多项式扩散模型获得生成数据,并对模型预测效果和数据隐私保护能力进行研究和分析.在多个领域的客户流失数据上进行了大量实验,探索应用生成数据对真实数据融合重构的可能性.实验结果表明基于扩散模型可生成高质量数据,且对多种预测方法均有一定提升,可实现缓解数据不平衡问题.同时,基于扩散模型生成的数据分布更接近真实数据,具有应用于用户隐私保护的潜在价值.     

滑动窗口二次自回归模型预测非线性时间序列

提出一种新颖的非线性时间序列预测模型 ,即滑动窗口二次自回归 (MWDAR)模型 .MWDAR模型使用部分的历史数据及其二次项构造自回归模型 .模型参数用线性最小二乘法估计 .应用模型进行预测时 ,预先选定窗口大小以及模型一次项和二次项的阶次 .在每个当前时刻 ,先根据窗口内的数据估计模型参数 ,然后根据输入向量及模型参数做出预测 .这种预测方法不仅适合小数据集的时间序列预测 ,而且对大数据集具有极高的计算效率 .该文分别用H啨ｎｏｎ混沌时间序列数据和真实的股票交易数据作了ＭＷＤＡＲ方法与局域线性化方法的 1步和多步预测对比 ,结果显示MWDAR方法无论在预测精度上 ,还是在计算效率上都优于局域线性化方法 .     

基于灰色理论的环形腔气体激光器加速寿命实验数据预测

针对目前环形腔气体激光器加速寿命试验周期长、成本高的缺点,研究了气体激光器加速寿命试验数据的预测方法,提出了基于灰色系统理论的气体激光器寿命试验数据预测算法和寿命预测模型,缩短了试验时间,提高了寿命预测精度.通过建立好的加速寿命试验系统,对气体激光器进行加速寿命试验,根据寿命测试条件和测试数据的特点,采用了灰色模型对气体激光器的加速寿命试验数据进行建模和分析,给出了数据预测的结果和气体激光器的预测寿命,分析了预测精度.通过实际试验数据的验证,表明了本文提出的数据预测算法的正确性和数据预测结果具有很高的精度.     

基于传感器阵列和卷积神经网络的毒害气体泄漏预测方法研究

本文研究了一种基于传感器阵列和卷积神经网络的毒害气体泄漏预测方法,在实验室中布设监测传感器阵列,实验模拟检测氯气、硫化氢和挥发性有机物（VOCs）三类毒害气体泄漏,获取实验室安全监测的扁平化信号。将扁平化信号输入非线性特征计算模型（NFC）得到对应的模型输出信号参数（NFCOP）特征值,根据实时传感器的特征值与阈值下边界之间进行比较,构建传感器响应特征值向量,建立训练集和预测集,并采用卷积神经网络CNN对实验室安全情况进行预测,结果表明基于NFCOP特征分析和卷积神经网络方法,优于BP、PLS等预测方法,预测准确率最高可达93%。结果表明所探索的方法能够实现毒害气体预测的目标。     

基于多输出极限学习机的快速一致性分类器

一致性分类器是建立在一致性预测基础上的分类器,其输出结果具有很高的可靠性,但由于计算框架的限制,学习的时间往往较长.为了加快学习速度,首次将一致性预测与多输出极限学习机相结合,提出基于两者的快速一致性分类算法.该算法利用了极限学习机,能够快速计算样本标签的留一交叉估计的特性,极大地加快了学习速度.算法复杂度分析表明,所提算法的计算复杂度与多输出极限学习机的算法复杂度相同,该算法继承了一致性预测的可靠性特征,即预测的错误率能够被显著性水平参数所控制.在10个公共数据集上的对比实验表明,所提算法具有极快的计算速度,且与其他常用一致性分类器相比,该算法的平均预测标签个数在某些数据集上更少,预测结果更有效.     

基于三维深度学习的汽车气动性能实时预测

为适应现代汽车快速设计的需求,采用基于三维深度学习算法的汽车气动参数实时预测,计算汽车的空气阻力系数。利用Rhinoceros软件对包含多种车型的汽车模型库进行T样条曲面重构,制作汽车外形的三维点云数据集;分别利用FLUENT和CFX对模型逐个进行不同风速工况下的仿真分析,得到相应的空气阻力系数,并建立三维深度学习的训练和测试数据集;采用PointNet深度学习框架训练并计算各模型的空气阻力系数。训练集的对比结果表明,采用深度学习方法快速预测汽车气动性能可得到基本满意的效果。     

融合序列分解与Prophet模型的时序预测

传统时序预测方法其预测过程无法在相同数据集上推出共享模式, 而机器学习方法无法较好地处理非线性和大规模数据集, 并且需要手动设计特征工程. 深度学习方法弥补了传统预测方法需要高计算高人力的弊端, 用自动学习特征工程代替了手动设计特征工程. 但仅使用深度学习的预测方法所作结构假设较少, 通常需要较高的计算资源以及大量的数据来学习得到准确的模型. 针对上述问题, 本文提出通过采用融合t检验的EMD经验模态将序列分为高频分量和低频分量, 对高频分量使用传统STL序列分解方法进一步对数据做处理, 对高频、低频分量分别进行Prophet预测. 实验结果表明, 相较于传统的LSTM以及Prophet预测模型, 经过STL序列分解后的周期数据能够提升模型的整体预测精确度而融合EMD经验模态的Prophet模型则大大提升了训练效率.     

基于双支持向量回归机的增量学习算法

提出了一种基于双支持向量回归机的增量学习算法。将获取到的新样本加入训练数据集后,该算法无需在整个新的数据集上重新训练双支持向量回归机,而是充分利用增量前的计算信息,从而大大减少了模型更新中逆矩阵的计算量,提高了算法的执行效率。在人工数据集、时间序列预测和UCI数据集上的数值实验表明,该算法快速有效。     

基于随机优化的大规模噪声数据集快速学习方法

针对包含噪声与干扰数据的大规模机器学习问题,采用非凸Ramp损失函数抑制噪声和干扰数据的影响,提出一种基于随机优化的非凸线性支持向量机快速学习方法,有效改进训练速度和预测精度.实验结果表明该方法降低学习时间,在MNIST数据集上较传统学习方法的训练时间降低4个数量级.同时在一定程度上改进预测速度,并有效提升分类器对噪声数据集的泛化性能.     

基于核集合的大数据快速Kernel Grower 聚类方法

Kernel Grower 是一种有效的核聚类方法, 它具有计算精度高的优点. 然而, Kernel Grower在应用中的一个关键问题是对于大规模数据运算速度缓慢, 这在很大程度上制约了该方法的应用. 本文提出了一种大规模数据的快速核聚类方法, 该方法通过近似最小包含球快速算法, 显著地提高了的Kernel Grower计算速度, 并且该方法的计算复杂度仅与样本个数成线性关系. 在人工数据集和标准测试集上的模拟实验均说明本文算法的有效性. 本文还给出该方法在真实彩色图像分割中应用.     

基于神经网络的裂纹扩展过程预测

提出基于神经网络的裂纹扩展过程实时预测方法,其计算效率比近场动力学(peridynamic,PD)模型提高.使用PD算法获取裂纹扩展过程中的损伤云图,构建裂纹扩展数据集.基于数据集构建生成对抗网络(generative adversarial networks,GAN)模型,根据不同加载条件实时生成损伤云图,从而快速预测裂纹的扩展过程.将PD模型计算得到的损伤云图中的RGB值与相应位置处的损伤值结合,构建多层前馈神经网络模型的数据库,并使用多层前馈神经网络模型分析GAN模型产生的损伤云图,得到相应的损伤值.通过数值算例证明该方法的效率和准确性.     

BP神经网络在甘油水溶液粘度预测中的应用

二维数据表广泛应用于科学与工程计算,当出现数据缺失时,由于数据间存在的非线性关系,采用传统方法在两列数据中插值将产生较大的误差.结合甘油水溶液粘度的预测,提出使用人工神经网络的插值方法,对神经网络模型、参数以及训练样本集的选择进行了实验与优化.实验表明,利用BP神经网络预测25℃甘油水溶液粘度时,网络收敛速度快,预测精度高,优于传统的最邻近插值和双线性插值,能够满足一般科学与工程计算的需要.提出的插值预测方法对类似条件的二维数据表具有普遍指导意义.     

一种改进的放射性气体扩散高斯预估模型算法*

通过对放射性气体扩散的特征描述,针对高斯预估模型存在的缺点,引入了动态变化的泄漏强度,并通过夹角系数的方式将风速和放射性气体自身的扩散速度合成,得到对气体扩散起到关键作用的合成扩散速度,进而更好地模拟了放射性气体扩散过程中在不同时段、不同区域、不同气流状态下的气体浓度。最后通过实验仿真模拟,表明该算法在一定条件下能够有效地计算出放射性气体泄漏后的不同时间点和不同气流状态下的扩散浓度空间分布,能够较好地模拟放射性气体扩散的动态变换过程,对放射性气体泄漏事故现场的预测和评估具有很好的辅助决策作用。