基于趋势点状态模型的时间序列预测算法

针对传统的时间序列线性预测算法对时间序列的线性程度要求高,而非线性方法一般建模复杂且计算量大,提出了一种基于趋势点状态模型的时间序列预测算法.该算法无须考虑时间序列是否具有显著线性特征,通过序列间耦合度挖掘时间序列上的相似子序列,找出相对应的相似序列趋势点,建立趋势点状态模型并求出预测值.算法建模简单,复杂度较低.通过模拟实验,结果表明该算法性能良好,尤其对具有周期性的时间序列预测精度很高.     

新型子母车式立体停车设备设计

近年来,随着我国城市汽车保有量急剧增长,城市静态交通问题日益严重,采用机械式立体停车设备停放车辆便成为了解决该问题的必由之路。对此设计出一种应用行走母车实现车辆的存取的机械式立体停车设备。重点介绍了顶层提取装置的横移装置、伸出装置、旋转装置以及升降装置的结构。     

高校《概论》课多媒体教学的价值探析

随着现代技术的飞速发展,多媒体被广泛地应用到到高校的《概论课》教学当中。多媒体的引入有助于激发了学生的学习兴趣,提高课堂教学效率,拓展大学生视野,增强教学的实效性。     

基于排队网络的多优先级MapReduce作业调度算法

MapReduce是一个能够对大规模数据进行分布式处理的框架,目前被各个领域广泛应用。在提供MapReduce服务的集群中,如何保证不同优先级用户的截止时间限定是MapReduce作业调度问题的一个挑战。针对这一问题,提出了一个基于排队网络的多优先级作业调度算法（MPSA）。首先分析和归纳了基于MapReduce模型的算法,提出了三种常见模式,采用Jackson排队网络对基于MapReduce模型的算法建立了数学模型,应用该网络模型可以求出不同优先级队列对资源的需求;随后使用AR(1)模型进行预测,使算法可以动态地适应不同的用户访问量;利用二分查找算法,分步计算出不同优先级在map阶段和reduce阶段分配的槽位数;最后实现了在MapReduce模型中应用的实时调度算法。实验结果表明,与传统的FIFO和公平调度算法相比,本文提出的算法在用户到达率和任务规模变化的情况下,可以更加有效地满足不同优先级用户的截止时间限定。     

手背静脉图像分割及细化算法研究

手背静脉识别技术通常基于静脉纹路的细节特征点对个人身份进行验证。为了准确地提取出手背静脉纹路中的细节特征点,提取手背静脉图像中的有效区域并对其进行归一化、增强和去噪处理．分别采用局部最大类间方差法（OSTU）、阈值图像法和NiBlack法对图像进行分割,分别采用Hilditch算法、快速细化算法、Zhang＆Suen算法和OPTA算法对分割后得到的二值图像进行细化以获取静脉纹路。实验结果表明,基于合理的参数,NiBlack法和Hilditch算法分别取得较好的分割与细化处理结果。     

一种基于深度谱空网络的高光谱图像聚类方法

通常无监督算法在对高光谱数据进行聚类时仅使用光谱信息,忽略了空间信息,使得聚类准确率较低.针对上述问题提出一种基于深度谱空网络和无监督判别极限学习的高光谱图像聚类算法.利用深度谱空网络对高光谱数据进行光谱特征和空间特征的分层交叉学习,通过反复学习获得深度空谱特征,为后续无监督聚类提供方便.在三种高光谱图像上进行实验,结果表明,该算法获得的聚类效果优于其他基于极限学习机的方法和其他无监督方法.     

不平衡时间序列集成分类算法

针对现有集成分类方法对不平衡时间序列数据学习能力欠佳的问题,采用优化组件算法性能和集成策略的思路,以异构集成方法即基于变换的集合的层次投票集合（HIVE-COTE）为基础,提出一种不平衡时间序列集成分类算法IMHIVE-COTE。该算法主要包含两个改进内容：首先,增加了一个新的不平衡分类组件SBST-HESCA,引入Boosting结合重采样的思路,并通过交叉验证预测结果来更新样本权重,从而使数据集的重采样过程更有利于提升少数类样本的分类质量;其次,结合SBST-HESCA组件对HIVE-COTE计算框架进行改进,通过优化组件算法的权重使不平衡时间序列分类算法对分类结果拥有更高的投票比重,从而再次提升集成算法整体的分类质量。实验部分对IMHIVE-COTE的性能进行了验证和分析：和对比方法相比,IMHIVE-COTE有最高的整体分类评价,并且在三个不平衡分类指标值上分别得到了最优、最优、第三优的整体分类评价,可以证明IMHIVE-COTE解决不平衡时间序列分类问题的能力明显较高。     

一种可用于数据和模型分享的模型链

机器学习开始在越来越多的行业中得到应用,但使用机器学习执行任务的软件一直受限于第三方软件商更新模型.文中基于区块链,将训练神经网络消耗的算力和区块链的工作量证明机制相结合,提出并实现了模型链.模型链作为一种可用于分享数据和机器学习模型的区块链,基于骨架网络训练神经网络模型,以全网节点匿名分享的数据作为训练模型的数据集,实现了不依赖第三方更新神经网络模型.模型链使用环签名来保护用户数据隐私,节点训练的模型使用统一的测试集评估,通过评估的模型将作为节点的工作量证明用于投票达成一致共识.文中提出了两种可行的激励机制,即物质奖励和模型奖励.对于潜在的威胁,如账本分析、脏数据攻击和欺骗投票,给出了相应的解决方案.实现了一个用于数字识别的模型链.实验结果表明,模型链中的模型可以适应实际场景下发生的用户变迁和数据变化.     

基础算力的量化测算方法

0引言 2018年底召开的中央经济工作会议对基础设施建设进行了新的定义,5G、人工智能、工业互联网等技术被定义为"新型基础设施建设".随后"加强新一代信息基础设施建设"被列入2019年政府工作报告,2020年1月国务院常务会议和2020年3月中共中央政治局常务委员会会议再次强调新型基础设施的重要性,"新基建"在国家层面的重要性日益凸显.     

分辨矩阵在逻辑优化中的应用

真值表的化简对于逻辑电路的分析与设计具有及其重要的意义.对真值表的化简问题进行研究,提出了一种利用分辨矩阵从真值表中获取最小布尔表达式的粒分辨矩阵方法,实现其在逻辑优化中的应用.首先,将真值表视为逻辑信息系统,将真值表的化简问题转化为逻辑信息系统的最简规则发现问题.然后,在传统分辨矩阵的基础上,利用等价关系模型构造粒分辨矩阵,找出可以组织成最小布尔表达式的信息粒,利用信息粒的析取合取运算获得逻辑信息系统的最小布尔表达式.为进一步加快算法的收敛速度,引入启发式信息的概念,给出了组织信息粒的判定法则,避免在最小布尔表达式的获取中出现冗余逻辑项,使得布尔逻辑表达式最简,同时提高最小布尔表达式的获取效率,解决大规模逻辑电路的优化问题.最后,给出了详细的算法,并通过实例和理论证明说明了该方法的正确性和有效性.