坚持科技兴企推进科技成果转化

北京航空制造工程研究所是国内唯一专门从事航空制造技术研究与工艺装备开发的综合性研究所，也是我国轮胎成型机主要生产厂家。近年来，在成果转化方面取得显著效果，为我国橡机工业和轮胎工业技术进步做出了贡献。     

可编程序控制器的应用设计

可编程序控制器以其优良的性能，越来越广泛地应用到各个控制领域。通过参加乳化沥青生产自动化设备的研制，叙述了可编程序控制器的应用设计。     

荧光灯电子镇流器的设计

荧光灯电路中使用电感镇流器耗电量大，功率因数低，而电子镇流器可克服电感镇流器的缺点。本文通过对荧光灯电路的分析，探讨了电子镇流器的设计方法。     

基于模型诊断推理的回顾与展望

诊断推理技术起源于美国,虽然沿用了医学领域中的名称,但其研究内容已远远超出了医学诊断。它在工程、社会和经济等领域有着广泛的应用前景。由于60年代初期航天和军工等高可靠性工程的迫切需要,诊断迅速发展起来成为一门新兴学科。特别是近十几年来,由于一些关键性现代化设备出现重大     

氰戊菊酯在茶叶上的残留量测定研究

氰戊菊酯(敌虫菊酯,戊酸氰醚酯)的化学名称为(RS)-2-(4-氯苯基)-2-异丙基乙酸(RS)-2-氰基-3-苯氧基苄酯。据介绍近年来已在很多国家施用于几十种作物,极低剂量就相当有效地防治食叶和食果害虫,是一种高效、低毒、广谱性拟除虫菊酯杀虫剂。还报道了在蔬菜、水果、粮食、棉花等作物上的残留及测定方法,但在茶叶上的残留量测定资料却少见。     

改进求解约束满足问题粗粒度弧相容算法

约束满足问题在人工智能领域有着广泛的应用.研究了约束满足问题的粗粒度维持弧相容求解算法,发现在求解过程中,对于指向已赋值变量的弧存在无效的修正检查,证明了这类修正检查是冗余的.提出一种方法避免这类冗余的修正检查,给出改进后的粗粒度弧相容算法的基本框架AC3_frame_ARR,该改进框架可用于改进所有粗粒度弧相容算法.实验结果表明,经过AC3_frame_ARR改进后的算法最多可以节省80%的修正检查次数和40%的求解耗时.     

一种高效的FDE并行传播算法

约束规划(constraint programming, CP)是表示和求解组合问题的经典范式之一.扩展约束(extensional constraint)或称表约束(table constraint)是约束规划中最为常见的约束类型.绝大多数约束规划问题都可以用表约束表达.在问题求解时,相容性算法用于缩减搜索空间.目前,最为高效的表约束相容性算法是简单表约缩减(simple table reduction, STR)算法簇,如Compact-Table (CT)和STRbit算法.它们在搜索过程中维持广义弧相容(generalized arc consistency, GAC).此外,完全成对相容性(full pairwise consistency, fPWC)是一种比GAC剪枝能力更强的相容性.最为高效的维持fPWC算法是PW-CT算法.多年来,人们提出了多种表约束相容性算法来提高剪枝能力和执行效率.因子分解编码(factor-decomposition encoding, FDE)通过对平凡问题重新编码.它一定程度地扩大了问题模型,使在新的问题上维持相对较弱的GAC等价于在原问题...     

用于特征选择的乌鸦搜索算法的研究与改进

特征选择是机器学习领域的热点问题.元启发式算法作为特征选择的重要方法之一,其性能会对问题求解产生直接影响.乌鸦搜索算法（CSA）是受乌鸦智能群体行为启发提出的一种元启发式算法,由于其具有简单、高效的特点,广大学者将其用来解决特征选择问题.然而,CSA易陷入局部最优解且收敛速度较慢,严重限制了算法求解能力.针对这一问题,采用logistic混沌映射、反向学习方法和差分进化这3种算子,结合乌鸦搜索算法,提出一种特征选择算法BICSA来选取最优特征子集.实验阶段,使用UCI数据库中的16个数据集来测试BICSA的性能.实验结果表明,与其他特征选择算法相比,BICSA求得的特征子集具有更高的分类准确率和较高的维度压缩能力,这说明BICSA在处理特征选择问题上具有很强的竞争力与足够的优越性.     

基于森林优化特征选择算法的改进研究

在分类中,特征选择一直是一个重要而又困难的问题。最近研究表明森林优化特征选择算法（FSFOA）具有更好的分类性能及较好的维度缩减能力。然而,初始化阶段的随机性、更新机制上的局限性及局部播种阶段新树的劣质性严重限制了该算法的分类性能和维度缩减能力。本文采用一种新的初始化策略和更新机制并在局部播种阶段加入贪婪策略,形成一个新的特征选择算法IFSFOA,在最大化分类性能的同时最小化特征个数。实验阶段,IFSFOA使用SVM,J48和KNN分类器指导学习过程,通过机器学习数据库UCI上的小维,中维,高维数据集进行测试。实验结果表明,与FSFOA相比,IFSFOA在分类性能和维度缩减上均有明显提高。将IFSFOA算法与近几年提出的比较高效的特征选择方法进行对比,不论是在准确率,还是在维度缩减上,IFSFOA仍具有很强的竞争力。