森林优化特征选择算法的增强与扩展

特征选择作为一种重要的数据预处理方法，不但能解决维数灾难问题，还能提高算法的泛化能力.各种各样的方法已被应用于解决特征选择问题，其中，基于演化计算的特征选择算法近年来获得了更多的关注并取得了一些成功.近期研究结果表明，森林优化特征选择算法具有更好的分类性能及维度缩减能力.然而，初始化阶段的随机性、全局播种阶段的人为参数设定，影响了该算法的准确率和维度缩减能力；同时，算法本身存在着高维数据处理能力不足的本质缺陷.从信息增益率的角度给出了一种初始化策略，在全局播种阶段，借用模拟退火控温函数的思想自动生成参数，并结合维度缩减率给出了适应度函数；同时，针对形成的优质森林采取贪心算法，形成一种特征选择算法EFSFOA（enhanced feature selection using forest optimization algorithm）.此外，在面对高维数据的处理时，采用集成特征选择的方案形成了一个适用于EFSFOA的集成特征选择框架，使其能够有效处理高维数据特征选择问题.通过设计对比实验，验证了EFSFOA与FSFOA相比在分类准确率和维度缩减率上均有明显的提高，高维数据处理能力更是提高到了100 000维.将EFSFOA与近年来提出的比较高效的基于演化计算的特征选择方法进行对比，EFSFOA仍具有很强的竞争力.     

约束分解技术回顾与展望

约束满足问题是一个强有力的知识表示框架,可以有效地解决许多问题.由于约束满足问题一般情况下是NP难度的问题,因此通过约束分解来降低计算的开销具有十分重要的意义.主要描述约束分解在约束满足问题中的地位、经典的分解技术和约束分解技术的发展历史,然后简要地分析这些分解技术.介绍了关于约束分解研究的最新状况,并描述、分析和总结其主要求解思想.最后根据存在的问题与不足提出了下一步的工作方向和研究思路.     

化工装置大体积混凝土施工监理控制要点分析

炼油化工装置大体积混凝土结构施工,由于采用商业混凝土,水泥用量较大,因水泥发生水化热会产生较大的温度变化和收缩应力,另外如振捣过程中存在漏振或不振捣的现象,均会对大体积混凝土结构产生有害裂缝.因此对大体积混凝土结构施工过程及混凝土养护过程,要采取一系列措施,防止施工中可能存在的问题,确保大体积混凝土施工全过程的施工质量...     

基于PHM的桥式起重机管理系统设计

本文以桥式起重机为例,结合PHM技术,搭建了桥式起重机故障预测与健康管理系统的总体框架,设计了桥式起重机机故障预测与健康管理系统模块。建立的PHM系统能对桥式起重机重要部件、系统进行全面的健康状态监控、故障检测、分析判断处理,得出保障决策方法。     

一种基于环切割的约束满足问题求解算法

该文首先给出一种无环约束满足问题的无回溯搜索算法Tree_Search,然后将环切割思想嵌入到目前最流行的MAC3rm算法中,给出一种新算法CCS.CCS将原同溯搜索过程分为两部分:第1部分通过回溯搜索求解环切割集中变量,将原问题化简成一个满足弧相容的无环问题；第2部分通过无回溯的Tree_Search算法求解化简后的...     

可编程序控制器控制系统中故障的检测与显示

由PLC组成的控制系统中,一般情况下,控制设备和元件较多,逻辑关系复杂.各种外围设备和元件及PLC本身在生产过程中都可能产生故障或误动作,这将会给生产造成损失.对各种故障如何及时、准确地检测、显示和报警,以便及时排除故障,这是在设计控制系统时必须充分考虑和引起重视的问题.本文就常见故障的产生、检测及显示进行探讨,并用设计实例进行介绍.     

高频高效功率放大器及设计

提出了一种高效功率放大器，对电路的工作原理进行了分析，在理想和非理想条件下计算了效率，给出了设计电路元件的选择方法。     

基于问题结构的边界启发式方法

现有启发式方法在处理Composed问题时会生成过多节点,造成求解效率下降。基于此类问题结构特性,设计并实现了一种新的变量排序启发式方法——边界启发式。针对问题结构,提出了边界变量的概念,在Composed问题上实现了对边界变量的筛选,检索过程中,同普通变量相比边界变量被赋予更高的实例化优先级,文中给出了新启发式方法的两种实现策略。实验结果表明,新启发式方法在求解效率上明显优于原有启发式方法。     

约束分解技术回顾与展望

约束满足问题是一个强有力的知识表示框架,可以有效地解决许多问题。由于约束满足问题一般情况下是NP难度的问题,因此通过约束分解来降低计算的开销具有十分重要的意义。主要描述约束分解在约束满足问题中的地位、经典的分解技术和约束分解技术的发展历史,然后简要地分析这些分解技术。介绍了关于约束分解研究的最新状况,并描述、分析和总结其主要求解思想。最后根据存在的问题与不足提出了下一步的工作方向和研究思路。     

显著性引导及不确定性监督的深度编解码网络

基于U-Net的编码-解码网络及其变体网络在医学图像语义分割任务中取得了卓越的分割性能.然而,网络在特征提取过程中丢失了部分空间细节信息,影响了分割精度.另一方面,在多模态的医学图像语义分割任务中,这些模型的泛化能力和鲁棒性不理想.针对以上问题,本文提出一种显著性引导及不确定性监督的深度卷积编解码网络,以解决多模态医学图像语义分割问题.该算法将初始生成的显著图和不确定概率图作为监督信息来优化语义分割网络的参数.首先,通过显著性检测网络生成显著图,初步定位图像中的目标区域;然后,根据显著图计算不确定分类的像素点集合,生成不确定概率图;最后,将显著图和不确定概率图与原图像一同送入多尺度特征融合网络,引导网络关注目标区域特征的学习,同时增强网络对不确定分类区域和复杂边界的表征能力,以提升网络的分割性能.实验结果表明,本文算法能够捕获更多的语义信息,在多模态医学图像语义分割任务中优于其他的语义分割算法,并具有较好的泛化能力和鲁棒性.