浅谈非工程措施在防汛抗旱中的作用

<正>随着全球气候变暖,极端天气随之增多,洪涝、干旱等自然灾害异常活跃,强度也明显上升,单靠工程措施进行应对已明显不足。非工程措施作为防汛抗旱的综合手段,在全面提高水旱灾害防御能力,减少灾害损失上起到了非常重要的作用。非工程措施是指运用经济、法律、行政手段,或直接运用防洪工程以外的其他手段来减少洪涝干旱等自然灾害损失的措施。非工程措施具有投资     

基于LFKPCA-DWELM的入侵检测方案

基于机器学习的入侵检测系统普遍存在由于入侵数据维度大、数据样本不均衡和离散度大而严重影响分类性能的问题.提出了一种基于LFKPCA-DWELM的入侵检测算法,用改进的果蝇算法(LFOA)对核主成分分析算法(KPCA)进行优化,用优化后的核主成分分析算法(LFKPCA)对数据进行特征提取,将处理后的数据用于基于数据离散度...     

基于相似时段和PCA-ELM 的超短期风电功率预测

为提高风电场输出功率的预测精度, 提出一种采用相似时段选取原则和基于主成分分析(principal component analysis,PCA)与多层自编码极限学习机(multi-layer auto encoder extreme learning machine,ML-AE-ELM) 组合算法(PCA-ELM)的预测模型。通过关联度分析明确待测时段的相似时段范围,结合天气数据、机组状态和历史 功率构建训练和测试样本,利用预测算法完成样本的训练和测试,得到输出功率预测结果并验证。实验结果表明： 与常见的算法模型相比,该预测模型在不同装机容量和不同工作状态的风电场中均具有较高的预测精度,表现出良 好的预测稳定性和泛化能力。     

基于核极限学习机的标记分布学习

标记分布学习作为一种新的学习范式,利用最大熵模型构造的专用化算法能够很好地解决某些标记多样性问题,但是计算量巨大。基于此,引入运行速度快、稳定性更高的核极限学习机模型,提出基于核极限学习机的标记分布学习算法（KELM-LDL）。首先在极限学习机算法中通过RBF核函数将特征映射到高维空间,然后对原标记空间建立KELM回归模型求得输出权值,最后通过模型计算预测未知样本的标记分布。与现有算法在各领域不同规模数据集的实验表明,实验结果均优于多个对比算法,统计假设检验进一步说明KELM-LDL算法的有效性和稳定性。     

激光超声技术在工业检测中的应用与展望

国防和工业现代化建设的发展对无损检测技术的需求越来越高,激光超声技术(laser ultrasonic technology,简称LUT)作为一种完全非接触式无损检测技术(nondestructive testing,简称NDT),可以在高温、高压、辐射等环境中对复杂结构件进行原位检测与监测。首先,介绍了超声的激光检测技术及LUT的优势;其次,举例说明激光超声无损检测技术(LUTNDT)在工业中的具体应用案例以及存在的一些问题,并给出解决途径;然后,对超声信号的处理方法进行阐述;最后,对LUTNDT在先进制造中的应用前景进行了讨论与展望。     

极端条件下堆石坝溃坝风险及应急预案

考虑洪水漫顶条件下的溃决模式,拟定汛限水位、校核洪水位与校核洪水流量、多年平均入库流量的极端组合方式,采用DB-IWHR模型计算堆石坝溃坝洪水过程;利用MIKE 21模拟洪水演进过程,取支流历史最大洪水过程并使其与干支流洪峰遭遇,评估洪水对下游的淹没风险.以涔天河大坝为例,根据库容、堆石材料参数等确定不同入库洪水组合方...     

前交叉韧带断裂后足底压力特征的聚类分析

运动过程中,人体的步态特征可以在足底压力图像上有准确的记录,而这也就可以成为判断步态正常与否的一条有效依据.通过一组压力传感器阵列获取人体运动过程的足底压力分布数据,提取步态的运动学和动力学特性.在此基础上,采用极限学习机（Extreme learning machines,ELM）神经网络聚类算法对足底压力数据进行分析,完成正常与异常步态的分类辨识工作.本文从实际临床数据出发,对前交叉韧带断裂患者进行步态分析,并据医生的临床诊断结果进行校验.该方法在步态分析上取得了较为良好的效果,仿真结果表明了其有效性.     

引入虚拟节点的无线传感器网络ELM定位算法

基于大部分距离无关算法能以改善锚节点比例提高无线传感器网络定位精度,提出了一种引入虚拟节点的无线传感器网络极限学习机(ELM)定位算法.通过引入的虚拟节点,寻找合适的未知节点升级为次锚节点,以增加锚节点比例,提高了定位精度.将ELM应用于节点定位,有效提高了定位的速度和精度,并因其强大的泛化性能,为无线传感器网络节点定位提供了新的思路.仿真结果表明:引入ELM定位算法和虚拟节点,有效提高了定位精度.     

基于影响度剪枝的极端学习机分类算法研究

针对极端学习机(ELM)网络规模控制问题,从剪枝思路出发,提出了一种基于影响度剪枝的ELM分类算法。利用ELM网络单个隐节点连接输入层和输出层的权值向量、该隐节点的输出、初始隐节点个数以及训练样本个数,定义单个隐节点相对于整个网络学习的影响度,根据影响度判断隐节点的重要性并将其排序,采用与ELM网络规模相匹配的剪枝步长删除冗余节点,最后更新隐含层与输入层和输出层连接的权值向量。通过对多个UCI机器学习数据集进行分类实验,并将提出的算法与EM-ELM、PELM和ELM算法相比较,结果表明,该算法具有较高的稳定性和测试精度,训练速度较快,并能有效地控制网络规模。     

基于ELM的改进CART决策树回归算法

为提高CART(ClassificationAndRegressionTree)决策树回归算法的准确性,提出一种基于ELM(Extreme Learning Machine)的改进CART决策树回归算法——ELM-CART算法.所提算法主要是在CART回归树创建过程中,在每个叶节点使用极限学习机建模,可以得到真正意义上...