炭纤维复合芯导线的全寿命周期成本评估系统

采用新型的炭纤维复合芯导线,能提高输电线路的电能传输容量,同时也可能提高了工程的成本。本文为了评估采用炭纤维复合芯导线的输电线路的经济性,给出了其全寿命周期成本的计算评估模型,融合成一个成本评估系统,并以工程实例计算了30年寿命的常规钢芯铝绞线导线和两种炭纤维复合芯导线输电工程的全寿命周期成本,通过对比分析,得到三种导线工程的全寿命周期成本情况,说明了采用炭纤维复合芯导线的经济性,可以为工程设计提供依据。     

基于大数据背景下的多层神经网络股票预测模型

随着互联网以及股票市场的不断发展,产生了蕴含丰富信息的海量股票数据。由于大数据技术不断普及,处理海量股票数据逐渐变得可能。本文通过对海量的历史数据进行研究,利用智能算法建立多层神经网络对数据进行处理。首先运用小波分析技术将股票价格波动曲线分解为低频部分和高频部分,其次分别利用Elman和BP神经网络进行训练,最后进行小波重构得出股票价格预测值。研究结果表明:通过改进,将预测结果与实际值进行对比,均方误差MSE=6.4495′10~(-6),模型预测精度较好。     

煤与瓦斯突出危险性预测的SaS-PNN模型及应用

煤与瓦斯突出是一种复杂的非线性动力学过程,其机理复杂、影响因素众多。单一的评价指标无法准确描述煤与瓦斯突出危险性。为了探讨煤矿开采过程中煤与瓦斯突出危险性具体等级情况,综合考虑煤与瓦斯突出发生的地应力、瓦斯和煤的物理力学性质等条件。选取开采深度、瓦斯压力、瓦斯放散初速度、煤的坚固性系数以及地质破坏程度作为煤与瓦斯突出危险性预测的评价指标。但煤与瓦斯突出评价指标之间或多或少存在一定的相关性,其评价指标中存在一些服从非高斯分布的指标。很难满足概率神经网络（PNN）样本层中采用高斯分布作径向基函数的要求。鉴于此,提出一种对称Alpha稳定分布（SaS）。SaS有更广泛的数学表达,其径向对称特性可充当PNN样本层中的高斯分布。在SaS的基础上,建立煤与瓦斯突出危险性预测的SaS-PNN模型。将SaS-PNN模型应用于国内26个典型矿井的煤与瓦斯突出危险性等级预测,预测结果表明：SaS-PNN模型具有良好的预测效果,其误判率为7.69%。为煤矿开采中煤与瓦斯突出危险性预测提供了一种新思路。     

基于MATLAB模式识别实现环境污染等级预测的研究

文章基于MATLAB神经网络的背景,采用模式识别预测方法进行环境空气质量等级预测.以某区域空气污染源的排放数据为样本,建立环境污染事件基于神经网络模式识别预测模型来预测该区域环境空气等级,并与实际监控数据对比研究,验证此方法的有效性.     

网络安全入侵风险监测系统研究与设计

网络安全是"互联网+"时代最为重要的工作之一,其可以保证各类型的应用软件安全运行,免遭黑客攻击、木马病毒侵袭.但是,随着攻击技术的改进和提升,传统的被动防御模式已经无法满足网络安全管理需求,亟需引入先进的入侵风险监测系统,把被动防御改变为主动防御,利用大数据、SOA、云计算等挖掘网络中潜在的病毒和木马,这样就可以提高网络防御工作的有效性.     

基于word2vec结合TFIDF的词类扩充应用研究

旨在解决在词类标注样本稀缺的环境下,通过某种算法来给词类进行关键词扩充,应用场景是互联网社交平台需要根据话题组即词类,进行广告推送,而词类扩充相关词能达到广告推送量大,而且精准的效果.实验中前后使用了两种算法进行研究,一种是类似于Google的Page rank找到相关词进行扩充,这是运用比较广泛的算法;另一种是提出的与结合TFIDF的word2vec计算词间相关性的算法.给出了对比数据,word2vec能较好地实现词类扩充的需求.     

分类错误指导的分层B-CNN模型用于细粒度分类

目的 细粒度分类近年来受到了越来越多研究者的广泛关注,其难点是分类目标间的差异非常小。为此提出一种分类错误指导的分层双线性卷积神经网络模型。方法 该模型的核心思想是将双线性卷积神经网络算法（B-CNN）容易分错、混淆的类再分别进行重新训练和分类。首先,为得到易错类,提出分类错误指导的聚类算法。该算法基于受限拉普拉斯秩（CLR）聚类模型,其核心“关联矩阵”由“分类错误矩阵”构造。其次,以聚类结果为基础,构建了新的分层B-CNN模型。结果 用分类错误指导的分层B-CNN模型在CUB-200-2011、 FGVC-Aircraft-2013b和Stanford-cars 3个标准数据集上进行了实验,相比于单层的B-CNN模型,分类准确率分别由84.35%,83.56%,89.45%提高到了84.67%,84.11%,89.78%,验证了本文算法的有效性。结论 本文提出了用分类错误矩阵指导聚类从而进行重分类的方法,相对于基于特征相似度而构造的关联矩阵,分类错误矩阵直接针对分类问题,可以有效提高易混淆类的分类准确率。本文方法针对比较相近的目标,尤其是有非常相近的目标的情况,通过将容易分错、混淆的目标分组并进行再训练和重分类,使得分类效果更好,适用于细粒度分类问题。     

计算机视觉技术的车型识别应用研究

针对目前立体停车库主要采用传统的传感器入库检测系统来识别车辆信息,存在施工周期长、器件损坏率较高,维护成本较高的问题,提出了一种应用计算机视觉技术的车型识别解决方案.应用卷积神经网络框架Caffe,基于Caf-feNet模型,通过fine-tuning模型优化以及参数优化,最终得到了一个性能较优异的识别模型.实验结果表明,该模型可克服输入图片背景复杂多变,目标被遮挡的情况,对轿车车型识别这一问题鲁棒性好,具有一定的可行性及应用价值.     

无线传感器网络山洪监测数据汇聚平台

针对山洪形成原因的复杂性和不确定性,本文通过BP神经网络对历史数据进行整理,提出了基于多传感器信息融合的数据汇聚平台的设计。此平台可以实现实时汇聚小流域水位、降雨量等监测数据,对汇聚数据进行数据解析、信息融合,通过GPRS将采集的数据发送到远程后台数据中心。本文在硬件上设计完成了基于S3C2440的数据汇聚平台;在软件上完成了节点的控制、山洪监测数据显示、预警临界值设定及山洪预警功能的设计。通过实验表明,山洪监测系统利用此设计平台进行安全评价是有效的、可靠的。     

粗糙集和神经网络在数据融合中的应用研究

传感器聚类状态的切换是多传感器数据融合的难点之一,也就是某个传感器在某一时刻应该向哪个方向融合数据的问题。文中采用粗糙集进行知识的获取,把1天内的54个传感器的可融合典型聚类分布作为数据样本空间形成决策表———"数据-融合分布"决策表;然后对一个月内的数据运用粗糙集的知识约简算法,去除冗余的属性和样本;根据神经网络聚类分析方法,形成多传感器数据的融合分布规则。仿真结果表明该模型的分类效率较好、实现传感器聚类分布的判断较快速。