基于双精英进化樽海鞘群算法优化ELM的焦炭价格预测

焦炭是焦化企业生产的重要工业原料之一,准确地预测其未来价格趋势对焦化企业制定排产计划具有重要意义。极限学习机(ELM)泛化能力强,计算速度快,适合作为焦炭价格预测的模型,但ELM的预测性能受模型关键参数影响较大,故需对其参数进行优化。基于此,文中提出了基于双精英进化樽海鞘群算法的ELM焦炭价格预测方法。首先,采用Logistic混沌映射、改进的收敛因子、自适应惯性权重和双精英进化机制来改进樽海鞘群算法,提出了双精英进化樽海鞘群算法(MDSSA),提高算法的搜索能力;其次,运用MDSSA优化ELM的连接权值与阈值,找到ELM的最优参数组合,构建MDSSA-ELM焦炭价格预测模型;最后,在8个基准测试函数上测试MDSSA的收敛性能,在实际焦炭价格数据集上对MDSSA-ELM模型的预测性能进行实验,实验结果表明,MDSSA-ELM相比其他方法预测能力更优,MDSSA相比其他群智能算法搜索能力更强,为焦化企业实现焦炭智慧排产提供了有效的预测工具。     

智能化雷达故障预测及检测技术综述

雷达故障预测和故障检测技术是雷达装备维护从传统化定期检修向智能化视情维修转变的关键技术。为保障雷达作战效能的发挥,需及时对雷达故障进行预测、检测并实时告警。随着微波测量和人工智能技术的日趋成熟,智能化雷达故障预测及检测技术也不断发展。文中详细阐述了当前故障预测与健康管理以及故障检测技术的国内外研究现状,分析了现有智能化雷达故障预测和检测技术的优缺点,梳理了该技术在雷达维修保障领域的研究进展,提出了雷达故障预测和检测过程中可能存在的问题和限制条件。针对实际问题和限制条件,对未来智能化雷达故障预测和检测技术的研究方向进行了展望,为智能化故障预测及故障检测技术在雷达维修保障领域的深入研究提供参考。     

基于多变量形态学特征的健康老年人认知发展预测算法

由于体积、表面积等常规形态学指标对于皮层下核团而言过于笼统,因此传统的形态特征获取手段难以检测到其表面形态的细微变化。为解决这一问题,本文提出了一种针对皮层下核团的精细特征提取算法,并将其应用到老年人认知状态预测任务上。通过表面共形参数化、表面共形表示和基于互信息的表面流配准,提取了46名被试双侧海马和杏仁核各15 000×2个顶点上的形态学特征;通过斑块选择、稀疏编码与字典学习,和最大池化的降维流程,避免了维度诅咒的同时充分保留了核团的纹理信息;最后,以树为弱学习器,采用GentleBoost算法集成了最终的强分类器做认知预测。结果显示,仅纳入海马和杏仁核两个皮层下结构的新颖特征,即可达到85%的预测准确率,为皮层下结构的精细特征发掘提供了新思路。     

基于XGBoost的民航飞机发动机性能参数预测模型

为提高民航飞机发动机性能参数的预测精度,本文提出一种基于模糊推理和XGBoost算法的发动机性能参数预测方法。对发动机进行总体性能分析,确定油门杆位置、气压高度、总温、全重、马赫数及飞行阶段为影响发动机性能参数的主要因素。其次采用模糊推理对快速存取记录器（QAR）数据进行纵向飞行阶段划分,消除人为划分训练数据对预测精度的主观影响。最后,建立各发动机性能参数的XGBoost预测模型,并与多种预测模型进行对比实验。实验结果表明：对发动机N1、燃油流量参数的预测,XGBoost预测模型相比支持向量回归（SVM）、线性回归模型和BP神经网络,其精度更高且不需要对训练数据进行缩放。     

基于ATLG混合模型的股票价格预测

股市是金融市场的重要组成部分,对股票价格预测有着重要的意义.同时,深度学习具有强大的数据处理能力,可以解决金融时间序列的复杂性所带来的问题.对此,本文提出一种结合自注意力机制的混合神经网络模型(ATLG).该模型由长短期记忆网络(LSTM)、门控递归单元(GRU)、自注意力机制构建而成,用于对股票价格的预测.实验结果表明:(1)与LSTM、GRU、RNN-LSTM、RNN-GRU等模型相比, ATLG模型的准确率更高;(2)引入自注意力机制使模型更能聚焦于重要时间点的股票特征信息;(3)通过对比,双层神经网络起到的效果更为明显.(4)通过MACD (moving average convergence and divergence)指标进行回测检验,获得了53%的收益,高于同期沪深300的收益.结果证明了该模型在股票价格预测中的有效性和实用性.     

基于Docker集群的弹性任务调度模型构建

针对Docker集群访问量具有随机性和不确定性的问题,在提出基于多指标灰色负载预测基础上,通过增加或减少应用容器的方式,实现集群任务的弹性调度,实现集群应用性能和负载均衡。实验结果表明,所提出的基于多指标灰色负载预测算法的弹性任务调度策略,可适应web应用的动态变化,保证高负载状态下应用可即时响应,低负载状态下集群的资源利用率最高。     

钢铁企业智能点检运维系统的开发与应用

随着中国制造2025规划的实施,钢铁企业的智能制作水平得到了大幅度的提升,产线设备的网络化、数字化、智能化水平有了质的飞跃,同时钢铁企业对设备的点检维护要求也发生了变化,传统的现场点检定修的运维模式已经无法满足生产需要。本文以钢铁企业设备点检运维工作为背景,围绕钢铁企业设备管理新需求,基于云计算、工业互联网、大数据、移动互联网和人工智能等先进技术,分析了当前设备运维工作面临的机遇与挑战,提出了钢铁行业智能点检运维定义,阐述了智能点检运维系统的核心内容,介绍了钢铁企业开发应用智能点检系统的整体架构、主要功能和应用效果。验证了智能点检运维模式的可行性、可靠性和有效性,为钢铁企业设备点检运维工作变革和智能点检运维模式实施提供了参考。     

时空图卷积网络下的路网交通事故风险预测

路网交通事故预测是实现道路管控、路线规划的最重要方式之一。考虑到路网中各路段特征与环境因素的影响,建立基于图卷积神经网络（GCN）和门控循环单元（GRU）的时空门控图卷积（STGRGCN）模型预测交通事故风险。通过GCN提取出道路间的空间关联性,通过GRU提取出环境因素中的时间关联性,再通过GCN与GRU的复合模块提取出时空关联性。选取美国全国交通事故数据集中洛杉矶市和休斯顿市相关数据对模型进行检验,STGRGCN模型的均方根误差、平均绝对误差以及召回率在两个城市分别为4.09、2.14、0.714和5.79、3.24、0.683,优于已有统计模型、机器学习模型以及复合模型。设计该除各模块的消融实验,证明该模型各模块皆有助于提升预测性能。     

融合CNN-BiLSTM-Attention的集成学习价格预测

价格预测对于大宗农产品市场的稳定具有重要意义,但是大宗农产品价格与多种因素有着复杂的相关关系.针对当前价格预测中对数据完整性依赖性强与单一模型难以全面利用多种数据特征等问题,提出了一种将基于注意力机制的卷积双向长短期记忆神经网络(CNN-BiLSTM-Attention)、支持向量机回归(SVR)与LightGBM组合的增强式集成学习方法,并分别在包含历史交易、天气、汇率、油价等多种特征数据的数据集上进行了实验.实验以小麦和棉花价格预测为目标任务,使用互信息法进行特征选择,选择误差较低的CNN-BiLSTM-Attention模型作为基模型,与机器学习模型通过线性回归进行增强式集成学习.实验结果表明该集成学习方法在小麦及棉花数据集上预测结果的均方根误差(RMSE)值分别为12.812, 74.365,较之3个基模型分别降低11.00%, 0.94%、4.44%,1.99%与13.03%, 4.39%,能够有效降低价格预测的误差.     

基于标签噪声鲁棒学习的疾病风险预测

疾病风险预测能够筛查易患人群, 并在早期进行预防干预措施以降低疾病的发生率及死亡率. 随着机器学习技术的快速发展, 基于机器学习的疾病风险预测得到了广泛应用. 然而, 机器学习十分依赖于高质量的标注信息, 医疗数据中存在的标签噪声会给构建高性能的疾病风险预测算法带来严峻挑战. 针对这一问题, 本文提出了一种基于深度神经网络和动态截断损失函数的噪声鲁棒学习方法用于疾病风险预测. 该方法引入动态截断损失函数, 融合了传统交叉熵函数的隐式加权特性和均方差损失函数的标签噪声鲁棒性; 通过构造训练损失下界, 并引入样本动态加权机制减小可疑样本的梯度, 限制可能的带噪样本在训练过程中的权重, 进一步增强模型的鲁棒性. 以脑卒中筛查数据集为例进行实验, 结果表明本文算法在各个标签噪声比例下均能取得良好的预测性能, 可降低疾病风险预测中标签噪声的负面影响, 实现了带有标签噪声数据的鲁棒学习.