基于Word2vec的铁路工程地质语料库构建与词嵌入

随着铁路工程地质工作的不断开展,相关文本资料大量累积。但由于文本具有非结构化、不直观等特点,难以在信息化进程中得到高效利用。为将文本资料转化为计算机可直接读取的形式,该文面向铁路工程地质领域,收集文献、报告、规范及手册等多种类文本,利用Jiaba函数库,构建4 192 189词规模的铁路工程地质语料库;利用Word2vec模型,将非结构化文本分词嵌入词向量空间中,转化为具有语义信息的数值。经过降维可视化、聚类和语义相似度计算的检验,结果表明,该文构建的语料库及其所训练的词向量能有效记录语义信息。为铁路工程地质语义分析、实体识别和知识图谱构建等工作提供数据基础。     

论企业域名权与商标权冲突的解决

中国域名保护的法律法规不健全,企业对于域名的重视程度不够,导致企业域名被抢注的事件屡屡发生,给企业造成损失.通过对域名权与商标权之间冲突的探讨,提出避免和解决二者之间冲突的建议,如完善域名注册程序、引入撤销制度和法定赔偿金制度等,以保护企业的无形资产不被非法侵犯.     

基于PCA-GA-SVM的竖直下降两相流流型预测

为提高小样本条件下的流型识别精度和时效性,提出了一种融合小波包分解（WPD）、主元分析（PCA）、遗传算法（GA）和支持向量机（SVM）的优化识别模型,并成功应用在竖直下降两相流流型辨识工作中。利用WPD对非平稳电导波动信号进行分解、重构,提取小波包能量构造特征向量;通过PCA对特征向量进行降维,降低特征输入的复杂性;同时采取GA全局迭代寻优的方式确定SVM的关键参数惩罚因子（C）和核函数参数（g）。对PCA-GA-SVM识别效果进行验证后与SVM、PCA-SVM、GA-SVM网络进行对比。结果表明,经过PCA和GA优化后的SVM网络在流型识别精度和时效性方面均提升显著,对泡状流、弹状流、搅拌流和环状流的总体预测精度达到了94.87%,耗时仅3.95 s,可满足在线识别需求。      

基于critic组合预测方法的共享单车故障预测

针对无桩式共享单车系统缺少故障预测方法的研究及预测准确率低不稳定等问题,在挖掘预测因素和故障单车之间的信息特征上,提出改进熵权法对预测因素分权,并采用BP神经网络、径向基函数和ELMAN神经网络3种单一预测模型建立基于critic权重的组合预测模型,在Matlab上进行实例求解。结果表明,相比单一预测方法,该组合预测方法提高了预测准确率5%左右,且能够降低预测风险,减少预测的系统误差,具有较好的实用价值。     

基于粒子群优化算法支持向量回归预测法的大电网电压稳定在线评估方法

提出基于粒子群优化算法支持向量回归预测法(particle swarm optimization support vector regression, PSO-SVR)的大电网电压稳定在线评估方法,将传统基于深度神经网络(deep neural networks, DNN)模型的电压稳定评估方法改进为PSO优化过的SVR模型,对阻抗模裕度指标进行预测。该方法利用了SVR模型具有学习能力强、泛化错误率低的优点,在小样本的情况下也可以很好地学习到样本中的特征。同时克服SVR模型对于参数调节和函数选择非常敏感的问题,利用PSO算法对SVR模型的超参数进行优化选择,可以让SVR模型更好地学习到电网运行数据和阻抗模裕度值之间的非线性关系。最后,该方法在IEEE 118节点系统进行验证,并与基于DNN模型的评估方法进行比较,验证了其精度水平高于基于DNN模型的方法。     

熵权综合健康指数法在生活饮用水水库水质健康评价中的应用

基于熵权综合健康指数法的水库水质健康评价,有效避免主观赋权的影响,评价结果客观合理。能明显提炼健康状态的整体变化趋势,充分体现各评价指标对于水质健康的作用,可实现更有针对性的控制和指导,起到饮用水水源水质健康应急预警,引导对异常情况的原因做出正确判断。本评价体系可以推广应用到各类型饮用水水源,为加强水源保护和水质管理提供有力支撑,保障城市生活饮用水水质安全。     

考虑微细超声加工系统动力属性的切割自校正控制

微细超声加工系统的控制过程复杂,当前控制方法均忽略了其动力学属性,因为动力学属性特征较为模糊,过于复杂的约束条件会降低切割控制速度,造成能耗高、切割精度低等问题,基于自校正模糊控制理论,设计了一种考虑微细超声加工系统动力属性的切割自校正控制方法。通过对微细超声加工系统展开详细的动力学分析,获取系统的加速度向量。根据分析结果,结合微细超声加工系统的理想运动变换条件,建立割刀误差数学模型,并计算割刀末端位置误差,再通过自校正模糊控制方法校正该误差,实现对切割过的高精度控制。实验结果表明：该方法提高了微细超声加工系统的切割速度,提高切割误差的控制精度,切割能耗也在承受范围内。     

基于SARIMA-GS-SVR组合模型的短期电力需求预测

短期电力需求预测在合理分配电力利用、减少能源浪费和增强电力系统的并网运行方面具有重要作用。应用单一的季节自回归移动平均模型对电力需求预测将限制预测精度。为了提高SARIMA的预测精度,文中提出了SARIMA-GS-SVR组合预测模型。采用网格搜索算法将SARIMA预测的残差带入支持向量回归模型进行参数训练,并将寻优的最佳参数带入SVR对残差进行预测。将得到的残差预测结果和SARIMA预测结果加和进行综合分析。建立SARIMA、SVR、GS-SVR和SARIMA-GS-SVR预测模型,以加利福尼亚州电力需求历史数据为例,对该地某日24 h的电力需求进行预测。为了体现模型整体的优越性,选用指数平滑法作为无关基准模型进行实验对比。实验结果表明,相比SARIMA,SARIMA-GS-SVR的预测精度提高了29.181 2%,且其MAE、MAPE和RMSE3种误差指标评价值低于其它4种模型。     

基于IGA-SVM的气动调节阀在线故障检测及诊断

针对气动调节阀停机检修损失大、运行状态不易评估、故障模式复杂且故障诊断极为依赖工程经验等问题,结合残差法实现了故障的在线检测,并对传统的遗传算法进行改进,提出一种基于改进遗传算法优化的支持向量机（Improved Genetic Algorithm optimized Support vector machine, IGASVM）的故障诊断算法,作为实现气动调节阀在线故障诊断的算法基础。实验选取四类典型故障进行模拟、测试及数据分析,对阀门故障进行检测与诊断,结果表明：基于残差法的故障检测方法可以有效检测气动调节阀的故障发生,IGA-SVM算法测试诊断率达到92.67%,相较于传统方法具有提升。