城市潜力地段共享停车位资源需求预测仿真

当前停车位资源需求预测方法对城市潜力地段停车位资源分布均匀性差,导致共享停车位资源需求预测误差较大、可信度较低等问题。针对上述问题提出一种基于灰色算法的共享停车位资源需求预测方法,计算共享停车时间转变参数、出行吸引参数、区位因子参数和出行方式调节参数。利用灰度灰色算法构建非畸形模型,将参数结果代入最小二乘法中获取指标矩阵,利用该矩阵计算拟合值,得到城市潜力地段共享停车位资源需求的预测结果。实验结果证明,所提方法能够提高共享停车位资源需求预测准确率,保证了方法的可信度。     

基于深度残差网络和GRU的SqueezeNet模型的交通路标识别

Existing traffic road sign recognition methods are all based on convolutional neural networks. As the number of the model network layers increases, the recognition accuracy will also be improved, but there are still some problems such as the reduction of efficiency and the increase of the number of parameters. Therefore, an improved SqueezeNet model combining deep residual network with GRU neural network (SqueezeNet IR GRU) is proposed. In order to enhance the learning efficiency, ELU function is used as the activation function. To avoid the disappearance of gradients when the network layer is too deep, a deep residual network is introduced to guarantee the stability of the model, GRU neural network that can memorize the important past features is utilized. Experiments were performed on the Cafir 10 and GTSRB datasets, and their recognition accuracy rates are above 99.13% and 88.25%respectively. The experimental results show that the SqueezeNet IR GRU model not only reduces the parameter amount greatly, but also its convergence, stability and recall rate are all much better than others.     

基于深度收缩稀疏自编码网络的飞行员疲劳状态识别

飞行员的疲劳状态识别具有重要的研究意义和应用价值.针对飞行员疲劳状态识别的复杂性和准确性,提出一种新的基于脑电信号的飞行员疲劳状态识别深度学习模型.在对飞行员的脑电信号进行滤波分解的基础上,提取delta波(0.5sim4Hz)、theta波(5sim8Hz)、alpha波(7sim14Hz)和beta波(14sim30Hz),将其重组信号作为深度收缩稀疏自编码网络-Softmax模型的输入向量,用以对飞行员疲劳状态的识别,所得到的实验结果与深度自编码网络-Softmax模型和传统方法PCA-Softmax模型识别结果进行比较,结果表明所建立的深度学习模型具有很好的分类效果,分类准确率可达91.67%,且学习所得的特征稳定性好,验证了所提模型具有稳定性和重复验证性.     

规则和执行是期货投资成功的核心要素

期货投资成功的人数比例远低于股市投资,通常的观点认为,期货成功的比例是不到1%的,为什么比例这么低呢?核心的原因就是在期货市场投资中,长期来看,投资的过程很多时候表现为普通大众人性取向相反的一面。可能很多人认为期货交易中,最重要的、最难的是预测市场。诚然,预测市场极难,也很重要,但它其实并不是投资者难于成功的核心所在,预测准确率     

我国部分上市公司两种财务危机预警模型的比较研究

财务危机预警模型是防范财务危机的有效途径之一.采用主成分分析模型和BP算法神经网络仿真模型对我国部分上市公司进行了财务困境预测,以我国上市公司中60家公司的财务指标作为估计样本组,以40家公司作为预测样本组建立了财务危机预警模型.对两种模型的计算分析表明,BP算法神经网络仿真模型的预测准确率明显优于主成分分析模型,具有广泛的适用性.     

基于RetinaNet和类别平衡采样方法的销钉缺陷检测

传统的无人机巡检航拍图中的电力连接金具销钉缺陷检测依赖人工进行标注,针对此问题,借助深度学习缺陷检测算法RetinaNet自动提取正常、缺陷样本的特征,完成低层特征和顶层特征的融合,实现销钉缺陷的自动标注。考虑到现实情况中缺陷类别样本数量远少于正常类别样本数量,首先分析了缺陷数据不足引起的类别失衡对识别结果的影响,结果表明该情况下训练好的模型将会使得大量缺陷样本被错误地识别为正常类。于是,在数据层面采用类别平衡采样方法,确保每个类别参与训练的机会均衡,实验结果表明,所提的方法能够在维持销钉正常类的高识别率前提下,明显提高缺陷类别的平均准确率。     

基于GA-BP神经网络的发动机失火诊断

为了提高神经网络在发动机失火故障诊断中的准确率,提出了GA-BP神经网络算法。分析了发动机故障时的尾气变化情况,提出了发动机故障诊断规则;分析了BP神经网络原理,指出其训练速度慢、容易陷入局部极值问题;使用遗传算法对神经网络结构和参数进行优化,得到最优网络结构,将优化后的模型参数作为初始值再次进行BP算法优化;将此算法与自适应动量BP神经网络进行对比,GA-BP神经网络不仅缩短了训练时间,而且故障诊断准确率也大大提高。     

食品微生物学动自动化检验和快速检验方法的新进展

<正>食品的质量包括卫生质量、营养价值及利用率和感官特性。它的质量如何,尤其是卫生质量,直接关系到人民的身体健康甚至生命安全。随着经济的发展,人民生活水平的提高,对食品质量的要求日益严格,这同样给作为食品卫生监测必不可少的重要组成部分--食品微生物检验方法提出了更高的要     

基于分类波动性统计的短期负荷改进区间预测方法

为支撑电力现货市场下实时交易与安全校核的需要,提出了一种基于分类波动性统计的短期负荷区间预测方法。首先,介绍了传统的负荷波动性统计分析及区间预测限值计算方法,通过将负荷历史数据标幺化处理,绘制负荷波动性分布直方图,计算在给定精度下的区间限值;接着结合我国实际,从居民、商业、工业三类用户出发,分别讨论不同类型用户负荷的波动性特点,在此基础上汇总形成全网负荷区间预测的上、下限值,实现对全网负荷的区间预测。最后基于某省实际数据构造的算例表明,通过深入分析不同类型负荷的波动性,本文所提出的方法能实现预测准确性和区间宽度的整体最优,在保证相同的预测精度的前提下,减少区间宽度,提高负荷区间预测结果的实用性。     

基于深度学习的环网柜局部放电信号特征识别

由于制造工艺和现场环境的影响,环网柜运行时会存在局部放电的现象。为深入研究局部放电的类型,提出了一种局部放电信号的特征识别方法。首先,搭建了电晕放电、沿面放电、悬浮放电3种放电模型的实验平台,采集了大量实验数据;然后,结合边际谱和卷积神经网络（convolutional neural networks, CNN）,通过模型参数寻优的方法建立了神经网络训练模型,开展了不同局部放电信号的特征识别研究;最后,与传统的特征识别方法进行了对比研究。研究结果表明：相对于VGG(visual geometry group)Net和AlexNet,ResNet34网络模型识别的准确率最高;边际谱图像提高了典型局部放电信号的辨识度,所提方法的准确率高达97%,明显优于CNN和支持向量机（support vector machine, SVM）。所提方法可为环网柜局部放电信号的研究提供技术支撑。