基于自动化采煤设备定位系统应用研究

介绍了一种基于雷达的长壁采煤机械定位系统,该系统基于雷达测距传感器,用于确定采矿设备相对于矿山煤巷基础设施的位置,通过试验验证了使用雷达传感器进行定位的合理性。为了从单个雷达信号中估计两个关键的定位参数,即沿轨位置和跨轨位置,研究了几种概率数据处理技术,对于跨轨位置,传统的卡尔曼滤波方法足以实现可靠的估计,对于沿轨位置估计,必须通过跟踪算法来识别煤巷肋墙上的特定基础设施元素,我们在三维交互显示中探索了一种新的可视化分析方法以方便识别重要特征用于分类器算法,基于分类器的输出,使用已识别的元素作为位置路径点,可以提供一个稳定和准确的采矿设备定位估计。     

基于机器学习和心率变异性的经皮耳迷走神经电刺激疼痛阈值预测

经皮耳迷走神经电刺激（taVNS）作为新兴的精神和心血管疾病的治疗方法,其刺激强度设置需要将刺激电流调整至疼痛阈值后再降低其幅值。该设置方式不仅缺乏一致性,且影响治疗效果和舒适度。本文提出了一种结合心率变异性（HRV）特征和机器学习回归模型的新方法,实现了taVNS疼痛阈值的预测。基于实验采集的数据,系统的比较了将HRV特征作为各种机器学习模型输入的预测精度。结果表明,HRV特征与极端随机树的组合性能最优,使用遗传算法去除冗余特征能够有效改善模型预测性能,均方根误差在1.18到1.56之间,均方差在0.77到0.96之间。该方法可用于不同个体的taVNS刺激强度的预测,对受试者在taVNS期间的治疗效果有积极作用。     

基于残差网络和注意力机制的步态识别算法

针对现有行人步态数据集样本较少、多特征融合复杂且识别精准度不高的问题,提出了一种基于残差网络和注意力机制的步态识别算法。首先对每种特征制作标签,然后将表示不同特征的标签做拼接,达到识别多特征的目的。通过迁移ResNet18的预训练模型,并在ResNet18网络第一个和最后一个卷积层后面加入注意力机制,能够加速网络的收敛,提升模型的精准率。〖JP3〗在CASIA-B数据集上进行多次实验,结果表明所提出方法能准确识别行人、状态和不同角度三种步态特征,识别的精准率为97.6%。     

基于时空特征的多模型网络流量短期预测方法

网络流量短期预测由于其波动性大,突发性强,采样随机性高等特点一直是研究人员重点关注的课题之一,其对于网络调度,异常预警等网络规划工作具有重要的指导作用。从网络短期流量的时间周期性和空间关联性入手,对原始短期流量数据进行时空特征维度构造,并使用长短期记忆LSTM和LightGBM决策树对未来不同采样时刻的流量进行预测,最终在多个数据集的实验中达到了良好的预测精度。     

雷达辐射源信号分选研究进展

雷达辐射源信号分选是雷达信号侦察的关键技术之一,同时也是战场态势感知的重要环节。该文系统梳理了雷达辐射源信号分选的主流技术,从基于脉间调制特征、基于脉内调制特征、基于机器学习的雷达辐射源信号分选3个角度阐述了目前雷达辐射源信号分选工作的主要研究方向及进展,并重点阐释了基于深度神经网络、数据流聚类等最新分选技术的原理与特点。最后,对现有雷达辐射源信号分选技术的不足进行了总结并对未来趋势进行了预测。      

基于历史梯度平均方差缩减的协同参数更新方法

随机梯度下降算法(SGD)随机使用一个样本估计梯度,造成较大的方差,使机器学习模型收敛减慢且训练不稳定。该文提出一种基于方差缩减的分布式SGD,命名为DisSAGD。该方法采用历史梯度平均方差缩减来更新机器学习模型中的参数,不需要完全梯度计算或额外存储,而是通过使用异步通信协议来共享跨节点的参数。为了解决全局参数分发存在的“更新滞后”问题,该文采用具有加速因子的学习速率和自适应采样策略：一方面当参数偏离最优值时,增大加速因子,加快收敛速度;另一方面,当一个工作节点比其他工作节点快时,为下一次迭代采样更多样本,使工作节点有更多时间来计算局部梯度。实验表明：DisSAGD显著减少了循环迭代的等待时间,加速了算法的收敛,其收敛速度比对照方法更快,在分布式集群中可以获得近似线性的加速。     

利用社区选举和链路预测的分类方法

分类方法通过比较数据之间的相似性,把不同特征或属性的数据分别归属到不同的类别,在金融、医学和生物等领域有着广泛的应用.本文首次提出了一种利用社区选举和链路预测的分类方法(CCELP),该方法首先用k近邻算法将数据集转化成一个稀疏网络,接着使用社区检测算法把网络划分为多个社区,并通过投票选举得到每个社区的代表节点,移除不符合“过半数原则”的部分代表节点,将剩余代表节点同社区内节点相连得到新网络;接着提出了考虑二级共同邻居的分类链路预测(CLP)指标,在新网络中按照节点和代表节点间的CLP指标把节点归属到不同的类别中去,从而完成数据分类.在16个数据集上,CCELP与8种知名分类方法进行了比较,实验结果表明CCELP具有优异的分类效果.     

一种深度回声状态网络的输入尺度自适应算法

深度回声状态网络是回声状态网络与深度学习思想的结合,合理选取不同谱半径的内部状态矩阵和弱积分参数能有效增强深度回声状态网络的多尺度时域特性。利用数据可视化分析输出矩阵在不同网络层中的分布关系,发现高层网络中部分神经元处于饱和工作状态且该状态抑制了网络动态预测能力。提出一种深度回声状态网络的输入矩阵自适应算法,在对网络内部状态的均值和方差进行递推估计的基础上判断神经元饱和状态,通过自适应调整各层输入权重的值来增强神经元动态性。数值计算结果表明,基于输入尺度自适应算法的深度回声状态网络相对同等规模的单层回声状态网络对于动态系统的预测精度有成倍提升。