基于高级Petri网的住院医师培训工作流建模与分析

为了实现住院医师培训系统协调并发运行、工作流程顺畅无误运转,提出一种基于着色高级Petri网与跨组织Petri网技术相结合的综合建模方法.针对跨组织模型结构,通过分级验证法验证模型性能,即采用不变量验证法验证组织内活性,采用归约可达图法验证组织间关联关系的可达性.利用不变量法和归约可达图验证法可确保组织内部和组织间无死锁,采用着色跨组织方法构建的模型适应于住院医师培训系统多角色和并发性的特点,提高了系统的实用性和高效性.     

可信性空间上基于复模糊变量的学习理论的关键定理

给出了可信性测度空间上复模糊变量定义及一些性质;给出了复模糊变量的经验风险泛函、期望风险泛函以及经验风险最小化原则严格一致收敛的定义。在此基础上给出并证明了基于复模糊变量的学习理论的关键定理,为系统建立可信性空间上的复统计学习理论奠定了理论基础。     

3051S MultiVariable~(TM)无线压力变送器

正艾默生过程管理推出了罗斯蒙特3051S MultiVariableTM无线压力变送器,其设计理念为在单个装置中直接测量两个过程变量,以便用户可更深入地观察其过程,且无需增加安装成本。采用罗斯蒙特3051S MultiVariableTM无线压力变送器,用户可简化安装和日常维护。因为该变送器可测量差压和静态压力,用户可减少管道贯穿和导压管及其相关成本。静压传感器可选择真实表压或绝压输出,以减少维护和校准成本。     

XM-270/20/40密炼机的使用和改进情况

根据XM-270/20/40密炼机在使用中存在的问题,对该机的液压系统,干油润滑系统、炭黑投料装置、冷却系统,温控能控记录仪等作了一些改进,使该机性能更加完善,满足了工艺要求。指出了使用中应注意的问题和建议。     

复合塔板的流体力学特性(Ⅱ) 操作变量和液体物性对塔板流体力学特性的影响

在前文工作的基础上进一步研究了同时具备大孔径和高开孔率条件的复合塔板 ,研究了操作变量和流体的物理性质对该复合塔板流体力学性能的影响 .结果表明 :液体的密度增加 ,塔板压降增加 ,漏液量增加 ;黏度增加 ,塔板压降降低 ;表面张力减小 ,漏液点速度上升 ,雾沫夹带增大 ,液泛速度下降.     

一种使用小波矩的飞行器目标识别方法

为了在自动识别中提高分类准确率,利用小波的多分辨特性对飞行器图像进行特征提取,并对图像进行径向小波变换,得到可分辨的小波矩.为保证数字图像从笛卡尔坐标系变换到极坐标系的精度,将原图像扩大64倍,并使用三次B样条小波矩、Haar小波矩和Zernike矩分别提取两组图像的特征向量,得到的分离度标准差由使用Zernike矩的0.584提高到使用三次B样条小波矩的0.158.表明三次B样条小波矩可以有效提高分类准确率.     

神经网络在特征价格模型中的应用

为解决函数形式多样性而导致的结果不确定性问题,将神经网络应用于特征价格模型中.基于所采集的西安市房地产信息,利用神经网络理论,在Matlab软件中输入特征变量信息,选用带有动量法和自适用学习率的改进算法对神经网络进行训练,直接输出有效的预测价格结果.与特征价格模型常用的四种函数形式所得出的结果进行比较,验证了神经网络在预测能力上具有相对的稳定性和精确性.     

基于支持向量机的边坡稳定性系数预测及变量分析

边坡稳定性研究对于地质灾害的防治尤为重要,为了研究不同机器学习模型的边坡稳定性预测效果,以边坡稳定性系数为预测对象,选择重度、黏聚力、内摩擦角、边坡高度、坡角、孔隙压力比为输入变量,建立了基于支持向量机（ＳＶＲ）的边坡稳定性系数预测模型。研究了不同核函数对 ＳＶＲ模型预测结果的影响,对比了 ＳＶＲ模型与极限学习机（ＥＬＭ）模型、ＢＰ神经网络模型的预测效果,分析了各输入变量对 ＳＶＲ模型与 ＥＬＭ模型预测性能的影响。结果表明:基于 ＳＶＲ的边坡稳定性系数预测模型的预测效果较好,其中采用了 ＲＢＦ核函数的 ＳＶＲ模型预测效果较好,平均绝对误差为 8．10％,均方根误差为 0．034;输入变量对 ＳＶＲ模型与 ＥＬＭ模型的影响较大,剔除各变量后 ＳＶＲ模型预测结果的均方根误差变化小于 0．02,因此本文建立的 ＳＶＲ模型具有更好的稳定性。     

基于M次不相关激励和汇总智能优化的多变量系统辨识方法

针对用单批次激励试验数据进行多变量系统的智能辨识的不准问题,提出了一套基于M次不相关激励和汇总智能优化的多变量系统辨识方法.该方法的要点是:对于有M维输入的多变量系统的准确辨识至少需要M次不相关激励试验,然后采集试验数据,再用汇总智能优化指标进行多变量系统模型的辨识计算.通过理论推导证明了多变量系统辨识需要M次的不相关激励试验的必要性.通过一个应用实例验算,演示了新的多变量系统辨识方法的易用性、正确性和工程实用性.     

基于自主学习与SCAD-Net正则化的回归模型

众多基因生物标志物选择方法常因研究样本较少而不能直接用于临床诊断.于是有学者提出整合不同基因表达数据同时保留生物信息完整性的方法.然而,由于存在批量效应,导致直接整合不同基因表达数据可能会增加新的系统误差.针对上述问题,提出一个融合自主学习与SCAD-Net正则化的分析框架.一方面,自主学习方法能够先从低噪声样本中学习出基础模型,然后再通过高噪声样本学习使得模型更加稳健,从而避免批量效应;另一方面,SCAD-Net正则化融合了基因表达数据与基因间的交互信息,可以实现更好的特征选择效果.不同情形下的模拟数据以及在乳腺癌细胞系数据集上的结果表明,基于自主学习与SCAD-Net正则化的回归模型在处理高维复杂网络数据集时具有更好的预测效果.