基于蜂群算法的移动agent迁移策略研究*

旅行agent问题是一个复杂的组合优化问题,在于解决保证agent在不同主机间移动时如何根据任务情况规划路线,实现在完成任务时间最短的路线上迁移。采用进化算法的搜索求解具有启发性强、鲁棒性强的特点,但也面临着陷于局部最优解,导致agent在迁移过程中整体任务完成效率降低等问题。提出了一种基于蜂群算法的agent迁移模型,将agent划分为侦察、引领和跟随三种角色,agent通过彼此间的信息互换,在群体迁移的过程中同时实施新路径的发现和调整。实验结果表明,该算法可以很好地实现目标寻径效率,与经典蚁群算法相比     

基于混沌微粒群算法的文本分类研究*

针对中文文本分类问题,将其用于分类规则的抽取。为了避免微粒群算法在全局优化中陷入局部极值,利用混沌运动遍历性、随机性等特点,对标准微粒群算法进行了改进,提出了基于混沌微粒群算法的文本自动分类方法。仿真实验表明本算法对文档进行分类是一种比较可行的分类方法,分类精度高、速度快。     

不平衡数据集上的文本分类特征选择新方法*

为了有效消除声发射信号中的噪声,将广义S变换滤波方法应用于声发射信号去噪,分别采用广义S变换中的充零法、基于带通滤波器设计滤波算子法以及时频滤波法进行滤波比较,针对信号的不同时频特性设计了相应的时频滤波算子。结果表明,基于S变换的三种时频滤波法对声发射信号的去噪均有较好的效果,克服了传统滤波方法滤波因子不能随时间、频率变化而变化的缺陷。其中时频滤波法在高信噪比和低信噪比情况下都能更好地去除噪声,可以满足信号处理的要求。     

高职《机械基础》课程项目教学初探

按照以工作过程为导向、以学生职业能力培养为核心的原则,采用项目教学法,将《机械基础》传统的知识体系进行整合,以＂机械结构的测绘、分析与设计＂为主线,设计项目,重构教学内容。     

离散零空间算法在机织物仿真中的应用

针对机织物卡尔丹角多体模型维数较高,计算效率不理想的问题,提出采用离散零空间算法降低多体动力学方程维数,减少计算复杂度和约束违约所导致的数值漂移.首先结合离散零空间等效变换消去拉格朗日乘子项,然后进行结点参数化,实现两次系统降维,提高机织物仿真速度.通过KES剪切试验与仿真,验证了上述算法应用的可行性.通过仿真计算复杂度及效率特征指标对比,反映出优化方程的降维优势和计算高效,尤其适用于大型织物仿真.     

网络隐写信息传递系统的高效攻击检测

在网络隐写信息的攻击检测中,为了保护数据的隐私,需要加入大量伪装隐私对数据本质特征进行隐藏,使得被攻击后的攻击特征也被覆盖,导致特征淡化.传统的攻击检测几乎都是对固定攻击特征进行检测,无法检测隐写信息的安全.提出利用多层次加权模型的网络隐写信息传递系统攻击检测方法.搜索网络隐写信息传递中的可能攻击事件,针对搜集的攻击事件进行建模,获取信息隐藏状态下,遭受攻击的衡量标准,建立网络隐写信息传递系统攻击数据集合,得到攻击检测模型,实现网络隐写信息传递系统的攻击检测.实验结果表明,利用改进算法进行网络隐写信息传递系统的攻击检测,能够提高检测的准确性.     

煤炭漏斗车装卸载过程仿真

煤炭漏斗车端、侧墙侧压力是车体静强度校核中的重要作用载荷.运用离散单元法,建立煤炭漏斗车仿真模型,对装卸载过程中车体所受的侧压力进行了仿真分析,并对车体内部的压力场和速度场的分布情况进行了分析.仿真结果表明,装载平衡后,端、侧墙侧压力沿墙高呈非线性分布;卸载过程中,侧墙侧压力呈现明显的波动变化.研究结果说明,离散单元法用于模拟和分析漏斗车车体压力及散粒体流动规律是可行的.仿真结果对漏斗车车体结构的研发具有一定的现实指导意义.     

MS-DOC文件文本提取研究

关键词搜索广泛应用于情报分析、搜索引擎和计算机取证,对MS DOC文件进行关键词搜索可能漏判,明明存在的关键词却找不到。微软复合文档结构由一系列流组成,流以扇区为单位存储,通过目录结构和扇区分配表对流及其存储空间进行管理。MS DOC文件中的文本存储在WordDocument流中,文本存储不一定连续,通过Table流记录分块情况。关键词可能跨越不相邻扇区,即使在相邻扇区,一个关键词可能一部分是压缩存储,另一部分是非压缩存储,这些都是关键词搜索漏判的原因。根据Table流中的分块信息提取WordDocument流中的文本,并统一编码格式,进而进行关键词搜索,就可以避免漏判。     

非接触式里程表传感器检测工装的设计

里程表传感器是将车速表和里程计连接在一根驱动轴上,既能指示汽车的行驶速度又能记录汽车的行驶距离。非接触式里程表传感器检测工装,通过触摸屏输入不同的转速信息传送到PLC,伺服控制器接收PLC输出的脉冲信号后进行运算处理,来驱动伺服电机工作,此时测速元件就会测量出伺服电机的转速,将转速信息通过反馈元件传递给伺服控制器,这样构成了一个可以使转速稳定的闭环系统,完成里程表传感器质量的检测。     

A small samples training framework for deep Learning-based automatic information extraction: Case study of construction accident news reports analysis

Knowledge management is crucial for construction safety management. Widely collected and well-organized safety-related documents are recognized to be significant in raising the workers' security awareness and then to prevent hazards and accidents. To improve document processing efficiency, automatic information extraction plays an important role. However, currently, automatic information extraction modeling requires large scale training datasets. It is a big challenge for the engineering industry, especially for the fields which heavily rely on the experts’ knowledge. Limited data sources, and high time and labor costs make it not practical to establish a large-scale dataset. This work proposed a natural language data augmentation-based small samples training framework for automatic information extraction modeling. With the designed cross combination-based text data augmentation algorithm, the deep neural network can be employed to build up automatic information extraction models without large-scale raw data and manual annotations. Characters semantic coding is employed to avoid word segmentation and make sure that the framework can be utilized in different writing language systems. The BiLSTM-CRF model is adopted as the detection core to conduct character classification. Through a case study of two independent accident news report datasets analysis, the proposed framework has been validated. A reliable and robust automatic information extraction model can be established, even though with small samples training.