橡胶冷喂料挤出机螺杆参数与机头压力实用数学模型的研究

运用正交回归试验方法，在Φ橡胶冷喂料挤出机实验台上，研究了螺杆主要参数（长径比，螺旋角，螺槽深度，螺杆几何压缩比）及主要挤出工艺、物性参数（螺杆转速、机头口型，胶料种类）对橡胶冷喂料挤出机机头压力的影响。对各实验因素及实验结果做了统计分析，确定了上述各因素对冷喂挤出机机头压力影响的显著因素，得出了机头压力与螺杆及工艺、物性参数之间的定量计算数学模型。     

采用支持向量回归抑制噪声的经验模态分解方法

在实际信号分解中,经验模态分解（ EMD）是对噪声敏感的,往往会分离出一些虚假的本征模函数,对信号的分析产生一定影响。为了提高EMD分解的正确率,减少其出现虚假本征模函数的情况,文中提出了一种基于支持向量回归（ SVR）的去噪方法。先对一次EMD分解结果进行SVR逐层滤波并且对信号进行重组,然后利用EMD方法对重组信号进行二次分解。实验表明,二次分解结果已经非常接近于理想的分解结果,不会出现虚假IMF。这种分解方法对噪声不敏感,能有效提高EMD方法对噪声的容忍度。     

应用于临床生存时间预测的二次学习算法研究

生存时间预测在医学、经济和工程等领域有着广泛的应用。随着机器学习技术和数据挖掘技术的发展和广泛应用,研究人员提出了很多基于机器学习技术的生存时间预测算法。这些算法虽然都取得了良好的效果,但预测精度均有提升的空间。因此,提出了一种基于二次学习风范的生存时间预测算法,并结合最近邻算法在截尾样本估计上的应用以及支持向量机在泛化性能上的优势,实现了对临床生存时间的建模。实验结果表明,该算法能够获取精确的生存时间,且具有预测精度上的性能优势。     

线性回归和BP神经网络在噪声监测中的应用

噪声监测系统能够自动测量噪声分贝值,并实时处理系统监测到的各种声音环境信息,但是在噪声监测系统的实际应用中,噪声的分贝值受到温度、湿度和大气压力等多个因素影响,与实际值存在误差.为了提高噪声的测量精度,必须使用相关技术进行校正,系统采用了线性回归和BP神经网络技术,研究了预测模型的因素和系数,分析了模型中因素的相关性,获得了噪声监测的自动校正模型.从线性回归和BP神经网络自动校正数据的测试效果看,优化了测量数据的容错性并改进了数据校正的精度,使预测模型的判定系数R2的值有了较大提升.     

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.     

基于部分加权损失函数的RefineDet

针对目标检测网络单阶改进目标检测器（RefineDet）对类间不平衡数据集中小样本类别检测性能差的问题,提出一种部分加权损失函数SWLoss。首先,以每个训练批量中不同类别样本数量的倒数作为启发式的类间样本平衡因子,对分类损失中的不同类别进行加权,从而提高对小样本类别学习的关注程度;然后引入多任务平衡因子对分类损失和回归损失进行加权,缩小两个任务学习速率的差异;最后,在目标类别样本数量存在大幅差异的Pascal VOC 2007数据集和点阵字符数据集上进行实验。结果表明,与原始RefineDet相比,基于SWLoss的RefineDet明显提高了小样本类别的检测精度,它在两个数据集上的平均精度均值（mAP）分别提高了1.01、9.86个百分点;与基于损失平衡函数和加权成对损失的RefineDet相比,基于SWLoss的RefineDet在两个数据集上的mAP分别提高了0.68、4.73和0.49、1.48个百分点。     

基于径向基函数的多目标回归特征构建算法

多目标回归（MTR）是一种针对单个样本同时具有多个连续型输出的回归问题。现有的多目标回归算法都基于同一个特征空间学习回归模型,而忽略了各输出目标本身的特殊性质。针对这一问题,提出基于径向基函数的多目标回归特征构建算法。首先,将各目标的输出作为额外的特征对各输出目标进行聚类,根据聚类中心在原始特征空间构成了目标特定特征空间的基;然后,通过径向基函数将原始特征空间映射到目标特定特征空间,构造目标特定的特征,并基于这些目标特定特征构建各输出目标的基回归模型;最后,用基回归模型的输出组成隐藏空间,采用低秩学习算法在其中发掘和利用输出目标之间的关联。在18个多目标回归数据集上进行实验,并把所提算法与层叠单目标回归（SST）、回归器链集成（ERC）、多层、多目标回归（MMR）等经典的多目标回归算法进行对比,结果表明所提算法在14个数据集上都取得了最好的性能,并且在18个数据集上的平均性能排序居第一位。可见所提算法构建的目标特定特征能够提高各输出目标的预测准确性,并结合低秩学习得到输出目标间的关联性以从整体上提升多目标回归的预测性能。     

正则稀疏化的多因子量化选股策略

针对高维度数据集特征之间的复杂性,而传统的L1惩罚项不满足Oracle性质的无偏性,将逻辑回归弹性网（LR-Elastic Net）中的L1惩罚项替换为SCAD（Smoothly Clipped Absolute Deviation）和MCP（Minimax Concave Penalty）惩罚项,分别构建了LR-SCAD和LR-MCP模型,在保留稀疏性的同时满足了无偏性,并利用ADMM（Alternating Direction Method of Multipliers）算法进行求解。通过模拟实验发现,LR-Elastic Net模型能很好地处理特征存在相关性的小样本数据,而LR-SCAD和LR-MCP模型在特征存在相关性的大样本数据中表现较好;建立LR-Elastic Net、LR-SCAD和LR-MCP策略,并应用于沪深300指数成分股数据。回测结果显示,LR-SCAD和LR-MCP策略在股票相关性很强的数据中比LR-Elastic Net策略表现更好。     

基于可拓表征与神经网络的苗族图案设计

针对苗族图案的文化传承及设计应用问题,提出基于可拓表征和神经网络的民族图案创新设计方法,对苗族蜡染图案进行解构、映射和重构.首先对苗族蜡染图案进行可拓表征,运用发散树法构建设计生长阶段模型对苗族图案基元进行拓展分析.其次基于感性工学对苗族蜡染图案进行感性意象分析,提出一种面向图案构型、纹样语义和种类的图案解构方法,构建图案特征要素解构空间和情感意象认知空间.运用神经网络构建感性预测模型根据用户意象偏好推荐图案构型等设计要素,对设计思维进行收敛,并与线性回归预测模型进行对比验证其优势性.最后根据神经网络感性预测模型推荐的特征要素应用形状文法对苗族蜡染图案进行细化设计.以苗族蜡染图案为例,验证该方法的可行性,为其他民族图案的解构及创新设计提供参考.     

Determining node duty cycle using Q-learning and linear regression for WSN

Wireless sensor network(WSN)is effective for monitoring the target environment,which consists of a large number of sensor nodes of limited energy.An efficient medium access control(MAC)protocol is thus imperative to maximize the energy efficiency and performance of WSN.The most existing MAC protocols are based on the scheduling of sleep and active period of the nodes,and do not consider the relationship between the load condition and performance.In this paper a novel scheme is proposed to properly determine the duty cycle of the WSN nodes according to the load,which employs the Q-leaming technique and function approximation with linear regression.This allows low-latency energy-efficient scheduling for a wide range of traffic conditions,and effectively overcomes the limitation of Q-learning with the problem of continuous state-action space.NS3 simulation reveals that the proposed scheme significantly improves the throughput,latency,and energy efficiency compared to the existing fully active scheme and S-MAC.