利用机器学习方法对灾难生命支持课程NDLS培训效果进行分析预测#br#

2019年底新型冠状病毒(2019-nCoV)肺炎疫情爆发,疫情使人们更加认识到应急救援队伍建设和相关人才培养的重要性。本文以2018—2019年间参加灾难生命支持课程(National Disaster Life Support, NDLS)培训的学员数据为研究对象,利用非监督和监督2种机器学习方法相结合的方式,分析NDLS培训效果的影响因素,帮助培训组织对学员的培训效果进行有效预判,从而提前干预,提高培训质量。首先运用Apriori算法找出若干个对培训效果影响较大的因素,然后用决策树模型对培训效果进行预测,并利用决策树分析的结果验证关联分析的结论。以置信度、支持度及提升度等参数作为Apriori关联规则的评价指标。用十折交叉验证作为决策树预测模型评估的方法。结果显示模型效果良好,其结果可以帮助培训组织对学员的学习效果进行有效预判、监控并保证培训质量。     

基于RCMDE与极限学习机的滚动轴承故障诊断

针对滚动轴承故障信号识别率低的情况,提出一种基于精细复合多尺度离散熵（RCMDE）与极限学习机（ELM）的故障诊断方法。首先,从原始振动信号中提取20个尺度的精细复合多尺度离散熵并以此构建故障特征集,然后利用ELM对其进行故障种类识别。通过凯斯西储大学的轴承数据验证提出方法的有效性,最后将提出方法与MPE-ELM进行对比。对比结果说明提出的故障诊断方法具有更高的分类精度。