基于数据生命周期管理的ARP系统优化设计

随着管理信息化系统中业务数据量的日益增加,使得系统性能下降和物理磁盘空间的增长。本文介绍了一种数据生命周期管理解决方案ADLM(Academia Resource Planning System Data Lifecycle Manage,简称ADLM),在不增加硬件成本情况下,使用程序控制方法,达到系统性能优化和实现历史数据归档保存的目的。主要解决了具有时间周期特性的业务数据的分类管理、在线归档、离线存储等问题,对业务数据归档策略、分级存储实现和归档数据查询等关键问题进行了分析,最后通过实际应用,证明本技术方案可以方便快捷地实现业务处理性能的提升和对磁盘空间使用需求无限增长的有效控制。     

基于动态计量经济学模型的短期电价预测

电力市场中的电价受众多因素影响,单变量时间序列法已很难提高短期电价的预测精度。针对该问题,文中运用时间序列模型的动态计量方法来预测短期电价。首先建立电价和电量的一般自回归分布滞后模型;然后对电价和电量的时间序列数据进行预处理;在通过平稳性和协整性检验后,建立误差修正模型,最终由Eviews 5.0估计出模型的参数。利用此模型对澳大利亚新南威尔士州电力市场的短期电价进行预测,结果表明此模型具有较高的预测精度。     

基于深度学习的木材缺陷图像的识别与定位

传统的木材缺陷定位方法主要有物理设备检测和传统计算机技术检测,但这两种方法均存在数据收集困难、高度依赖数据本身等问题,不适用于实际生产。本文提出一种基于深度学习的自动缺陷定位模型（Automatic defect location model, ADLM）,包含单缺陷定位模型（Single defect location model, SDLM）与多缺陷定位模型（Multi-defect location model, MDLM）,满足不同需求。模型使用MobileNet作为骨干网,只需少量数据集进行训练。在公开数据集Wood Defect Database中,该模型可获得86.1%的缺陷识别率。在单缺陷数据集中,该模型可获得97.5%的定位精确率。在多缺陷数据集中,该模型可获得90.0%的定位精确率。与传统的木材缺陷识别模型相比,基于深度学习的自动缺陷定位模型无须前期人工提取特征,具有检测速度更快、精准度更高以及适用性更广等优点。