基于计算智能和信息熵的故障组合预测研究

针对单项预测方法鲁棒性弱和稳定性差的不足,研究了一种基于计算智能和信息熵的故障组合预测方法.利用粗糙集、遗传算法、免疫算法改进基本神经网络的神经元结构、权重计算方法和隐含层激励函数,构造了融合各项算法特长的计算智能方法,实现了电子设备特征参数的退化趋势预测;基于信息熵理论,采用多准则评价对前述单项预测方法进行融合,实现了电子设备的故障组合预测.通过跟踪预测实际环境中的设备工作数据,验证了基于计算智能预测的有效性和基于信息熵组合预测的稳定性.     

基于信息熵的工程项目组织的创新决策

为了增强工程项目的自组织与抗风险能力,提高工程项目的组织决策绩效,将工程项目组织决策过程看作对一个耗散结构中的信息熵流动过程,对不同的工程项目组织决策方案建立多维偏好分析的多目标线性规划模型系统,运用理想点法进行工程项目的组织决策.结论是工程项目组织创新决策的机理在于寻求总熵最低的项目组织方案,减少工程项目组织耗散结构中促使系统混乱的正熵流,增加使组织趋于有序的负熵流.     

基于改进粒子群算法的蛋白质结构预测

蛋白质序列结构稳定性对生命体的疾病防治具有十分重要的意义。该文将粒子群算法和禁忌搜索法融合在一起,提出了一种新的蛋白质结构的预测方法。首先,按照粒子群算法求取初始解,避免单纯使用禁忌搜索法对初始解的过度依赖。其次,运用禁忌搜索法构建邻域函数、候选解集、禁忌表和禁忌准则。最后,通过粒子群算法和禁忌搜索法的融合完成蛋白质结构的预测。试验结果表明：对不同长度的4组人工蛋白质序列,该文方法获得了最低的势能值和稳定结构预测结果,效果明显优于其他2种对比方法。     

基于信息熵改进的粒子群算法在桁架结构

提出了信息熵改进的粒子群优化算法用于解决有应力约束、位移约束的桁架结构杆件截面尺寸优化设计问题.首先介绍了信息熵基本理论和基本粒子群优化算法理论,然后对粒子群优化算法作了合理的参数设置,并将信息熵引入粒子群优化算法的适应函数和停机判别准则中.最后对2个经典的优化问题进行求解并与其他算法进行了比较.数据结果表明信息熵改进后的粒子群优化算法在桁架结构优化设计中优于其他同类算法.     

局部开洞的折叠网壳结构表面风压分布研究

为了研究局部开洞的折叠网壳结构表面风压分布,基于流体动力学基本原理,探讨了房屋局部开洞下计算域的选取,计算方法、边界及壁面条件的确定。运用计算流体动力学软件Fluent6.3建立了计算模型,数值模拟得到开洞结构内外表面风压系数等值线的分布。在此基础上,分析了开洞结构房屋在不同风速,不同风向角,不同开洞位置及大小等主要因素下风场的分布规律,并与未开洞结构表面风压分布规律和内压系数估算公式所得到的结果进行了对比,其规律性吻合较好。通过内外表面风压系数,得到净体型系数的分布,提出应用于抗风设计的净体型系数分布表。     

软塑折叠包装容器的生产和技术要求探讨

通过对软塑折叠包装容器技术要求的探讨,找出软塑折叠包装容器关键点,即容器壁厚的均匀,怎样用最少的原料生产出达到国家标准的容器。     

基于信息熵和模糊综合评判的动力电池性能评估

本文将围绕新能源汽车动力电池匹配和分组这一关键科学问题开展研究,建立了基于信息熵和模糊评价矩阵构建动力电池的综合性能评价模型。实验表明该方法可信度和有效性较高,对动力电池组进行状态对比和实时掌握动力电池组的运行状态具有较好的指导意义。     

一种基于局部回归算法的多组分定量分析方法

文章针对复杂样本吸收光谱重叠或组分之间相互作用导致偏离朗伯一比尔定律的问题提出了一种以灰色综合关联度作为样本相似性判据的多组分定量分析局部回归建模方法,主要内容是对校正集样本的光谱曲线与待测样本曲线进行灰色综合关联度分析,然后以最小预测均方根误差原则选择与待测样本属性相近的样本组成校正子集,最后建立基于校正子集的偏最小二乘回归模型。相比马氏距离方法,灰色综合关联度结合了绝对位置差和变化率两方面因素,能够更为全面的反映样本之间的相似程度。建立实验系统将本方法应用于食用色素苋菜红、胭脂红、柠檬黄和日落黄混合溶液的定量分析中,实验结果表明,该方法优于全局建模方法,尤其在光谱响应与浓度之间的非线性响应段预测精度得到了明显的提升。     

基于信息熵与谱有限元法的传感器优化布置

为从测量数据中获得尽可能多信息,减少待识别模型参数的不确定性,提出面向结构模型参数识别的传感器优化布置方法。为避免用静态形函数传统有限元方法建模对结构动力特性及传感器优化布置影响,采用高精确动力学法即谱有限元法对结构进行动力学建模。以结构模型参数识别结果的不确定性最小作为传感器优化布置准则,该不确定性程度通过信息熵标量指标量化,用贝叶斯统计系统识别法进行识别。采用整数编码遗传算法在所有可能的传感器配置组合中极小化信息熵指标,获得给定数目的传感器最优布置位置。通过弹性地基带弹性接头的周期管梁模型数值仿真及模型试验验证所提方法。     

采用均匀局部二元模式及稀疏表示的掌纹识别

针对传统掌纹识别方法易受噪声干扰,且旋转鲁棒性差的问题,提出一种采用均匀局部二元模式(Uniform Local Binary Patterns,ULBP)及稀疏表示的掌纹识别方法。该方法利用善于表达图像纹理特征,且具有良好旋转不变性和抗干扰性的ULBP提取掌纹图像特征;同时考虑到直接对整幅图像进行ULBP处理会丢失局部纹理,采用先对各图像进行分块,再对各块分别进行ULBP处理的特征提取方案。在分类算法的设计上,本文利用掌纹图像库中训练样本的ULBP特征构造过完备字典,通过求解l1范数意义下的最优化问题实现测试样本的稀疏分解,并提出一种基于统计残差平均的稀疏表示分类方法,实现了测试掌纹图像的分类识别。实验结果表明,本文方法不仅具有良好的旋转及噪声鲁棒性,而且总体识别率明显优于基于PCA及2DPCA的传统稀疏表示分类方法,对于包含5 000031 0人的掌纹数据库,识别率分别提高了8.8%和6.8%。     

三维构造矢量模型的栅格表示方法及应用

根据三维空间数据模型的研究现状,提出了一种三维矢量模型的栅格表示方法,该方法采用在二维栅格上记录关键点对的方法来表示三维空间结构,能够表达空间中存在复杂断层的情况。作为这种表示方法的应用,给出了生成属性模型的算法。在栅格模型的基础上构建等时面模型,给出了等时面构建算法的计算公式和算法描述。根据等时面模型和测井数据,给出了生成精确三维属性栅格模型的算法。最后用实例验证了算法的有效性。     

Drug Side-Effect Prediction Using Heterogeneous Features and Bipartite Local Models

Drug side-effects impose massive costs on society, leading to almost one-third drug failure in the drug discovery process. Therefore, early identification of potential side-effects becomes vital to avoid risks and reduce costs. Existing computational methods employ few drug features and predict drug side-effects from either drug side or side-effect side separately. In this work, we explore to predict drug side-effects by combining heterogeneous drug features and employing the bipartite local models (BLMs) which fuse predictions from both the drug side and side-effect side. Specifically, we integrate drug chemical structures, drug interacted proteins and drug associated genes into a unified framework to measure the comprehensive similarity between drugs first. Then, high-quality and balanced training samples are selected for individual drugs and individual side-effects using the designed balanced sample selection framework, based on drug comprehensive similarities and side-effect cosine similarities respectively. Trained with corresponding training samples, BLMs first predict drugs associated with a given side-effect, then predict side-effects for a given drug. This produces two independent predictions for each putative drug-side-effect association which are further combined to give a definitive prediction. The performance of the proposed method was evaluated on side-effect prediction for 901 drugs from DrugBank. Particularly, we performed 5-fold cross-validation experiments on the 742 characterized drugs and independent testing experiment on the 159 uncharacterized drugs. The simulative predictions show that the side-effect prediction performance is significantly improved owing to the integration of information from drug chemical, biological and genomic spaces, the proposed sample selection framework, and the implemented BLMs.     

公交企业运营绩效的信息熵与SE-DEA组合评价方法

提出了基于信息熵与超效率DEA模型(SE-DEA)的公交企业运营绩效组合评价方法,弥补了传统DEA模型无法对多个有效率单元再排序的缺陷,并降低了SE-DEA模型受指标维度影响的风险,进一步提高了其判别能力。以12家公交企业为研究对象,将公交行业监管、公交企业运营服务与乘客出行需求相结合,基于组合评价方法对公交企业运营绩效进行评价,并与SE-DEA模型得到的评价结果进行对比分析。结果表明,公交企业运营绩效值波动较大;组合评价方法所得到的公交企业运营绩效排序结果与SE-DEA模型得到的排序结果在总体趋势上是一致的,但两者测算的运营绩效值相差很大,且前者的判别能力比后者更强。根据评价结果提出可行建议,以便于顺利实施"优先发展公共交通"的战略。     

Numerical Prediction of Eutectic Temperature Using a Multi-phase-Field Model

To evaluate the reliability of metal-carbon eutectic systems as fixed points for the next generation of the international temperature scale, the effect of the eutectic microstructure on the temperature at the solid/liquid (s/l) interface during solidification and melting is preliminarily investigated using a multi-phase-field model. First, the effects of furnace temperature, lamellar spacing, and interface energy on the average temperature of the s/l interface are studied in the solidification process. With increased furnace undercooling, the s/l interface temperature was found to decrease. Calculated eutectic microstructures are then adopted as initial conditions for a melting simulation. The interface undercooling during melting is observed to be smaller than that observed during solidification. This difference in interface undercooling is attributed to the solute/solvent concentration profiles in the liquid phase near the s/l interface being different for melting and solidification.     

基于多变量加权一阶局域混沌预测模型优化及应用

鉴于实际应用中多变量因素对混沌预测的影响,提出了多变量时间序列相空间重构方法,以此为基础建立多变量加权一阶局域混沌预测模型。引入等概率符号化极大联合熵求取延迟时间、最小香农熵法求取嵌入维数,实现多变量混沌预测模型子序列重构;对实际序列采用区间邻近点法确定预测中心点的邻近点,避免产生伪邻近点;最后用关联分析确定观测变量。将该模型应用于短期电力负荷预测,分析气温等影响因素与电力负荷的相关程度,引入气温时间序列作为另一观测变量,实验证明相对于单变量预测方法提高了预测精度。     

一种新的预测蛋白质二级结构的模型-贝叶斯神经网络

提出了一种新的基于贝叶斯神经网络（BNN）的蛋白质二级结构预测方法。计算结果表明,BNN的性能优于反向神经网络（BPNN）,平均Q3精度在四组交叉证实数据集与测试数据集下分别提高了3．65％和4．01％;还提出了一种有效缩短马尔可夫链蒙特卡罗（MCMC）模拟过程中“burn in”阶段的交叉证实初值选取方法。     

基于灰色周期外延的航线客流量区间序列预测模型

为解决无法获取先验分布模式的“贫信息、小样本”航线随机客流量预测问题,提取这类航线客流量时间序列的上、下界信息,并在中间增加一个偏好值,形成包含左界点、中间点和右界点的三元区间数结构的航线客流量表达形式,将三元区间数数据结构转换为左半径、中心及右半径3个独立的时间序列,再利用灰色系统理论建立航线客流量预测模型,并利用周期外延模型对上述模型得出的残差序列进行修正。采用2004—2019年民航客运量数据进行验证分析。结果发现,ARIMA(autoregressive integrated moving average model)模型预测检验的平均绝对百分比误差为6.77%,灰色周期外延模型的平均绝对百分比误差为1.66%,因此后者在短期预测上有较大优势。     

联合整体和局部模态信息钢管焊接结构模型修正

由于焊接结点的复杂性、实际测量的局限性以及误差等因素,钢管焊接结构的模型修正一直是研究的热点和难点问题。对一个发射台骨架进行了整体及局部模态试验,获得了反应结构整体动态特性的低阶模态及局部动态特性的局部模态,并将二者联合起来,采用信赖域优化算法进行模型修正。在优化过程中,通过提出的加权系数可动态改变的多目标函数,在每次迭代完成后可根据目标函数数量级的变化自动调整加权系数,使得模型修正过程能够更加合理有效的利用结构的整体及局部模态信息,达到更好 “联合”。修正后有限元模型的计算模态与实测模态吻合良好,验证了本文方法的有效性和优越性。