基于 Agent 的井下透水事故逃生模型研究

为探讨井下发生透水事故时矿工逃生的可能性和成功逃生的比率,帮助矿工在复杂的井下环境和突发事故中准确选择逃生路线,建立了基于 Agent 的井下透水事故逃生模型.通过对井下人员在灾害中的生理和心理的需求进行分析,提取出了模型的运行规则.利用 RePast 软件建模仿真矿工的逃生行为,随机地生成逃生路线.模型运行结果表明:在井下发生透水事故时,利用模型生成的逃生路线能够有效降低井下人员的死亡率,帮助 Agent 安全逃生.     

基于本体的构件聚类研究

为了消除自然语言对构件文本信息描述的二义性以及增强术语间的语义关系,文中采用领域本体的思想,给出了一个基于人工智能领域本体的软件构件聚类模型和基于该模型的聚类算法。该模型通过分析领域的共同概念,形成领域本体知识库,提供领域内一致认可的术语,用于匹配对构件文本描述所使用的自然语言。给出的算法通过与基于传统空间向量的K—Means算法分析比较,验证了该算法是有效的,实现了对软件构件更合理的聚类,提高了构件检索的效率和准确性。     

基于Agent的井下透水事故逃生模型研究

为探讨井下发生透水事故时矿工逃生的可能性和成功逃生的比率,帮助矿工在复杂的井下环境和突发事故中准确选择逃生路线,建立了基于Agent的井下透水事故逃生模型。通过对井下人员在灾害中的生理和心理的需求进行分析,提取出了模型的运行规则。利用RePast软件建模仿真矿工的逃生行为,随机地生成逃生路线。模型运行结果表明：在井下发生透水事故时,利用模型生成的逃生路线能够有效降低井下人员的死亡率,帮助Agent安全逃生。     

基于社会力的井下逃生矿工疏散模型研究

针对井下逃生人流的特性,运用博弈理论模拟矿工逃生人流间的复杂交互关系,并通过社会力方程,给出了自驱动力、矿工与矿工群体的相互作用力、矿工和障碍物的相互作用力方程,进而量化了收益矩阵,引入了损益比、视野概念,建立了井下矿工逃生模型,并进行模拟分析。该模型的提出和研究结果,将为进一步完善井下逃生人流疏散研究以及相关研究起到积极的作用。     

煤矿安全隐患信息自动分类方法

人工分类方式难以满足海量煤矿安全隐患信息的分类要求,而基于概率统计的文本自动分类方法分类准确率较低。针对上述问题,提出了一种基于Word2vec和卷积神经网络的煤矿安全隐患信息自动分类方法。首先对隐患信息进行分词、去停用词等预处理,然后应用Word2vec来表征词之间的语义相似性关系,最后利用卷积神经网络提取隐患信息的局部上下文高层特征,并使用Softmax分类器实现隐患信息的自动分类。实验结果表明,该方法实现了端到端的自动分类,可有效提升分类的准确性和全面性。     

基于暗原色先验的煤矿井下图像增强技术

针对现有煤矿井下图像模糊增强算法不能应对井下浓雾情况且处理后的图像较模糊的问题,提出一种基于暗原色先验的煤矿井下图像增强技术,通过线性模糊化函数来达到图像增强的目的,并使用暗原色先验理论来增强图像的对比度,同时去雾尘。实验结果表明,基于暗原色先验的煤矿井下图像增强技术可提高煤矿井下图像的可视性,同时明显增强图像的对比度。     

基于胶囊网络的智能交通标志识别方法

针对卷积神经网络的标量神经元无法表达特征位置信息,对复杂的车辆行驶环境适应性差,导致交通标志识别率低的问题,提出一种基于胶囊网络的智能交通标志识别方法。首先采用超深度卷积神经网络改进特征提取部分,然后在主胶囊层引入池化层,最后采用移动指数平均法改进了动态路由算法。在GTSRB数据集上的测试结果表明,改进后的胶囊网络方法在特殊场景下的识别精度提高了10.02个百分点,相对于传统的卷积神经网络,该方法的单张图片的识别时间缩短了2.09 ms。实验结果表明,改进后的胶囊网络方法能满足准确、实时的交通标志识别要求。     

基于DTGA-BP组合模型的区域创新能力评价

以实现科学、准确、可操作的区域自主创新能力评估分类为目标,提出一种基于决策树遗传算法和BP神经网络的组合模型（Decision Tree Genetic Algorithm and Back Propagation,DTGA-BP）.利用决策树对评估指标进行特征选择并通过优化隐藏层神经元数目对神经网络的结构进行改进;采用非线性的交叉变异概率值的遗传操作结合一种新的选择算子方式优化BP神经网络的初始权重与阈值.实验结果表明,组合模型的评估结果相比传统的主观赋值法更为科学准确;较单一BP神经网络模型和GA-BP模型在分类精度方面分别提高了41%和20%.     

一种基于情感特征的短文本分类方法

With the emergence of a large amount of short texts, using short text classification technology to mine a large amount of effective information in short text has become a hot topic of research. For the feature selection method in the current classification process, which only considers the word frequency, and the short text is short in length and sparse keywords, the paper proposes a short text classification method based on emotional features, combined with TF-IDF, the weight of the feature words is modified with the 〖JP2〗sentiment dictionary, which can effectively improve the weight of the feature words with distinguishing ability, and avoid the problem of low accuracy caused by traditional methods which do not consider emotion but only word frequency. Using the Chinese corpus of teacher Tan Songbo for short text classification, through comparative experiments, the effectiveness of the method is verified.     

LSTM网络模型在Web服务器资源消耗预测中的应用研究

如何能够准确地对软件老化趋势进行预测,并及时采取相应恢复策略是当前预防软件老化的一个关键问题.为此,针对老化数据的时序特性,以循环神经网络（Recurrent Neural Network,RNN）及其变种长短时记忆单元（Long Short-Term Memory,LSTM）结构为基础,设计了一种基于LSTM网络的软件老化资源预测方法,并通过应用加速寿命测试实验搭建老化测试平台,对Web服务器因内存泄漏引起的老化现象进行建模和预测.实验结果表明,LSTM老化预测模型在处理Web软件老化的时间序列建模问题上,具有很强的适用性和更高的准确性,能有效提高软件系统的可靠性和可用性.