基于PU学习的链接预测方法

基于分类的链接预测方法中,由于链接未知节点对的大规模性与不确定性,选择可靠负例成为构造链接预测分类器的难点问题.为此,文中提出基于正例和无标识样本(PU)学习的链接预测方法.首先,提取节点对的拓扑信息以构造样本集.再利用社区结构确定候选负例的分布,基于分布进行多次欠采样,获得多个候选负例子集,集成多个负例集与正例集中构建的分类器选择可靠负例.最后基于正例与可靠负例构造链接预测分类器.在4个网络数据集上的实验表明文中方法预测结果较优.     

样本信息聚集原理改进及其在铁路车辆结构疲劳评定中的应用

疲劳S-N曲线是高速动车组结构设计中最重要的基础数据。降低样本数据的离散性和提高寿命预测的准确性一直是铁路车辆结构长寿命安全可靠服役的热点研究课题,经典的样本信息聚集原理(Sample polymerization principle,SPP)能够确保小样本疲劳数据统计处理的准确性,但在寿命估算的可靠性上还有改进空间。通过参数搜索的优化建立应力与标准差之间的关系,实现不同应力水平下标准差的最优取值,从而提出一种新的基于SPP的概率疲劳S-N曲线拟合方法。研究结果表明,与成组法相比,基于(X-x-x-x)型数据的疲劳P-S-N曲线的斜率和截距的相对误差小于3%,估算寿命仅为成组法5%;在处理(x-x-x-x)型数据时,估算寿命约为传统方法的0.1%。在应用于高速列车焊接结构时,改进方法充分考虑了因焊接缺陷引入的离散性,预测的疲劳寿命更加可靠与合理。由此可见,改进的SPP以及标准差参数寻优技术不仅可以确保小样本数据的拟合精度,而且能够获得更加可靠的疲劳P-S-N曲线,工程应用中得到更保守的预测结果。     

基于优选学习泛化机制的机械臂运动规划方法

针对传统机械臂运动规划方法存在智能化低和适用性差的问题,本文研究了基于优选学习泛化机制的机械臂运动规划方法。根据动态运动基元(DMPS)、机械臂D-H模型和正逆运动学,设计了机械臂示教学习(LFD)运动规划系统。在此基础上依据DMPS的学习特性与样本空间的多样性,提出"方位-距离"筛选规则优选样本,并融入运动特征与障碍物的耦合因子实现避障规划。通过Matlab进行机械臂优选LFD系统建模并仿真分析其可行性与精确性,为了验证系统的适用性,设计并完成障碍物环境下的机械臂避障规划物理实验。本文提出的机械臂运动规划方法在一定程度上赋予了机械臂自主作业的能力,提升了其智能化水平。     

“网络+课堂”翻转大学教学模式的应用研究

翻转课堂给高等教育带来新的教学理念。以概率统计课程为例构建翻转课堂的教学模式,用统计方法检验翻转课堂的教学效果,反思教学改革存在的问题,为翻转课堂的教学实践提供参考。     

四线城市房企违约样本：地价急跌困死开发商

一家县级市房企的债务违约，牵动了政府、银行、企业、媒体乃至公众的敏感神经。经当地政府核查，目前浙江兴润置业投资有限公司（下称“兴润置业”）及关联企业总负债超过35亿元，其中银行贷款24亿元，涉及10多家银行，其中建设银行为主要借款人。浙江省奉化市政府认为，兴润置业及关联企业经营管理混乱，导致资金链条断裂，初步核实已经资不抵债。     

基于t分布的电子装备测试样本选取方法

测试样本选取是装备测试工作的一项重要内容,理想的测试样本是在高置信度的前提下用尽量少的测试次数得到的,要同时兼顾质量和效率。为此,针对电子装备测试的特殊性,运用数理统计的方法,从理论上对样本数量进行了探讨,得到了相应的计算方法,并举例验证该方法有一定的理论价值。     

基于特征融合的小样本目标检测

小样本目标检测旨在通过少量的样本学习来训练目标检测模型，现有的小样本目标检测方法大多基于经典的目标检测算法。在二阶段的检测方法中，由于新类别样本数量少，产生了许多无关的边界框，导致候选区域的准确率较低。为了解决这个问题，提出了一种基于特征融合的小样本目标检测算法FF-FSOD。该方法采用特征融合的方法进行数据增强，对新类别样本进行补充，扩大样本的覆盖范围，同时引入FPN网络进行多尺度特征提取，再对RPN网络进行改进，引入支持集图像分支，计算支持集图像特征与查询集图像特征的深度互相关性，得到注意力特征图，进而获得更精确的候选框。所提模型的有效性在MS COCO和FSOD数据集上得到了验证，实验结果表明，该方法获得了更精准的候选框，进而提升了检测精度。     

基于对抗学习的强PUF安全结构研究

针对强物理不可复制函数（PUF，physical unclonable function）面临的机器学习建模威胁，基于对抗学习理论建立了强PUF的对抗机器学习模型，在模型框架下，通过对梯度下降算法训练过程的分析，明确了延迟向量权重与模型预测准确率之间的潜在联系，设计了一种基于延迟向量权重的对抗样本生成策略。该策略与传统的组合策略相比，将逻辑回归等算法的预测准确率降低了5.4%~9.5%，低至51.4%。结合资源占用量要求，设计了新策略对应的电路结构，并利用对称设计和复杂策略等方法对其进行安全加固，形成了ALPUF（adversarial learning PUF）安全结构。ALPUF不仅将机器学习建模的预测准确率降低至随机预测水平，而且能够抵御混合攻击和暴力破解。与其他 PUF结构的对比表明，ALPUF在资源占用量和安全性上均具有明显优势。