高维数据空间的性质及度量选择

高维数据分析是机器学习和数据挖掘研究中的主要内容,降维算法通过寻找数据表示的最优子空间来约减维数,在降低计算代价的同时,也提高了后续分类或者聚类算法的性能,从而成为高维数据分析的有效手段。然而,目前缺乏高维数据分析的理论指导。对高维数据空间的统计和几何性质进行了综述,从不同的角度给出了高维数据空间中"度量集中"现象的直观解释,并讨论了通过度量选择的方式来提高经典的基于距离度量的机器学习算法在分析高维数据时的性能。实验表明,分数距离度量方式可以显著提高K近邻和Kmeans算法的性能。     

非稀疏多核组合的支持向量回归方法

为了改善支持向量回归机的性能,本文提出了一种利用多核学习解决回归问题的算法(NS-MKR),算法对基本核函数的组合系数施加了Lp范数的约束(p>1),以得到组合系数的非稀疏解,并采用了两步优化方法,首先求解基于加权组合核的标准支持向量回归问题,用于学习拉格朗日乘子,然后采用简单的计算,求得基本核函数的组合系数,这两个步骤交替进行,直到满足事先定义的收敛准则。在人工数据集和真实数据集上的实验表明,相对于传统的单核和稀疏多核支持向量回归方法,本文提出的算法有更好的泛化性能。     

PKI技术在政府办公自动化系统信息安全中的应用

介绍了PKI(Public Key Infrastructure,公钥基础结构)的基本概念、基本组成。根据某办公自动化系统安全的实际需要,将PKI技术引入到办公自动化系统安全领域,提出了一种有效的基于PKI技术的信息安全解决方案模型。     

基于B/S模式的有杆抽油泵故障诊断系统研制

有杆抽油方法是国内外应用最为广泛的一种人工举升采油法,但有杆抽油泵所处的复杂和恶劣的环境,经常会导致有杆抽油泵系统发生故障,严重地影响油田的正常生产。开发基于网络的有杆抽油泵故障诊断系统,及时准确地了解有杆抽油泵系统工作状况,明确油井生产存在的问题,为制定合理的技术措施提供技术依据,这对避免井下作业的盲目性、降低采油成本和提高油井的科学管理水平具有重要的意义。本文着重阐述了基于B/S模式的有杆抽油泵故障诊断系统的设计思想、系统功能和实现方法,该系统实现对有杆抽油泵快速、准确的故障诊断,用户端为统一的浏览器,使用维护方便,具有较高的实用价值。     

准噶尔盆地火山岩油气藏分布规律及区带目标 优选——以陆东—五彩湾地区为例

以岩石物性、重磁电震、钻井等资料为基础,根据研究区具体地质情况,提出火山岩分布预测、火山岩岩性预测、有利区带及目标评价的重磁电震配套技术.通过在陆东一五彩湾地区的综合应用,完善了现有的方法技术,形成了有效的重磁电震综合勘探技术流程.对陆东一五彩湾地区火山岩气藏分布规律进行了分析总结,提出了该区火山岩气藏勘探的重要认识:磁力异常梯度带是火山岩断裂带,断裂控制了火山岩的分布,也控制了火山岩的局部构造;磁力异常梯度带是火山岩裂缝发育带,是火山岩储集层发育的有利部位;近烃源岩磁力异常梯度带是火山岩油气藏的富集区带.预测的有利区块(区带)、有利目标得到了钻探证实,表明了本研究方法正确有效.     

Web Service构建多层分布式职称申报评价系统

分布式、部件化、交互性和互操作计算机软件已经成为软件研发的一个重要方向.传统的分布式技术,如DCOM、CORBA等,具有如难以穿越防火墙,不同组件间互操作性差等缺点.因此笔者在设计职称申报评价系统时,提出了利用基于数据词典的Web Service作为教育厅与各高校之间、高校与本校的申报用户之间所有通讯的中间接口.文中详细介绍了基于数据词典和Web Service的职称申报评价系统实现的方法,为分布式异构数据库软件开发提供了一个范例.     

激励发电节能减排交易的Nash均衡两级优化模型

电力交易中心需要设计一种机制,将发电企业的环境成本内部化,从而在企业追求经济效益的过程中实现社会环境效益最大化.建立了燃煤发电企业节能减排交易两级优化模型,第一级优化模型将社会环境效益和发电节能效益最大化作为目标函数,并考虑机组出力约束,负荷约束和排污量约束等条件;第二级优化模型以各个发电企业的竞争利益最大化作为目标函数,以第一级模型的KKT条件作约束.该模型反应出的边际排污激励价格机制,既可以从总量上控制SO2的排放、节约能耗,又提高了燃煤发电企业进行排污治理的积极性.算例分析表明,模型和算法可以实现发电节能减排、激励竞争的效果.     

基于Romax的重载驱动桥刚柔耦合模型

针对以前重载货车驱动桥研究中建模不完整的问题,利用Romax软件建立了完整的驱动桥刚柔耦合模型,给出了仿真结果。并与非刚柔耦合模型在轴承损伤、轴的变形和模态等方面进行了对比,证明了刚柔耦合模型更加真实有效。为驱动桥研究提供了一种更加有效的新方法。     

基于Boosting框架的非稀疏多核学习方法

针对传统的分类器集成的每次迭代通常是将单个最优个体分类器集成到强分类器中,而其它可能有辅助作用的个体分类器被简单抛弃的问题,提出了一种基于Boosting框架的非稀疏多核学习方法MKL-Boost,利用了分类器集成学习的思想,每次迭代时,首先从训练集中选取一个训练子集,然后利用正则化非稀疏多核学习方法训练最优个体分类器,求得的个体分类器考虑了M个基本核的最优非稀疏线性凸组合,通过对核组合系数施加LP范数约束,一些好的核得以保留,从而保留了更多的有用特征信息,差的核将会被去掉,保证了有选择性的核融合,然后将基于核组合的最优个体分类器集成到强分类器中。提出的算法既具有Boosting集成学习的优点,同时具有正则化非稀疏多核学习的优点,实验表明,相对于其它Boosting算法,MKL-Boost可以在较少的迭代次数内获得较高的分类精度。