在役大型游乐设施健康评价方法研究

大型游乐设施是人们追求美好生活的重要工具和弘扬传统文化的有力平台,其安全性、可靠性和经济性受到了社会的广泛关注。实施健康管理是保障大型游乐设施在服役期间能安全、可靠、经济运行的一种先进手段。围绕大型游乐设施健康管理中健康评价这一核心环节,第一,从健康状态的本质出发,建立健康状态的数学模型;第二,通过分析在役大型游乐设施的损伤发展和功能退化规律以及游乐园的实际需求,提出了大型游乐设施健康状态分级的概念,并划分为"健康"、"亚健康"、"微病态"和"病态"4个等级;第三,针对国内外大型游乐设施的技术现状,提出一种综合利用对设备的定期检验、日常维护保养和设备实时状态监测三方面信息的定量健康评价方法;最后,通过典型大型游乐设施进行综合应用及分析,验证了该方法的有效性和实用性,实现由静态的安全评价向动态的健康评价转变和升级,为今后进行更加深入的大型机电设备健康管理研究提供可以借鉴的思路。     

自动控制系统仿真

衡量控制系统调节品质优劣的性能指标可以理解为对每一类自动控制系统被控量变化全过程提出的共同基本要求,即稳定性、快速性和准确性。其中,稳定性是首要的,那么如何准确判断控制系统是否稳定就是十分重要的问题,通过设计程序算法和控制系统仿真,能够很好地解决这个问题。     

GARCH非线性时间序列模型的网络流量预测

网络流量预测在拥塞控制、网络管理与诊断、路由器设计等领域都具有重要意义。根据当今网络流量的特点,传统的ARMA模型在描述网络流量数据特性时有一定的局限性,从而影响网络流量预测的精度。针对这个问题,研究了使用广义自回归条件异方差模型(GARCH)对网络流量数据进行建模的方法,通过仿真实验表明,该模型可以较好地描述网络流量数据的异方差性,同时其预测精度较之传统的ARMA模型的预测精度也得到了大幅提升。     

GAFSA优化SVR的网络流量预测模型研究

现有的诸多网络流量预测模型存在预测稳定性不好、精度较低等问题。针对此类问题, 研究了一种通过GAFSA(全局人工鱼群算法)优化SVR模型的网络流量预测方法。GAFSA是一种群智能优化算法, 寻优效果显著。采用GAFSA对SVR预测模型进行参数寻优, 可以得到使预测效果最佳的训练参数; 使用这组最优参数训练SVR, 建立网络流量预测模型, 可以很好地改善基于其他智能优化算法改进的SVR网络流量预测模型多次预测结果相差较大的问题, 使预测结果趋于稳定, 同时也可以提高预测精准度。仿真结果表明, GAFSA-SVR网络流量预测模型与其他模型相比, 预测结果基本稳定, 精准度提高到89%以上, 对于指导网络控制行为、分析网络安全态势有重要意义。     

基于加权移动窗口的入侵检测算法研究

为克服目前入侵检测技术检测反应速度慢、误检率和漏检率较高等问题,研究了加权移动窗口这种数据挖掘方法。首先对现有的移动窗口算法MFI-TransSW和Moment进行了认知与分解,指出现有算法的缺陷,提出了加权移动窗口的详细算法,自动调整训练窗口,并对检测模式进行及时的更新;在此基础上建立了基于加权移动窗口的入侵检测系统模型。最后实例检测和结果分析表明,在不同窗口大小、不同最小支持度、数据集增大时该算法执行时间均优于其他算法。     

Ad hoc网络中动态阈值岭型函数退避算法*

无线自组织网络(Ad hoc)在MAC层中使用IEEE 802.11 DCF的接入机制来解决节点传输竞争问题,为了解决高负载环境下的网络拥塞状况问题,在退避算法中加入了动态阈值和岭型函数来降低数据传输的冲突概率并利用NS2对改进的退避算法进行网络仿真。仿真结果表明,相对于传统的退避算法,在负载较重的网络中改进后的退避算法大概能够提高网络性能20%左右,优化后网络的时延、吞吐量和公平性均得到明显改善。     

硫化工序循环泵的改造

针对轮胎硫化工序热水循环泵压力高、电流大,即安全因数较小的问题,对循环泵进行了改造.用HPK-Y80-315型循环泵替换HPK-Y80-400型循环泵,并将其叶轮直径由315 mm改为320 mm后,循环水压力和流量达到硫化工艺要求,大大提高了硫化工艺压力和温度的稳定性,同时降低了生产成本.     

基于混合采样的图对比学习推荐算法

在推荐系统领域中,图卷积网络具有对于图结构数据更强的信息抽取能力。然而,现有的图卷积网络推荐算法主要关注改进模型结构,忽视了提高原始样本采样质量与挖掘用户—项目间隐式关系的重要性。针对上述问题,提出一种基于混合采样的图对比学习推荐算法。首先使用混合采样方法,提取出正样本中部分信息并将其注入负样本,从而生成全新的富含信息的难负样本;其次,通过轻量图卷积网络对难负样本进行特征提取,得到用户和项目的节点表征,采用邻域对比学习方法挖掘样本隐式关系;最后,利用多任务策略对推荐监督任务和对比学习任务进行联合优化。在真实数据集Yelp2018和Amazon-book上进行实验,采用recall和NDCG指标进行评估,实验结果表明,提出的模型相较其他基准模型取得了更好的效果。