大数据技术下高校审计全覆盖研究

新时代,新技术带给了审计工作在对象、审计方式上的新概念。审计工作发生了巨大的变化,当然也将审计带领了一个新的台阶。随着网络和计算机技术的发展,大数据的兴起,在新的审计方式下,它就显得格外的重要,大数据技术使得全覆盖审计变为可能。在新时代的快速发展下,对实现高校审计全覆盖需要借助于大数据技术,以其平台为核心要点,结合实际工作,促进大数据在高校审计全覆盖中顺利实施,提升高校审计效率,完善高校内部审计工作。     

优化极限学习机算法及其在力信息解耦中的应用

高性能解耦算法有助于提高多维力传感器的检测精度。针对传统非线性解耦算法存在精度较低等缺点,对极限学习机算法进行了优化和改进,并将其应用于多维力信息解耦。在基于粒子群和遗传算法两种改进极限学习机算法(PSO-ELM、GA-ELM)的基础上,提出了一种基于天牛须算法的改进极限学习机(BAS-ELM),天牛须算法针对极限学习机隐含层节点参数的每一维进行逐步的优化,使得整体损失函数最小。为验证算法性能,本文以六维力/力矩传感器为实验对象,将各类改进算法应用到力/力矩传感器的非线性解耦中,通过解耦实验可知,与其他算法相比,BAS-ELM解耦精度更高、收敛时间更短,对于非线性解耦具有更强的适应性。     

基于RF-GA的六维力传感器解耦方法

多维力传感器的维间耦合问题严重影响了检测精度的提高。通过设计新型RF-GA（基于遗传算法的改进随机森林算法）解耦方法解决多维力信息的解耦问题，实现提高力传感器检测精度的目标。针对随机森林算法中含有大量子树，但每个子树的预测准度无法保证的问题，利用遗传算法对随机森林的子树进行筛选，保留优质子树，从而提高预测精度。以基于应变检测的六维力传感器为实验对象，将RF-GA算法运用到实际力信息解耦中，并通过解耦实验对RF-GA算法进行验证。与现有解耦算法相比，RF-GA解耦方法具有精度高、解耦时间短的优点，实验结果表明该算法能有效提高多维力传感器的解耦精度。