基于改进粒子群算法的智能农村营销服务渠道优化分析

本文研究了 一种面向农村电网营销服务渠道的改进粒子群算法并验证其挖掘结果适应性.引入收敛因子的改进PSO算法并非单纯从粒子群数据迭代收敛效率上高于传统PSO算法,其实际的数据应用端表现也显著优于后者.其中表现在对优势用户和问题用户的数据特征提取方面,改进PSO算法表现出较强的数据挖掘结果可用性.     

基于移动感知的智能手机防盗软件的研究

得益于硬件技术的发展,智能手机感知信息的方式日益丰富。因而以智能手机自带的传感器件为出发点,以移动感知为基础,设计并开发了一款智能手机防盗软件。该软件针对智能手机在生活中的不同使用场景,利用手机自带的加速度传感器、环境光传感器、接近传感器以及手机内部的广播机制,通过分析从周围环境获取的实时数据来判断手机状态是否变化,从而实现不同的防盗模式。其中在通过加速度传感器输出值判断手机状态时,设计了三轴加速度从手机坐标系到参考坐标系的四元数转换算法,以利于客观统一地判断手机的运动状态。此外,通过手机内部短信广播的截获技术来判断设备是否收到短信以及短信内容是否为预设指令,实现对手机的远程控制。目前Android智能手机的市场占有率高达80%,因而以Android手机为例,实现了上述智能手机防盗软件。各项功能经过真机测试,均已达到预期效果。     

余压发电贯流式水轮机飞逸特性研究北大核心CSCD

随着贯流式水轮机发电技术的日益成熟,利用其回收循环水系统余压能的工业应用越来越多。本文将一维特征线(MOC)方法与三维计算流体力学(CFD)方法相结合,开发了一维管网和三维贯流式水轮机耦合模拟方法,模拟了真实系统中贯流式水轮机飞逸过程,探究了该过程中故障水轮机流动特性及转轮受力特性。主要结果表明:由稳态工况到飞逸状态所需的时间随着转动惯量减小而变短;转轮和尾水管域的监测点压力脉动振幅高值均发生在转轮叶频及其高次谐波;飞逸过程中,转轮所受轴向力大幅下降,而径向力表现出大幅增加且剧烈振荡特性;转轮叶片表面压力出现明显的交变规律,负压区位于进水侧叶缘处;尾水管内逐渐形成较大旋涡,并沿着流动方向逐渐向管道壁面发展。     

基于分组模型的引力搜索智能大数据聚类方法

提出一种基于分组的引力搜索算法实现数据聚簇.与标准引力搜索不同,分组引力搜索设计一种特定的解编码策略,即分组编码,可将数据聚簇的相关结构映射为解的一部分;对于特定编码,新的引力搜索机制在位置和速度更新策略上设计适合分组编码的更新规则,使分组引力搜索可类似于传统引力搜索进行迭代寻优.在多种经典测试数据集下对算法性能进行评估,其结果表明,与同为智能群体算法的标准引力搜索算法、智能蜂群算法、粒子群算法和萤火虫算法相比,该算法的数据分类效率更高.     

一种基于Tri-training的半监督多标记学习文档分类算法

多标记学习主要用于解决因单个样本对应多个概念标记而带来的歧义性问题,而半监督多标记学习是近年来多标记学习任务中的一个新的研究方向,它试图综合利用少量的已标记样本和大量的未标记样本来提高学习性能。为了进一步挖掘未标记样本的信息和价值并将其应用于文档多标记分类问题,该文提出了一种基于Tri-training的半监督多标记学习算法(MKSMLT),该算法首先利用k近邻算法扩充已标记样本集,结合Tri-training算法训练分类器,将多标记学习问题转化为标记排序问题。实验表明,该算法能够有效提高文档分类性能。     

计算机操作系统的发展趋势

随着计算机技术的快速发展，计算机操作系统也是出现较快的发展，从最初的微软系统，逐步发展到现在的各种操作系统，其中系统的稳定性和方便性以及功能性与高效性受到广大用户的密切关注。因此，本文主要对计算机的操作系统进行全面的分析，包括系统的功能和分类，并分析其未来发展的走向，为广大用户提供一个全面的认识。     

基于FEMA P-58的RC框架结构抗震及减隔震性能评估

该文采用FEMA P-58理论进行RC框架结构抗震及减隔震性能评估。设计了一栋典型多层RC框架结构,并在此基础上添加屈曲约束支撑以及隔震支座形成BRB-框架结构与隔震框架结构,采用OpenSees软件建立了3个结构的有限元模型,选取合适的地震动记录并调幅,对三个结构进行了非线性结构响应分析。针对多遇地震、基本地震、罕遇地震、极罕遇地震4个地震动强度,使用FEMA P-58理论中基于强度的方法,对三个结构在四个地震强度下进行性能评估,并针对各性能指标的评估结果进行对比分析。地震损失评估结果显示,采用隔震框架结构与BRB-框架结构可以有效降低建筑物在地震作用下的维修成本与维修时间。与普通框架相比,在罕遇地震作用下隔震结构的维修成本与维修时间可降低65%与58%,BRB-支撑框架结构可降低47%与34%。     

基于Tri-training的半监督多标记学习算法

传统的多标记学习是监督意义下的学习,它要求获得完整的类别标记.但是当数据规模较大且类别数目较多时,获得完整类别标记的训练样本集是非常困难的.因而,在半监督协同训练思想的框架下,提出了基于Tri-training的半监督多标记学习算法（SMLT）.在学习阶段,SMLT引入一个虚拟类标记,然后针对每一对类别标记,利用协同训练机制Tri-training算法训练得到对应的分类器;在预测阶段,给定一个新的样本,将其代入上述所得的分类器中,根据类别标记得票数的多少将多标记学习问题转化为标记排序问题,并将虚拟类标记的得票数作为阈值对标记排序结果进行划分.在UCI中4个常用的多标记数据集上的对比实验表明,SMLT算法在4个评价指标上的性能大多优于其他对比算法,验证了该算法的有效性.     

一种考虑高阶振型影响的模态条件均值目标谱方法研究

采用传统条件均值谱作为目标谱匹配选波未能有效考虑结构的高阶振型影响,针对这一缺陷,在条件均值谱方法的理论基础上,提出了一种考虑高阶振型影响的模态条件均值谱方法.该方法以振型参与质量系数作为权重,将各振型下的条件均值谱组合起来,得到一条新的目标谱,称为模态条件均值谱.设计了一座30层的钢框架-中心支撑结构,分别生成其主周...     

基于数据场的改进DBSCAN聚类算法

DBSCAN(density based spatial clustering of applications with noise)算法是一种典型的基于密度的聚类算法。该算法可以识别任意形状的类簇,但聚类结果依赖于参数Eps和MinPts的选择,而且对于一些密度差别较大的数据集,可能得不到具有正确类簇个数的聚类结果,也可能将部分数据错分为噪声。为此,利用数据场能较好描述数据分布,反映数据关系的优势,提出了一种基于数据场的改进DBSCAN聚类算法。该算法引入平均势差的概念,在聚类过程中动态地确定每个类的Eps和平均势差,从而能够在一些密度相差较大的数据集上得到较好的聚类结果。实验表明,所提算法的性能优于DBSCAN算法。