基于快速极限学习机和差分进化的机场噪声预测模型

该文针对传统机场噪声预测模型存在的建模成本高、实用性差的不足,引入时间序列相空间重构理论,提出一种新的基于快速极限学习机和差分进化算法的机场噪声一体化预测模型。该模型利用相空间重构理论对机场噪声时间序列进行重构,并使用快速极限学习机对重构的相空间矢量进行学习建模,同时采用改进的差分进化算法实现对重构参数和模型参数的同步优化选择,整个建模过程简洁高效,无需人工干预。实验结果表明,该一体化预测模型能较好地跟踪机场噪声的变化趋势,且具有较同类模型更小的预测误差。     

一种基于SVR回归的机场航迹预测方法

文章针对新机场噪音预测问题建立一种利用旧有数据进行预测的机器学习方法。该方法使用原机场噪声观测记录与其飞行计划建立噪声预测模型,然后使用该模型以及新机场飞行计划预测新机场航迹分布作为噪音预测的基础。为保证该预测结果准确性,引入交叉验证方法,将预测数据与原有数据混合建立验证模型评估预测准确率。使用长期机场噪音数据进行的验证实验表明,该方法具有可靠的准确率。     

室内噪声预测模型优化及程序设计

现有的室内声源预测模型采用室内声源等效为室外声源声功率级法,该方法在较为复杂的室内环境中以及在声源声功率级参量未知的情况下具有一定的局限性.相比较室外噪声模型预测系统的研究,国内目前关于室内噪声预测模型系统的研究较为薄弱.对此,基于HJ 2.4—2009等技术导则,以某风机房为例,对室内噪声预测模型进行优化,并设计室内噪声预测模型系统的模块化程序,采用Eclipse运行设计程序,简化室内模型预测运算,同时为室内噪声预测模型系统的研究提供一些建议.     

基于ARIMA改进的实时动态滑坡预测模型

针对应急救援环境下,滑坡实时动态位移测量存在数据波动范围广、噪声大、模态混叠等问题,提出了一种基于CEEMDAN-Kmeans-ARIMA的组合预测模型。首先基于自适应噪声完备集合的经验模态分解算法,将添加PPP定位偏差噪声的斋藤模型信号分解为多个本征模态函数,并且根据K-means聚类算法将物理意义相近的本征模态函数进行聚类重构;然后针对多个聚类重构分量,构建最优的差分自回归移动平均预测模型;最后将聚类重构分量的预测值进行叠加,得到组合模型的预测值。实验结果表明,组合模型的MAPE指标相对于ARIMA单模型提高了2.16%,解决了ARIMA预测模型存在的突变量不敏感、剩余滑坡预测时间不准等问题。在救援环境下,采用所提出的模型对实时动态滑坡进行预警预测具有一定的工程应用价值。     

基于Transformer模型的航空发动机剩余寿命预测方法研究

文章针对现有预测模型对航空发动机退化信息提取不充分的不足,构建了一种基于Transformer模型的预测模型,该模型在Transformer编码器模型基础上加入了门控循环单元,以增加模型对序列数据中局部退化信息的提取能力。基于C-MAPSS数据集,对文中所建立模型的预测性能进行评估。实验结果表明,该模型在发动机运行状态单一的数据集上优于现有的模型,验证了模型的先进性。     

基于Skip-LSTM的机场群延误预测模型

针对目前机场群发展不平衡，国际枢纽机场的延误率居高不下，航班时刻短缺，资源紧张，而区域枢纽机场却存在资源空闲的问题，提出一种基于跳过门的长短时记忆网络 (Skip-LSTM，Skip Long Short Term Memory)的机场群延误预测模型。该模型首先将机场群中各个机场的信息，机场群航班信息以及机场群地区的气象信息进行融合及处理，然后搭建Skip-LSTM网络对融合后的数据信息进行特征提取，最后利用Softmax分类器对机场群的延误状况进行分类预测。Skip-LSTM网络在传统的长短时记忆网络(LSTM， Long Short Term Memory)的基础上增加了Skip门，能更加充分地提取机场群数据信息的时间相关性，获得更高的准确率。实验结果表明，基于Skip-LSTM的机场群延误预测模型的准确率可达95.35%，预测性能优于传统的网络模型，能对机场群的延误状况进行有效的预测。      

基于多渠道融合的智能故障预测技术

近年来，随着大数据和人工智能技术的不断发展，基于日志数据的智能故障预测方法逐渐受到关注。传统的基于日志数据的故障预测方法仅关注单一的需求属性，难以面向多维度预测需求进行适配调整。针对该问题，提出一种多渠道融合的智能故障预测模型Multi-Det，该模型采用机器学习和深度学习相融合的调度方式。通过特征提取和数据融合，面向用户不同属性需求进行系统模型适配，优化特定场景下的故障预测准确性和可靠性。为了验证Multi-Det的有效性，在公开数据集下对多个场景下的需求参数进行了实验对比，结果表明该方法能够有效适配不同故障预测需求，在特定场景下智能调整预测策略，为专业领域设备的维护和管理提供有力支持。     

一种面向分布式应用的灰色信任预测模型的设计

为解决分布式开放系统中具有不确定性、不对称性、部分传递性和时空衰减性等一系列复杂的动态属性的信任关系定量表示和预测问题,基于灰聚类理论构建了8等级信任评价模型,进而由灰聚类系数矩阵得到评价者对目标关于属性的信任定量建模,并基于具有长期预测能力的动态灰色系统构建了灰色分布式信任预测模型.采用邻近动态窗体的方式对各时段的评价者对目标关于属性的信任进行动态预测,预测结果是有效的,与真实值的差值的绝对平均值(0.018)远小于预测阈值(0.05),这种以社会认知行为实际交互结果为依据的策略的预测模型为信任预测提供了新的思路.     

智能集成VBR MPEG视频流量预测模型

作为数字媒体网络视频通信的主要方式,VBR MPEG视频流量的预测能力是直接关系缓冲区设计、动态带宽分配及拥塞控制等提高网络服务质量的关键因素.因此针对MPEG视频流的复杂特性,充分利用人工智能方法的优势,提出并建立了基于模糊神经网络的智能集成VBR MPEG 视频流量预测模型.采用模糊预测模型提高预测精度,利用神经网络解决预测的实时性问题.实验结果表明,与标准AR预测模型相比,该模型预测的准确度和可靠性显著提高,且算法简单易于推广到其他方法中使用.     

基于云模型的基本概率赋值生成方法及应用

针对证据理论应用中基本概率赋值(BPA)生成模型难以确定问题,该文提出一种基于云模型的BPA生成方法。首先基于样本属性的正态云模型构建单子集命题的BPA模型函数,并将复合子集的模型函数表示为高斯函数乘积融合。其次提出一种根据测试样本动态度量属性权重的方法来兼顾信息源的可靠性。最后,用属性权重修正模型函数输出的结果得到BPA。鸢尾花等数据集分类识别实验表明,该方法识别准确性高,且适用于样本较少的情况。     

决策表中基于条件信息熵的近似约简

属性约简是粗糙集理论的重要研究内容,已有效应用于机器学习、数据挖掘等领域.基于条件信息熵的属性约简可有效推广代数观下的属性约简,但存在抗噪声弱且某些情况下冗余属性多的不足.为此,本文在引入决策表中基于条件信息熵的近似约简概念后,提出决策表中基于条件信息熵的近似约简算法,该算法可有效增强抗噪性,且可依据实际应用的需要有效地对冗余属性进行取舍.最后,本文侧重通过选择不同精度下的约简属性子集在Benchmark上进行了分类器的性能测试.     

Speckle noise removal based on structural convolutional neural networks with feature fusion for medical image

Application of convolutional neural networks (CNNs) for image additive white Gaussian noise (AWGN) removal has attracted considerable attentions with the rapid development of deep learning in recent years. However, the work of image multiplicative speckle noise removal is rarely done. Moreover, most of the existing speckle noise removal algorithms are based on traditional methods with human priori knowledge, which means that the parameters of the algorithms need to be set manually. Nowadays, deep learning methods show clear advantages on image feature extraction. Multiplicative speckle noise is very common in real life images, especially in medical images. In this paper, a novel neural network structure is proposed to recover noisy images with speckle noise. Our proposed method mainly consists of three subnetworks. One network is rough clean image estimate subnetwork. Another is subnetwork of noise estimation. The last one is an information fusion network based on U-Net and several convolutional layers. Different from the existing speckle denoising model based on the statistics of images, the proposed network model can handle speckle denoising of different noise levels with an end-to-end trainable model. Extensive experimental results on several test datasets clearly demonstrate the superior performance of our proposed network over state-of-the-arts in terms of quantitative metrics and visual quality.     

基于hops的Internet复杂网络分割度分析

首先讨论了相同分割度对不同网络传播行为的影响,并以小世界网络为例讨论了不同分割度对相同网络传播行为的影响;定义了基于hops的Internet分割度,根据CAIDA提供的全球范围30个主要monitor5年以来采集的数据,对Internethops进行统计分析,并计算出Internet分割度,与国际该领域研究成果进行相比,更进一步揭示了Internet小世界效应的规律;针对hops与RTT进行了10种模型的回归分析,得出hops与RTT更符合幂函数关系及其关键参数,从统计上证明了Internet复杂网络传播行为的幂率关系,并以此建立了Internet分割度时间敏感性模型(ISTSDM);建立了针对Internet分割度的时间序列随机过程模型(MTSSPISD),并以此讨论了Internet分割度的时间演化规律;最后利用模型ISTSDM和模型MTSSPISD对2008年北京奥运期间Internet分割度和IP层数据平均传播时间进行了预测。     

Key-Attributes-Based Ensemble Classifier for Customer Churn Prediction

Recently, it has been seen that the ensemble classifier is an effective way to enhance the prediction performance. However, it usually suffers from the problem of how to construct an appropriate classifier based on a set of complex data, for example, the data with many dimensions or hierarchical attributes. This study proposes a method to constructe an ensemble classifier based on the key attributes. In addition to its high-performance on precision shared by common ensemble classifiers, the calculation results are highly intelligible and thus easy for understanding. Furthermore, the experimental results based on the real data collected from China Mobile show that the key-attributes-based ensemble classifier has the good performance on both of the classifier construction and the customer churn prediction.     

一种自适应求三枝决策中决策阈值的算法

 在三枝决策粗糙集模型中,基于贝叶斯决策理论,在给定的损失函数基础上可以计算出不同决策之间的阈值,从而可以推导出各种现有的概率型粗糙集模型,如可变精度粗糙集模型等.但是决策粗糙集模型需要对损失函数预先设定,这就需要合适的先验知识.本文通过研究三枝决策粗糙集模型中的风险损失和建立模型需要的阈值参数之间的关系,提出了一个最优化问题,给出了理论分析,说明解决该优化问题即可求得所需参数,并给出了一种自适应求阈值参数的算法.该算法将每个样本的条件概率作为搜索空间,以决策风险损失最小化为目标,求得的损失函数和阈值能够使得用户基于此作出的风险最小.在部分数据集上的实验也表明了算法的有效性,利用学习到的阈值建立的三枝决策粗糙集模型能够取得更好的分类性能.     

基于K-medoids聚类的贝叶斯集成算法

朴素贝叶斯分类算法由于其计算高效在生活中应用广泛。本文根据集成算法的差异性特征,聚类算法聚类点的选择方式的可变性,提出了基于K-medoids聚类技术的贝叶斯集成算法,朴素贝叶斯的泛化性能得到了提升。首先,通过样本集训练出多个朴素贝叶斯基分类器模型;然后,为了增大基分类器之间的差异性,利用K-medoids算法对基分类器在验证集上的预测结果进行聚类;最后,从每个聚类簇中选择泛化性能最佳的基分类器进行集成学习,最终结果由简单投票法得出。将该算法应用于UCI数据集,并与其他类似算法进行比较可得,本文提出的基于K-medoids聚类的贝叶斯集成算法(NBKME)提高了数据集的分类准确率。     

基于相似度的变精度容差关系扩充粗糙集模型

比较分析了已有扩充粗糙集模型,提出基于相似度的变精度容差关系扩充粗糙集模型。该模型根据两对象的相似度及属性值缺失情况划分客差类。通过与基于容差关系、相似关系、限制容差关系等扩充粗糙集模型比较,证实了该模型对不完备信息系统处理的现实可行性和有效性,最后给出了相对正域的概念及属性约简规则。     

An optimal neural network process model for plasma etching

Neural network models of semiconductor processes have recently been shown to offer advantages in both accuracy and predictive ability over traditional statistical methods. However, model development is complicated by the fact that back-propagation neural networks contain several adjustable parameters whose optimal values are initially unknown. These include learning rate, initial weight range, momentum, and training tolerance, as well as the network architecture. The effect of these factors on network performance is investigated here by means of a D-optimal experiment. The goal is to determine how the factors impact network performance and to derive a set of parameters which optimize performance based on several criteria. The network responses optimized are learning capability, predictive capability, and training time. Learning and prediction accuracy are quantified by the experimental error of the model. The process modeled is polysilicon etching in a CCl ₄-based plasma. Statistical analysis of the experimental results reveals that learning capability and convergence speed depend mostly on the learning parameters, whereas prediction is controlled primarily by the number of hidden layer neurons. An optimal network structure and parameter set has been determined which minimizes learning error, prediction error, and training time individually as well as collectively     

基于粗糙集的认知无线网络跨层学习

 认知学习是认知无线网络(CRN)跨层设计中非常重要的一环,它要求通信网络能利用已知跨层环境参数进行知识提取学习,并根据需要重配置网络.本文提出了一种基于粗糙集的CRN跨层学习技术,构建了案例事件库、知识库与规则匹配器,该模型结合数据离散、属性约简、值约简与规则生成算法来解决CRN的跨层学习问题.通过典型测试数据集的仿真比较,选出一组适合于所提出模型的粗糙集算法集合.仿真结果表明,该算法集能有效解决CRN跨层学习中知识提取与规则生成的准确性及有效性等问题,提出的跨层学习模型能有效用于CRN中的知识学习.