基于累积特性分析的注塑过程质量预测

注塑过程为现代社会提供了大量、丰富、高品质的塑料制品。如何保证我国注塑成型过程的精确、高效运行，生产出高质量的产品，及时可靠的质量预测已成为亟待解决的问题。本文针对注塑过程已有方法的不足，提出了基于累积特性分析的质量预测方法，实际工业实验表明了所提出方法的有效性。     

基于改进宽度模型迁移学习的不同负载下滚动轴承状态快速分类方法

针对深度学习网络训练耗时以及不同负载下滚动轴承的源域数据和目标域数据分布差异较大的问题,该文提出一种基于改进宽度模型迁移学习的滚动轴承状态快速分类方法。该方法首先对不同负载下滚动轴承振动信号进行快速傅里叶变换,构建频域幅值序列数据集,并选取某种或某些负载数据集作为源域,其他负载数据集作为目标域;其次以循环扩展的方式建立宽度学习系统(BLS)的增强节点窗口,并在增强层引入Maxout激活函数构建改进的BLS网络,同时引入遗传算法优化网络节点结构,建立基于源域数据的预训练模型;最后将预训练模型的网络参数、特征层和增强层的权重参数迁移至目标域网络,并利用少量目标域样本微调网络建立状态分类模型。实验结果表明,所提方法平均训练时间为32.6 s,平均测试准确率为98.9%。对比其他方法,所提方法可以在更短的时间内建立分类模型并获得良好的分类准确率。     

一种基于降噪自动编码器和宽度学习的增量式疾病预测模型

疾病预测模型通过利用收集到的医疗数据,能够在患者疾病发作前准确地进行疾病预测.目前在疾病预测方面深受欢迎的深度神经网络,它依靠增加网络层数来提升模型的准确率,利用梯度下降来进行权重的更新,而这导致了模型梯度爆炸、训练速度慢等问题.一旦数据更新,深度神经网络需要重新训练,进而导致模型更新困难.宽度学习（Broad Learning System,BLS）无须梯度下降的特性与其可通过增量学习快速重构的优势为有效解决上述问题提供了技术方案,但是BLS无法提取到隐藏在医疗数据中深层次的特征,其在复杂的医疗环境下仍然表现不佳.针对该问题,本文提出一种基于降噪自动编码器（Denoising AutoEncoder,DAE）与宽度学习的增量式疾病预测模型——DAE-BLS.所提模型将DAE引入BLS的架构设计中,结合了DAE在混乱环境下的降噪能力与BLS的简洁快速的特点,既保证了高效的运算能力又增强了特征提取能力,因而更适用于复杂医疗环境.将DAE-BLS在包含不同格式以及不同数据量的糖尿病、心力衰竭、心电异常和乳腺癌数据集上进行模拟预测实验,实验结果表明,DAE-BLS能够在保留宽度结构的神经网络...     

基于神经网络的产品质量预测方法

绿色可持续发展政策下,为了节能减排,节约不可再生的矿物资源以及加工所需的能源,需要提高矿石加工质量。文章主要分析在矿石加工过程中,保持其他环境变量不变,矿石质量和温度控制对矿石产品质量的影响,并进行产品质量指标的预测,以及给定指标,对温度进行设定,最后进行模型推广。对于文中的问题1,选择通过给定的生产加工数据,建立相应数学模型以研究系统温度对产品质量的影响,进而给出用系统温度预测产品质量的方法。首先建立一个系统温度之间的数学模型Ⅰ,以观测两者可能存在的潜在关系;其次建立一个系统温度与指标的模型Ⅱ,对结果进行预测,同时用神经网络预测法进行预测并将结果进行比较;最后得出指标数值。对于文中的问题2,首先在建立模型前用多元线性回归分析,再用神经网络预测,得到原数据的预测值,通过比对原数据与预测数据得到预测方法的准确性;再由所确定的预测方法得到系统所需参数,得出系统设定的温度。     

基于增量学习的时变信道预测方法

基于自回归模型(Autoregressive Model, AR)的传统信道预测方法在高速移动中,信道具有较大的时变性,导致信道发生了非线性的改变。基于反向传播(Back Propagation, BP)网络的信道预测方法通过适当地调整权重可使模型更加稳健,但是算法效率较低。提出一种新的模型,设计长短期记忆(Long Short-Term Memory, LSTM)网络和增量学习相结合的在线信道预测模型,实现时变信道的在线预测。模型应用LSTM神经网络学习长时间序列的特性来处理时间相关通信系统中的信道状态信息,增量学习(Incremental Learning, IL)在运行期间不断预测系统状态,同时更新LSTM神经网络的现有权重,交替执行训练和预测过程,模型可以很好地适应无线信道的动态变化。实验结果表明,提出的模型能有效地改善时变信道的预测准确率。     

注塑成型工艺的模拟分析

根据注塑生产的全过程,对其中所涉及的工艺条件对塑料制品的质量产生影响来做出分析和探究,通过分析软件来对塑料制品的注塑过程的进行了模拟,准确的确定此类工艺参数的参考数值,而且还举例分析了应用CAE技术的优化工艺参数的过程,提出了找出优化的注塑工艺方案的方法。     

基于深度学习的电力负荷预测方法综述

电力能源的合理使用和调度一直是关系民生的重要问题,其中的电力负荷预测是近年来学者研究的重点.传统的基于统计学习方法的预测方法由于负荷的非线性和随机因素导致效果不佳,因此研究者把目光放在了近年来热门的人工智能(Artificial Intelligence,AI)领域,比如人工神经网络(Artificial Neural...     

基于集成学习的股票指数预测方法

股票价格指数是衡量整个股票市场当前行情的重要指标,通常对指数内所有个股的涨跌幅进行加权平均得到,因此股票指数能够及时准确地反映当前市场的动向走势。对沪深300指数的历史行情数据进行建模,通过挖掘大盘指数的涨跌幅与个股的涨跌比之间的关系,利用聚类算法确定对市场影响较大的指数涨跌幅集合G,将其作为研究关键。运用集成学习的算法思想,选取K-近邻、梯度提升和自适应提升这3个分类器,通过改进的投票算法聚合成一个新的分类器模型,对指数行情数据进行学习分类,从而对G的出现进行预测,改进的投票算法综合考虑了弱分类器本身的分类效果,分类效果得到提升。实验结果表明,与原模型相比,新聚合的模型在一定程度上提升了股指预测的准确度,对于沪深300股指的预测具有指导作用。     

基于本体引导的注塑知识图谱构建及缺陷溯因应用

针对大型注塑图谱缺失、成熟标注语料匮乏等导致的工业知识图谱构建代价高昂、质量不高等问题,该文提出一种基于本体引导的注塑知识图谱构建方法。首先,设计以缺陷-表观-原因-方案为导向的注塑本体,指导注塑网页的搜集;其次将本体信息融入至触发词中,以提升对半结构化网页的知识抽取性能;然后,结合本体中的属性相似度进行两级实体对齐,综合提高冗余知识的发现率。最后与已有方法对比,图谱知识正确率高于95%,可快速实现缺陷溯因。     

基于位置预测的智慧公路边缘任务协同机制

近年来智慧公路为用户提供了道路监测、辅助驾驶等新型服务,但随之而来的是数据流量爆炸式的增长,这对网络的承载能力带来了极大的考验。随着5G和移动边缘计算技术的成熟,海量任务不必集中在云端处理,边缘侧的协同处理成为一种较好的选择。为了在车辆高速移动场景下为用户提供高效可靠的服务,该文提出一种基于位置预测的智慧公路边缘任务协同(CETLP)机制。首先,结合智慧公路场景下车辆运动特点,建立面向时延和负载均衡的边缘任务协同模型。进而,针对任务时延最小化以及网络负载均衡等目标,提出一种基于深度强化学习的边缘任务协同算法,对海量任务的协同策略进行求解。仿真结果表明,所提机制能够在保证网络负载均衡的情况下降低服务时延。     

一种三阶多项式相位信号去噪的字典学习算法

在加性高斯白噪声的影响下,对于三阶多项式相位信号(CPS),经典的字典学习算法,如K-means Singular Value Decomposition(K-SVD), 递归最小二乘字典学习算法(RLS-DLA)和K-means Singular Value Decomposition Denoising (K-SVDD)得到的学习字典,通过稀疏分解,不能有效去除信号的噪声。为此,该文提出了针对CPS去噪的字典学习算法。该算法首先利用RLS-DLA对的字典进行学习;其次采用非线性最小二乘(NLLS)法修改了该算法对字典更新的部分;最后对训练后的字典通过对信号的稀疏表示得到重构信号。对比其它的字典学习算法,该算法的信噪比(SNR)值明显高于其它算法,而均方误差(MSE)显著低于其它算法,具有明显的降噪效果。实验结果表明,采用该算法得到的字典通过稀疏分解,信号的平均信噪比比K-SVD, RLS-DLS和K-SVDD高出9.55 dB, 13.94 dB和9.76 dB。     

联合改进核FCM与智能优化SVR的WSNs链路质量预测

为提高无线传感器网络（WSNs）链路质量预测精度和降低噪声影响,提出了一种联合改进核FCM与智能优化SVR （improved kernel furry c-means and intelligent support vector regression,IKFCM-ISVR）的WSNs链路质量预测方案.首先将基于紧致度和离散度的有效性指数引入核FCM方法,实现样本集聚类个数自动划分;然后采用改进核FCM方法对链路质量样本数据进行处理,获得样本聚类隶属度;在此基础上,构建群居蜘蛛优化SVR预测模型,采用基于"动态折射"学习机制的群集蜘蛛对模型参数进行优化,得到不同聚类最佳SVR参数组合;最后采用IKFCM-ISVR算法对不同实验场景下的WSNs链路数据进行预测评估.仿真结果表明,同其它预测算法相比,该算法预测精度提高了36.8~68.4%.     

基于收视行为的互联网电视节目流行度预测模型

准确预测节目流行度是互联网电视节目系统设计与优化所要解决的关键问题之一。针对现有预测方法存在模型训练时间长、样本数量多、且对突发热点节目流行度预测效果差等问题,该文测量了某互联网电视平台280万用户的60亿条收视行为数据,采用行为动力学分类方法将节目流行度演化过程分为内源临界、内源亚临界、外源临界和外源亚临界4种类型,运用双种群粒子优化的最小二乘支持向量机对每种类型分别构建了一种互联网电视节目流行度预测模型BD3P,并将BD3P模型应用于实际数据测验。实验结果表明,与现有其他方法相比,BD3P模型预测精度可提升17%以上,并能有效缩短预测周期。     

广义LVQ算法及其在遥感影像分类中的应用研究

在比较了学习矢量量化 (LVQ)算法和广义学习矢量量化(GLVQ)算法的基础上,建立了基于GLVQ的遥感影像分类模型。以实际土地覆盖分类为例,通过与传统统计方法和LVQ分类器比较,GLVQ分类器具有分类正确率高,收敛速度快,适应范围广等优点。     

移动边缘计算中基于联邦学习的视频请求预测和协作缓存策略

随着互联网社交平台的崛起和移动智能终端设备的普及,自媒体短视频、直播等视频业务蓬勃发展,人们对高质量视频服务的需求也急剧上升。与此同时,连接到核心网络的大量智能设备增加了回程链路的负载,传统的云计算难以满足用户对视频服务的低延迟要求。移动边缘计算(MEC)通过在网络边缘部署具有计算和存储能力的边缘节点,通过在更靠近用户的边缘侧提高计算和存储服务,降低了数据传输时延进而缓解了网络阻塞。因此,基于MEC架构,该文充分利用网络边缘资源,提出了基于联邦学习的视频请求预测和视频协作缓存策略。通过利用多个边缘节点对提出的深度请求预测模型(DRPN)视频请求预测模型进行联邦训练,预测视频未来的请求情况,然后量化缓存内容所带来的时延收益并协作地以最大化该时延收益为目的进行缓存决策。该文分析了真实数据集MovieLens,模拟了视频请求缓存场景并进行实验。仿真结果表明,相比于其他策略,所提策略不仅能有效降低用户等待时延,在有限的缓存空间中提高内容多样性,从而提高缓存命中率,降低缓存成本,还能降低整个系统的通信成本。     

基于容错学习的属性基加密方案的具体安全性分析

为了能全面研究基于容错学习(LWE)的属性基加密(ABE)方案的安全性,考察其抵抗现有攻击手段的能力,在综合考虑格上算法和方案噪声扩张对参数的限制后,利用已有的解决LWE的算法及其可用程序模块,该文提出了针对基于LWE的ABE方案的具体安全性分析方法。该方法可以极快地给出满足方案限制要求的具体参数及方案达到的安全等级,此外,在给定安全等级的条件下,该方法可以给出相应的具体参数值。最后,利用该方法分析了4个典型的基于LWE的属性基加密方案的具体安全性。实验数据表明,满足一定安全等级的基于LWE的属性基方案的参数尺寸过大,还无法应用到实际中。     

基于加权模糊解耦策略的注塑机料筒温度控制

着重研究注塑机的料筒温度对象系统,指出非线性、大滞后、强耦等特性.并针对强耦合性,提出基于加权模糊解耦机制的注塑机料筒温度单回路控制方案,以及相应的控制策略.这种控制方案将复杂的多输入/多输出系统分解成多个独立的单回路系统,从而减小了控制系统实施多变量控制的复杂度,提高了控制器的实时性.