课程文献中心 更多>>

关键词： GBDT算法   企业信息化   数据异常   数据挖掘   异常挖掘  

摘要： 对于会计核算数据异常的挖掘,供电企业主要依靠基于规则的专家系统。针对数据准确性不高的问题,文章提出了基于GBDT算法的供电企业信息化会计核算数据异常挖掘方法。首先,根据获取的特征分块函数和熵权法来提取异常数据特征;其次,采用独立成分分析法结合引入的拉格朗日乘子对特征矩阵进行约束,从而确定数据异常阈值,并使用GBDT数据分类算法对异常数据进行迭代处理与分类;最后,计算异常数据的最大均值差异,使用模糊神经网络对其进行识别与训练,从而输出异常挖掘结果。在实验过程中,通过与其他2种常规方法进行对比,发现该方法对异常数据挖掘的准确率为99.8%,说明其最为准确。

关键词： 量子动力学   优化问题   布朗运动   薛定谔方程   熵  

摘要： 在优化系统分析和研究中,熵是一种常用的描述手段,针对不同优化系统动态行为和熵之间的内在联系缺乏深入分析的问题,提出一种基于量子动力学的优化算法熵。首先基于物理学中的布朗运动与采样行为的相似性提出优化问题的布朗运动描述方法。将优化问题力学表达转化为能量的形式引入薛定谔方程,提出基于量子动力学的优化算法;然后结合优化问题在薛定谔方程下的概率表达得到优化算法熵;最后对目标函数约束下的粒子随机行为进行分析,给出了量子动力学下优化系统的基本搜索行为与熵的关系。实验从参考能量、自由粒子动能和目标函数扰动3个不同方面跟踪和分析优化系统的动态行为和熵的变化趋势,验证了熵与优化系统搜索行为之间的相关性。实验结果表明,基于量子动力学的优化算法熵可以深入分析优化过程,为研究优化算法给出了新的思路和方法。

关键词： 实验政治学   仪器思维   数字空间   算法化  

摘要： 科学实验是人们为了实现预定的研究目的,在人工控制条件下对实验对象进行分析的科学方法,是人类获得知识、检验知识的一种实践形式。近年来,政治学研究领域兴起实验分析方法,其核心理念是基于相应的统计学分析方法,通过建构相应分析工具所生产的数据集,实现以数据集对政治行为对象的模拟。这些分析工具引入对于社会现象多样性与因果关系复杂性因素分析的方法,实现了基于实验政治学特殊“仪器”思维的理论性探索与体系性建构,使得政治科学能够更有效深入地挖掘变量与结果之间的作用机制,从而进一步提升其量化分析的研究能力。在此背景下,实验政治学“仪器”思维“数字化”转向与“算法化”推进的重要意义,就是借助算法化数据化模型对真实对象的简化以及表征作用的揭示,使得在面对复杂现象过程中能够通过数字化虚拟性的“仪器”体系建构,助力政治科学研究科学化水平的提升。

关键词： 人工智能   胚胎   机器学习   深度学习   黑盒   整倍性  

摘要： 人工智能(artificial intelligence,AI)技术有望辅助医生提升胚胎评估的准确性和效率。然而,胚胎发育是一个连续的动态过程,什么时段比较有意义?还是整个发育过程都需要考虑?部分研究团队采用静态图像分析丢失诸多重要信息;另一部分团队利用算法驱动的"黑盒"模型计算胚胎发育视频,解释性有限。机器学习及深度学习由于固有的复杂性易被滥用,为了更精准地应用AI,本文以AI预测人类胚胎整倍性为例讨论算法解释性的意义及临床价值。

关键词： 计算思维   小学信息科技   问题解决式教学策略  

摘要： 随着科技的飞速发展,计算思维作为一种重要的思维方式,已经越来越受到教育界的关注。在当今信息化社会,信息科技已经成为了人们生活和工作不可或缺的一部分。计算思维不仅是一种解决问题的方法,更是一种认识世界、理解世界的途径。在我国,信息科技教育作为培养计算思维的重要途径,已经逐渐融入到小学教育中,本文将探讨指向计算思维的小学信息科技问题解决式教学策略。

关键词： 卷积神经网络   信号分解算法   振动信号分类   深度学习   时频图像分析  

摘要： 振动信号分析作为一种有效的故障诊断手段,可以检测设备的微小振动,识别潜在的异常或故障。目前通过振动参数诊断发动机故障类型的系统领域仍未被充分开发,现有的振动信号诊断方式也存在较多缺陷。该文提出一种基于卷积神经网络深度学习和信号分解算法的发动机振动信号异常检测算法。首先,通过比对实验对比信号分解算法的分解速度、质量、抗干扰能力等因素,根据研究内容针对信号分解算法缺陷进行比较,选用最佳的信号分解算法,并采用信号分解算法对振动信号进行预处理,提取其特征并生成能量谱图。这一步骤通过有效地分解振动信号,捕捉到了其本质特征。然后,利用MobileViT卷积神经网络对预处理后的信号进行分类识别。MobileViT卷积神经网络在处理视频图像方面表现出色,其优越的性能确保了分类的高准确性和鲁棒性。实验结果表明,该算法在振动信号的分类准确性和泛用性上具有显著优势。大量实际振动信号数据验证结果证明该算法在实际应用中的有效性和可靠性,特别是在发动机振动信号的异常检测中,算法展示了出色的故障识别能力。

关键词： 煤泥浮选   尾煤灰分   遗传算法   LightGBM   预测建模  

摘要： 为了提高煤泥浮选过程灰分在线检测的水平,研究了煤泥浮选过程中尾煤灰分的预测,并建立了基于遗传算法优化的LightGBM浮选尾煤灰分预测模型。通过采集的生产过程数据,包括矿浆流量、浓度、起泡剂量、捕收剂量和干煤泥量,构建了模型训练数据集,并对模型进行了测试验证。试验结果显示,该模型预测结果的平均绝对误差为0.72,比未优化的LightGBM模型提升了11.1%的预测精度,相较于其他模型,GA-LightGBM模型预测结果的平均绝对误差降低了15.8%,进一步证明了所建模型在尾煤灰分预测精度上的有效性,为实现智能化浮选提供了新的技术支持。

关键词： 色域压缩   轻量化   深度学习   色彩管理  

摘要： 色域压缩是大色域向小色域进行转换时保持色彩信息的关键技术。经典算法虽计算快速,但处理结果缺乏细节且没有考虑人眼的感知特性,难以满足人们对色彩品质不断提升的要求。迭代算法处理效果更佳,但极其耗时,无法投入实际应用。针对上述问题,提出了轻量化的深度色域压缩方法,该方法可在逼近迭代算法计算效果的同时保持接近经典算法的速度。为色域压缩算法设计了LightGCNet模型,该网络中的双层卷积由DSC与DW卷积组合而成,相比常规U-Net,参数量与计算复杂度急剧降低。为进一步提高模型先验性,将预训练得到的DW卷积中多个核通道进行重聚焦操作以建立联系,最终权重由重聚焦权重和预训练权重组成。针对色相、明度、彩度这三个色彩属性,设计了色域压缩专用的损失函数。该函数不仅考虑了像素级损失,而且融合了图像感知损失,并联合色彩属性的多尺度信息进行加权,解决了深度色域压缩过程中细节丢失的问题。基于迭代算法生成标签以训练网络,联合学习目标色域特征与图像信息,实现了与迭代算法相当的效果。实验结果表明:该方法与业界经典的SGCK算法相比,iCID值降低了17.08%,SSIM值提高了5.30%。相比常规U-Net模型,LightGCNet参数量减少了82.96%,乘加次数从8.5GFLOPs大幅下降至2.2GFLOPs,使改良模型更适于低端设备部署。该模型在CPU上处理单幅512×512图像仅需0.208s,计算时间比迭代类算法减少99.92%。

关键词： 光伏发电机组   异动信息   主动增量式   更新  

摘要： 针对进行光伏发电机组密集型异动信息更新操作时,出现更新时延长、更新结果不完整的问题,提出了光伏发电机组异动信息主动增量式更新算法。通过特征提取、小波变换和模极大值计算来获取有效的增量式特征;构建增量特征成词袋模型并进行标注;结合蚁群算法搜索异动信息,计算最小平均带宽和最佳更新路径,通过动态更新相容类和决策类异动信息完善数据;采用2阶段集合式更新方案进行信息增量收集和校验增量分发,以获取主动增量式更新异动信息。由实验结果可知,该算法更新时延在全部校验节点下未超过40 s,且能够保证更新结果具有完整性。

关键词： 低照度图像增强   零参考深度曲线   降噪   U-Net  

摘要： 为解决低光照条件下的图像噪声多、亮度低、细节模糊等问题,提出了一种融合零参考深度曲线的低照度图像增强与去噪算法(UMDCEAD-NET)。该算法首先设计了一个特征提取网络,以u-net为主干网络,并在主干U-Net的下采样过程融入mobile-net,以提高算法特征提取能力,保留更多图像细节信息。其次,为解决图像像素级光照不足、网络的退化的问题,利用深度曲线估计(LE-曲线)对提取特征进行迭代,结合深度可分离卷积降低网络模型的参数量,并设计了5个非参考损失函数,提高算法在不同光照条件下的泛化能力和细节保留能力。最后,结合AD-NET(attentional denoising network)对增强后的图像进行降噪处理,以减少增强图像的噪声,使得图像更符合人眼的视觉感知。实验结果显示,本文算法在公开数据集Zero-DCE平均峰值信噪比(peak signal-to-noise ratio,PSNR)达到22.29,相比Zero-DCE++算法提高了32%,在公开数据集LOL的PSNR达到21.15,相比SGZ算法提高了3%。可见,该算法能够有效地解决增强后图像的噪声问题,使得增强后的图像暗部和亮部区域的细节信息更加丰富,与其他主流算法相比本文算法图像质量有明显提升。