针对樽海鞘群优化算法(SSA: Salp Swarm Algorithm)在求解特征选择问题时存在易陷入局部最优、 收敛速度慢的不足, 基于樽海鞘群优化算法提出了新的改进算法差分进化樽海鞘群特征选择算法( DESSA:Differential Evolution Salp Swarm Algorithm)。 DESSA 中采用了差分进化策略替代平均算子作为新的粒子迁移方式以增强搜索能力, 并加入进化种群动态机制(EPD: Evolution Population Dynamics), 加强收敛能力。 实验中以KNN(K-Nearest Neighbor)分类器作为基分类器, 以 UCI(University of California Irvine)数据库中的 8 组数据集作为实验数据, 将 DESSA 与 SSA 同具有代表性的算法进行对比实验, 实验结果表明, DESSA 算法各考察指标较原算法有明显提升, 较其他算法相对优越。

分布式声传感器技术(DAS: Distributed Acoustic Sensor) 是一种新近提出的高精度勘探数据采集方法,受制于复杂背景噪声的影响, DAS 记录处理水平有待进一步提高。 针对上述问题, 采用基于替代序列的时间序列平稳性检验方法和 Lilliefors 检验法对 DAS 记录中复杂背景噪声的平稳性和高斯性进行研究。 用以分析的实际地震数据是按照勘探工业要求采集的井中 DAS 记录。 研究结果表明, DAS 背景噪声是非平稳、 非高斯随机过程且噪声特性随记录时长发生变化。 相关研究成果实现了针对 DAS 背景噪声特性的可靠认知, 对提高 DAS记录处理水平具有重要参考价值。

在恶劣的环境下传感器节点能量限制一直是制约油气管道物联网性能的关键因素。 网络端对端延时决定了油气管道物联网对于管道安全事故的反应时间。 为此, 针对油气管道物联网能量限制和端对端延时问题提出基于多目标优化的管道物联网无线路由算法, 通过将节点剩余能量以及节点到汇聚节点之间的距离作为机会路由中选择候选转发节点的指标, 实现了物联网中能量的均衡, 通过减少数据传输跳数, 达到减少网络端对端延时的目的。 仿真结果表明, 与经典机会路由算法相比, 该算法能有效兼顾网络寿命和网络延时改善网络性能, 不仅能使网络获得较长的使用周期, 还能减少油气管道物联网对安全事故的反应时间。

针对 2D-VMD(2D-Variational Mode Decomposition) 算法需要人为预设 K 值的问题, 提出了一种基于BAS-2D-VMD(Beetle Antennae Search Algorithm-2D-Variational Mode Decomposition)的图像去噪算法。 该方法首先用 BAS 算法搜寻2D-VMD 参数 K 的最佳值, 然后对图像进行2D-VMD 分解, 得到 K 个子模态, 最后将对计算各个模态与原图像的相关系数进行模态筛选, 并将选中的模态进行重构, 得到去噪后的图像。 仿真实验表明,该方法与中值滤波和维纳滤波相比取得了较高的峰值信噪比。 将该算法应用到架空输电线图像处理领域,对无人机采集到的线路图像进行去噪, 与传统的算法对比取得较好的去噪效果, 解决了线路图像噪声难以去除的问题。

针对变分模态分解(VMD: Variational Mode Decomposition)算法分解后有效模态分量选择困难以及去噪效果不理想等问题, 将粒子群(PSO: Particle Swarm Optimization)与 VMD 算法结合, 提出一种基于混沌和 Sigmoid函数改进 PSO 的优化算法。 利用改进的 PSO 算法优化 VMD 的分解模态数 k 和惩罚因子 琢, 进行模态分解,然后计算各模态分量概率密度函数与信号概率密度函数之间的欧氏距离(ED: Euclidean Distance), 选取有效模态分量重构信号。 实验结果表明, 该算法与 VMD-CORR(Variational Mode Decomposition-Correlation Coeffificient)算法和 EMD-ED(Empirical Mode Decomposition-Euclidean Distance)算法相比, 仿真信号和实际管道泄漏信号都得到了较好的去噪效果, 并验证了其在管道泄漏检测中的有效性。

为进一步对控制系统进行系统分析与设计, 对离散时滞奇异摄动不确定控制系统设计动态输出反馈控制器, 使闭环系统渐近稳定。 针对时滞依赖和时滞独立两种情形进行讨论, 构造一种新的二次求和型李雅普诺夫泛函。 利用交叉项界定方法对泛函差分过程进行放大, 并综合运用引理消除系统的不确定性, 推出动态输出反馈控制器在时滞条件下存在的充分性判据, 扩大控制器的摄动控制范围。 对所得结论进行推广, 通过算例验证该方法的有效性和可行性, 并通过对比相应文献, 说明所得控制器具有一定的优越性, 可使闭环系统渐近稳定。 不仅符合设计要求, 而且能达到二次调节控制效果。

为克服传统的跟踪微分器在进入稳态后出现的高频振颤现象, 引入了一个新的综合控制函数。 利用Matlab / Simulink软件中的 S-函数对跟踪微分器进行了建模、 封装, 通过仿真技术进行了实验分析与研究。数值仿真结果表明, 应用新的综合控制函数的跟踪微分器, 不但能快速无超调地跟踪输入信号, 而且消除了输入信号的微分稳态时的高频振颤; 对混入噪声的信号, 它还能有效地抑制噪声, 还原初始信号, 具有良好的滤波作用。

为解决混合蛙跳算法在求解连续函数优化问题中出现的收敛速度慢、 求解精度低的问题, 提出一种求解约束优化问题的元胞混洗蛙跳算法。 算法利用元胞的邻域结构代替基本蛙跳算法的分组方法, 进而克服经典混洗蛙跳算法分组的缺点。 通过元胞自动机的邻域结构和演化规则降低算法的选择压力和保持种群多样性,利用改进的螺旋进化方式和混沌变异方式平衡局部搜索和全局寻优的关系, 进而提高算法寻优速度和寻优精度。 经仿真实验将所提算法与 5 个改进蛙跳算法进行对比可知, 无论是典型基准函数优化问题, 还是油田措施规划方案求解产出投入比, 该算法都能获得很好的求解结果。

为解决使用语音信号准确识别动物以保护和研究野生动物的问题, 提出一种全连接算法与稀疏连接算法相结合的全卷积神经网络(FCNN: Fully Convolutional Neural Network), 用于语音的自动识别。 利用全连接算法提取更多的组合特征, 稀疏连接算法筛选重要特征可加快收敛速度。 同时给出了具体的模型结构及算法流程,并进行了动物语音识别实验。 实验结果表明, 该全卷积神经网络深度学习算法是一种语音自动识别的有效方法, 解决了蛙声识别问题, 为动物语音识别提供参考。

针对事故树分析法不能对管道风险进行多态性分析, 且无法实现双向推理问题, 提出一种基于贝叶斯网络的油田管道失效概率计算方法。 首先, 建立油田管道失效风险事故树模型, 利用事故树与贝叶斯网络的转换确定贝叶斯网络结构, 完成管道失效风险贝叶斯网络模型结构的构建; 其次, 考虑到由专家知识经验及期望最大化算法确定的网络参数存在较大的估计误差问题, 引入遗传算法完成贝叶斯网络参数学习以此获取最优参数; 最后, 将该方法应用于实际油田管道风险问题, 利用 GeNIe 贝叶斯网络仿真软件计算油田管道失效概率,同时对每个风险因素进行分析并得到影响管道发生失效的致因链。 实验证明, 所提方法在评估精度上得到了显著地提升。

为解决企业信用度面对数据来源多且复杂的问题, 提出一种计算企业信用度的新方法。 该方法基于传统线性回归方法的改进, 通过计算企业内重要评价参数的平均值, 得到企业信用度的平衡值。 同时, 因为减少了影响性较低的参数, 从而优化了传统线性回归法产生的误差, 并且准确地计算企业的信用度。 得到的信用度数值, 可以有效地定义企业的好坏。 实验表明, 改良式线性回归在企业信用度的评估过程普遍优于传统的线性回归, 并且只需要少量的变量即可达到相近的成果,同时还可以产生较好的分类效率。

随着语义 Web 技术和知识图谱的出现, 目前查询模式大多要求查询结果与用户查询进行语义级匹配,简单的查询处理过程已经不能满足用户的查询需求。 为此, 对知识图谱查询涉及的重写技术和实现方法进行了研究, 在定义 SPARQL( SPARQL Protocol and RDF Query Language) 查询模式的重写规则集合基础上,利用Prolog逻辑程序对 SPARQL 查询语句进行了重写实现。 在分布式数据存储环境下, 通过对 LUBM( Lehigh University Benchmark)实验数据的测试分析证实, 相比原查询语句, 重写后的查询语句能挖掘出知识图谱中更多的语义信息。

为帮助学习者准确了解自己和其同伴在学习过程中进展, 并引发学习者元认知和社会比较学习体验,笔者运用社会比较理论, 设计并开发了基于表格的开放性社会学习者模型 TableOSLM, 其采用表格可视化形式呈现学习者本人、 组和学习同伴的学习进展, 在实证研究方面, 通过问卷调查、 实验研究法和面对面访谈等方式收集数据, 评价结果表明: TableOSLM 能引发学习者在学习规划和自我反思两个维度上的元认知学习体验和在比较方式和自我完善两个维度上的社会比较学习体验; 学习者对 TableOSLM 在有用性、 易用性和满意度 3 个方面都表现出较高的认可度。

为了测定石英增强光声光谱气体传感系统的谐振频率与品质因数, 同时服务于《高频电子线路》中 R-L-C选频电路的教学需求, 促进教学与科研的充分融合, 设计并实现了一种石英音叉扫频及性能测试系统。 首先分析了石英音叉的 R-L-C 电学模型, 采用 Matlab 软件对模型做了仿真分析。 研制了跨阻放大电路, 用于放大正弦激励或外加声场作用下的石英音叉输出信号。 利用锁相放大器、 跨阻放大器、 信号发生器、 LabVIEW 信号平台, 建立了石英音叉扫频及性能测试系统。 利用给定的石英音叉及该测试系统, 在真空封装及去除外壳两种情况下, 分别测试了石英音叉的等效电学参数、 谐振频率、 品质因数等性能。 该系统既融合了 R-L-C 选频电路的基本知识, 又拓展了基于石英音叉的科研应用案例。 实际应用表明, 石英音叉扫频及性能测试系统满足 R-L-C选频电路的实验教学需求以及石英增强光声光谱技术的科研需要, 取得了较好的教学与科研应用效果。

在 iOS 开发过程中, 因为系统自带方法对应的功能不足, 使部分业务需求不能有效地实现。 为此, 首先对 Runtime 库的主要 API 接口用途进行了研究, 找到可利用的接口; 然后对 Runtime 消息转发机制进行研究,证明函数调用的实质就是消息的传递; 最后通过实际案例, 证明了应用 Runtime 可以解决系统方法不足的问题。 结果表明, 通过 Runtime 库给系统自带的类动态添加或修改成员变量和成员方法具有可行性, 可为 iOS开发者提供参考和借鉴。

针对传统考研成绩变量预测方法的变量关联性低, 导致预测结果存在较大误差的问题, 提出基于 Logistic算法的考研成绩变量预测方法。 收集并处理历年考研成绩数据和学生成绩数据, 作为成绩变量预测的初始数据。 设置考研成绩的预测变量, 建立 Logistic 回归分类算法模型, 通过该模型的运算提高考研成绩变量之间的关联性。 综合历年考研成绩数据的发展规律以及变量的影响因素分析结果, 得出考研成绩变量的预测结果。通过对比实验分析得出结论: 基于 Logistic 算法的考研成绩变量预测方法的预测误差率较低, 预测准确性较高。

为实现家居系统的智能控制, 提出一种基于脑机接口、 脑电信号识别分类和增强现实(AR: Augmented Reality)的解决方案。 通过佩戴设备收集提取脑电图(EEG: Electro Encephalo Gram)信号, 对数据使用小波变换去噪并利用短时傅立叶变换进一步处理, 利用主成分分析(PCA: Principal Component Analysis)进行降维和卷积神经网络(CNN: Convolutional Neural Network)进行分类, 形成分类模型。 根据分类结果得到大脑发出的指令,以此对家居进行控制, 结合 AR 技术能使控制过程可视化且更具交互性, 符合未来智能家居控制方法的发展趋势。