为提高无法准确建立数学模型的非线性约束单目标系统优化问题的寻优精度,并考虑获取样本的代价,提出一种基于支持向量机和免疫粒子群算法的组合方法(support vector machine and immune particle swarm optimization,SVM-IPSO).首先,运用支持向量机构建非线性约束单目标系统预测模型,然后,采用引入了免疫系统自我调节机制的免疫粒子群算法在预测模型的基础上对系统寻优.与基于BP神经网络和粒子群算法的组合方法(BP and particle swarm optimization,BP-PSO)进行仿真实验对比,同时,通过减少训练样本,研究了在训练样本较少情况下两种方法的寻优效果.实验结果表明,在相同样本数量条件下,SVM-IPSO方法具有更高的优化能力,并且当样本数量减少时,相比BP-PSO方法,SVM-IPSO方法仍能获得更稳定且更准确的系统寻优值.因此,SVM-IPSO方法为实际中此类问题提供了一个新的更优的解决途径

以平均粒径2.2μm、纯度99.99%的硅粉为原料,采用纯度99.993%的高纯氮气作为反应气体,在1350和1400℃下进行了氮化时间为10~30 min的氮化实验,得出了不同温度下硅粉转化率随反应时间的变化关系.将硅氮反应看成非催化气固反应,建立了硅颗粒氮化动力学模型.通过对实验数据的拟合,得出两个模型参数:硅氮反应速率常数和氮气在产物层中的扩散系数.假定反应速率常数和扩散系数均满足阿伦尼乌斯公式,求得化学反应激活能和指前因子分别为2.71×104J·mol-1和3.07×10-5m·s-1,扩散激活能和指前因子分别为1.06×105J·mol-1和1.12×10-9m2·s-1.利用本文得出的氮化动力学模型对各温度下不同粒径硅粉的转化曲线进行了预测,预测曲线与文献中的实验数据在趋势上吻合较好

从安钢电极控制的实际应用出发,应用数据挖掘技术建立了电极预测模型并应用于电极控制系统的参数整定.首先介绍了建立电极预测模型的数据挖掘过程;然后在数据挖掘算法中提出了一种新的变结构遗传Elman网络方法,该算法用改进的混合遗传算法对网络结构和权值及自反馈增益同步动态寻优.将基于BP算法的Elman网络和本文提出的变结构遗传Elman网络都应用于安钢交流电弧炉的电极预测模型中进行比较.通过基于安钢现场数据的计算机仿真实验表明:采用变结构遗传Elman网络的数据挖掘算法比BP算法具有更好的动态性能、更快的逼近速度和更高的精度.在此基础上,把建立的模型应用于安钢电极控制系统的参数整定,取得了良好的控制效果

建立了折流式移动流化床内粉铁矿预还原的二维气固反应流CFD模型.模型的数值求解采用PHOENICS和FLUENT的联合求解.与之前的实验结果相比,在冷态条件下单床层平均压降和气固相流动行为的数值模拟结果与其基本一致,得出所提出的数学模型是可靠的.在此模型基础上,对采用COREX输出煤气对铁矿粉预还原的工艺过程进行热态模拟.在模拟的工况条件下,还原气温度的整体降幅700 K,气相CO和H_2还原势的利用率分别达到38%和26%,矿粉的还原分数达到75%,即反应器内有良好的气固换热而且对COREX煤气还原势的利用率较高,实现了对还原气热能和还原势的梯度利用

针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题，提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征，以及产生更多的训练样本，采用滑动窗口对数据进行处理，同时采用卡尔曼滤波对数据进行降噪处理，将数据标准化以及设置RUL标签。与人工提取特征不同，利用一维CNN对数据进行特征提取，并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测，并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性，以及相比于其他机器学习或者深度学习模型的优越性，实验表明所提模型在RUL预测方面更加准确

1.1基本概念 时间序列所研究的是时间上的相关结构。它的应用广泛,从海洋学到金融学 都是它的应用范围。著名的CAPM模型(资本资产定价模型)和随机波动模型就是 含有时间序列成份的金融模型的例子。当我们考虑一时间序列时,我们通常考虑一 个数值的集合{X:t=1,…,n},其中下标t表示数据被观测到的时间。虽然直观 上很清楚,我们还是来详细描述一下X的一系列非标准特性。 非等距数据(缺损数据)。例如,若时间序列是某一证券的日收益率,则在节假 日等非交易日里就没有数据可得了

医疗实体识别是电子病历文本信息抽取的基本任务。针对中文电子病历文本复合实体较多、实体长度较长、句子成分缺失严重、实体边界不清的语言特点以及标注语料难以获取的现状，提出了一种基于领域词典和条件随机场（CRF）的双层标注模型。该模型通过对外部资源的统计分析构建医疗领域词典，再结合条件随机场，进行了两次不同粒度的标注，将领域词典识别的准确性和机器学习的自动性融为一体，从中文电子病历文本中识别出疾病、症状、药品、操作四类医疗实体。该模型在测试数据中的宏精确率为96.7%、宏召回率为97.7%、宏F1值为97.2%。同时对比分析了采用注意力机制的深度神经网络的识别效果，因受到领域数据集大小的限制，在该测试数据集中后者表现不佳。实验结果表明了该双层标注模型对中文医疗实体识别的高效性

在土-结构动力相互作用简化分析中,基于弹性半无限地基的假定,采用双自由度集总参数模型来简化土层,建立了基于土层集总参数模型的土-结构动力相互作用的分析模型,主要研究了不同土层对上部结构地震反应的影响.分析了在中硬、中软两种场地上5层和15层结构的地震反应,并与刚性基础假定下同样结构的地震反应分析比较.结果表明,对比较刚性的结构考虑土-结构相互作用可能存在一定的有利因素;对高层建筑,土-结构相互作用可能导致结构在地震作用下的层间变形较大幅度增加,是不利因素

通过合理的假设对H型钢变形区进行分区.基于流函数方法确定了各个变形区的速度场,建立了H型钢万能轧制力学模型.在此基础上,使用Powell多参数优化算法优化变形区参数以使变形区的总功率达到最小并最终求得H型钢轧制力能参数.计算中采用高斯积分的方法,使得计算结果更加准确.计算结果表明,腹板和翼缘的延伸率相同时,本文模型计算结果与经过实验数据验证的有限元结果的误差不超过1.53%,当偏离标准工况较大时,通过适当修正,亦可保证本文方法的计算精度.在腿腰延伸比λ=1附近时,模型计算的轧制力与有限元结果变化趋势相同.在合理的力臂系数情况下,两者结果吻合较好

针对电化学修复技术导致修复后结构内钢筋混凝土黏结性能退化问题，通过中心拉拔实验获取电化学修复后钢筋混凝土黏结滑移曲线，研究电化学修复参数（电流密度和通电时间）对钢筋混凝土黏结性能的影响规律，通过实验结果进行模型参数分析，建立基于电流密度和通电时间两个控制变量的黏结强度劣化模型。研究结果表明：电通量较小的情况下，钢筋混凝土黏结性能损失较小；不控制通电参数的电化学修复技术导致黏结强度下降明显，采用5 A·m–2的电流开展28 d的恒电流通电，试件的最大黏结力损失量高达56.9%；本文提出的劣化模型可以定量表征电化学修复后试件黏结强度折减情况，模型的数值模拟结果与本文及其他文献的实验结果均有较好的一致性，相关系数分别为0.9606和0.9745