摘要： 故障智能分類與決策是內(nèi)燃機(jī)故障診斷的重要手段。內(nèi)燃機(jī)燃燒排放的尾氣成分綜合反映出內(nèi)燃機(jī)運(yùn)行狀態(tài)的變化,對(duì)尾氣成分分析是一種有效的故障診斷方法,提出基于動(dòng)態(tài)權(quán)重的灰色關(guān)聯(lián)度算法實(shí)現(xiàn)故障關(guān)聯(lián)度區(qū)間及故障分類。實(shí)例計(jì)算結(jié)果表明,灰關(guān)聯(lián)度對(duì)內(nèi)燃機(jī)故障具有良好的區(qū)分度。發(fā)動(dòng)機(jī)故障診斷時(shí),只需計(jì)算出采集尾氣成分的小樣本數(shù)據(jù)的關(guān)聯(lián)度,并與所述發(fā)動(dòng)機(jī)故障的關(guān)聯(lián)區(qū)間相比較即診斷出發(fā)動(dòng)機(jī)故障類型。所提出的內(nèi)燃機(jī)故障分類與診斷方法可在專用故障診斷儀中對(duì)內(nèi)燃機(jī)故障進(jìn)行自診斷。

摘要： 基于定權(quán)重的風(fēng)電功率單一預(yù)測(cè)方法,不能夠及時(shí)調(diào)整鄰近時(shí)間內(nèi)的預(yù)測(cè)精準(zhǔn)度,造成與實(shí)測(cè)值誤差較大,為此提出基于動(dòng)態(tài)權(quán)重的風(fēng)電功率組合預(yù)測(cè)方法。通過清洗風(fēng)電功率預(yù)測(cè)中的異常數(shù)據(jù),確定受波動(dòng)性影響的風(fēng)電功率參數(shù)值;基于動(dòng)態(tài)權(quán)重算法,實(shí)現(xiàn)風(fēng)電功率組合的預(yù)測(cè)。通過實(shí)驗(yàn)對(duì)比結(jié)果表明,基于動(dòng)態(tài)權(quán)重的風(fēng)電功率組合預(yù)測(cè)方法,能夠有效降低原始風(fēng)速對(duì)風(fēng)電功率數(shù)據(jù)波動(dòng)的影響,誤差率相對(duì)較低。

摘要： 焊接缺陷產(chǎn)生原因復(fù)雜,影響因素眾多,基于人工智能的缺陷成因診斷算法成為焊接智能化的發(fā)展方向.將PSO-BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于焊接缺陷成因診斷,利用神經(jīng)網(wǎng)絡(luò)的連接學(xué)習(xí)機(jī)制代替?zhèn)鹘y(tǒng)專家系統(tǒng)的規(guī)則推理機(jī)制,并對(duì)PSO算法進(jìn)行自適應(yīng)調(diào)整,引入動(dòng)態(tài)權(quán)重因子,搭建自適應(yīng)PSO-BP神經(jīng)網(wǎng)絡(luò)模型.結(jié)果表明,與傳統(tǒng)PSO-BP神經(jīng)網(wǎng)絡(luò)模型相比,改進(jìn)的PSO-BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練所需要的迭代次數(shù)減少13.1%,診斷結(jié)果準(zhǔn)確率從93.3%提高至96.7%,精確率從91.3%提高至98.3%,綜合能力指標(biāo)從91.7%提高至96.9%.改進(jìn)算法能夠明顯提升焊接缺陷成因診斷的效率和精度,具有較好的工程應(yīng)用價(jià)值.

摘要： 利用2014年和2018年鄱陽湖豐-漲-枯-退4個(gè)水文時(shí)期的監(jiān)測(cè)數(shù)據(jù),引入可拓評(píng)價(jià)法對(duì)鄱陽湖水生態(tài)系統(tǒng)健康進(jìn)行評(píng)價(jià)并探討指標(biāo)動(dòng)態(tài)權(quán)重的影響。結(jié)果表明:鄱陽湖水生態(tài)系統(tǒng)健康狀態(tài)不同水文時(shí)期差異顯著,退水期最優(yōu),枯水期最差,漲水期稍優(yōu)于豐水期。鄱陽湖水生態(tài)系統(tǒng)健康評(píng)價(jià)指標(biāo)權(quán)重具有動(dòng)態(tài)變化特征,指標(biāo)權(quán)重值會(huì)隨著指標(biāo)具體取值的不同而發(fā)生變化,即便指標(biāo)值相同,各指標(biāo)間關(guān)系不同,指標(biāo)權(quán)重也不同,從而影響鄱陽湖水生態(tài)系統(tǒng)健康的評(píng)價(jià)結(jié)果。鄱陽湖不同時(shí)期生態(tài)系統(tǒng)功能和結(jié)構(gòu)差異較大,采用動(dòng)態(tài)的權(quán)重對(duì)其水生態(tài)系統(tǒng)健康評(píng)價(jià)相對(duì)更加合理。

摘要： 為了建立更為客觀且評(píng)價(jià)精度更高的泥石流危險(xiǎn)性評(píng)價(jià)模型,深入分析泥石流危險(xiǎn)性的影響因素,運(yùn)用層次分析法構(gòu)建了不同降雨工況下動(dòng)態(tài)權(quán)重系統(tǒng),結(jié)合模糊綜合評(píng)價(jià)法實(shí)現(xiàn)了對(duì)蘇峪口泥石流危險(xiǎn)性動(dòng)態(tài)評(píng)價(jià)。結(jié)果表明:隨著降雨強(qiáng)度變化,指標(biāo)權(quán)重呈現(xiàn)非線性動(dòng)態(tài)變化特征,研究區(qū)泥石流危險(xiǎn)性對(duì)各危險(xiǎn)等級(jí)的隸屬度不斷變化,表現(xiàn)為隨著降雨量增大,危險(xiǎn)性逐級(jí)升高。分析認(rèn)為所提出的泥石流危險(xiǎn)性動(dòng)態(tài)評(píng)價(jià)方法在考慮降雨指標(biāo)取值變化對(duì)評(píng)價(jià)結(jié)果影響的基礎(chǔ)上,兼顧了指標(biāo)權(quán)重對(duì)降雨工況的響應(yīng),評(píng)價(jià)結(jié)果相對(duì)傳統(tǒng)方法更為精準(zhǔn),也更符合客觀實(shí)際。

摘要： 隨著機(jī)器學(xué)習(xí)在多個(gè)領(lǐng)域的研究取得進(jìn)展,物理信息神經(jīng)網(wǎng)絡(luò)為偏微分方程的求解提供了新思路,但該方法難以獲得高精度的數(shù)值解.結(jié)合物理信息神經(jīng)網(wǎng)絡(luò)與兩重網(wǎng)格求解偏微分方程的思想,提出了基于兩重網(wǎng)格的深度學(xué)習(xí)方法求解定常偏微分方程.針對(duì)神經(jīng)網(wǎng)絡(luò)求解多目標(biāo)問題,采取了動(dòng)態(tài)權(quán)重策略平衡損失函數(shù)中各項(xiàng)之間的數(shù)值差異,有效緩解了梯度病態(tài)現(xiàn)象.最后,給出了若干數(shù)值實(shí)驗(yàn),驗(yàn)證了結(jié)合動(dòng)態(tài)權(quán)重策略的深度學(xué)習(xí)方法在提高計(jì)算精度上的有效性.

摘要： 針對(duì)現(xiàn)有紗線毛羽檢測(cè)方法無法有效檢測(cè)彎曲毛羽和交叉毛羽的缺陷,提出一種基于圖像法的紗線毛羽路徑匹配追蹤算法。將采集到的紗線毛羽圖像通過預(yù)處理、骨干化處理獲取毛羽骨干圖像,以毛羽端點(diǎn)作為起始點(diǎn),對(duì)其八鄰域像素點(diǎn)進(jìn)行判斷獲取新的毛羽路徑點(diǎn),重復(fù)對(duì)毛羽路徑點(diǎn)鄰域判斷直到?jīng)]有毛羽路徑點(diǎn)存在。對(duì)毛羽交叉出現(xiàn)多路徑點(diǎn)的情況,提出交叉匹配值指標(biāo),即根據(jù)毛羽交叉點(diǎn)前部分相鄰毛羽路徑點(diǎn)間斜率并分配動(dòng)態(tài)權(quán)重得到毛羽局部斜度,利用交叉匹配值對(duì)多路徑毛羽點(diǎn)進(jìn)行匹配獲取新的毛羽路徑點(diǎn),通過本文毛羽追蹤方法獲取毛羽像素?cái)?shù)量并轉(zhuǎn)化為毛羽長度。與人工法和投影法檢測(cè)結(jié)果對(duì)比表明:本文毛羽追蹤檢測(cè)結(jié)果與人工檢測(cè)毛羽結(jié)果誤差在4%以內(nèi),有效解決了交叉毛羽和彎曲毛羽追蹤檢測(cè)問題,提高了紗線毛羽的檢測(cè)準(zhǔn)確度。

摘要： 文本情感分類是自然語言處理中的經(jīng)典任務(wù),在判斷文本的情感極性、輿情監(jiān)控、市場(chǎng)呼聲、商品評(píng)論等領(lǐng)域有重要的應(yīng)用價(jià)值。該文提出了一種基于預(yù)訓(xùn)練模型進(jìn)行細(xì)粒度文本情感分類的新方法?；谖恼录?jí)別的情感分類任務(wù),需要模型同時(shí)具有較高的語義概括能力和抗噪能力。為此,該文利用BiLSTM網(wǎng)絡(luò)對(duì)預(yù)訓(xùn)練模型中每層Transformer的權(quán)重進(jìn)行調(diào)整,通過將各層表達(dá)的不同粒度的語義表征進(jìn)行動(dòng)態(tài)融合的方式,提高模型的語義空間表達(dá)能力。為了增強(qiáng)模型的泛化性能,該文在下游任務(wù)結(jié)合BiLSTM和BiGRU等結(jié)構(gòu)對(duì)得到的語義向量進(jìn)行特征過濾。利用該模型,作者在CCF 2020年舉辦的科技戰(zhàn)疫·大數(shù)據(jù)公益挑戰(zhàn)賽—疫情期間網(wǎng)民情緒識(shí)別賽道中位列第三,最終測(cè)試集的F_(1)值為0.74537,該模型的參數(shù)量比第一名模型少67%,但二者分?jǐn)?shù)差距僅為0.0001,說明該方法具備可行性與有效性。

摘要： 邊緣計(jì)算(Edge Computing)作為一種新的計(jì)算范式,在網(wǎng)絡(luò)邊緣提供計(jì)算服務(wù),相比傳統(tǒng)的云計(jì)算模式,它具有高可信、低延遲等特點(diǎn),在各行各業(yè)中有著廣闊的應(yīng)用前景,但在隱私保護(hù)和數(shù)據(jù)處理上仍存在一些問題。而聯(lián)邦學(xué)習(xí)作為一種分布式的機(jī)器學(xué)習(xí)技術(shù),能很好地解決邊緣計(jì)算場(chǎng)景下數(shù)據(jù)分布不一致和數(shù)據(jù)隱私問題,但仍面臨設(shè)備異構(gòu)、數(shù)據(jù)異質(zhì)及通信方面的挑戰(zhàn),如模型偏移、收斂效果差、部分設(shè)備計(jì)算結(jié)果丟失等問題。為解決上述問題,提出動(dòng)態(tài)權(quán)重的聯(lián)邦學(xué)習(xí)優(yōu)化算法(FedDw)。該算法關(guān)注設(shè)備的服務(wù)質(zhì)量,減少訓(xùn)練速度不一致導(dǎo)致部分設(shè)備參與帶來的異構(gòu)性影響,并根據(jù)服務(wù)質(zhì)量確定在最終模型聚合時(shí)的占比,從而確保聚合的結(jié)果在復(fù)雜的真實(shí)情況下更具有魯棒性。在10個(gè)地區(qū)氣象站的真實(shí)數(shù)據(jù)集上與FedProx和Scaffold這兩種典型的聯(lián)邦學(xué)習(xí)算法進(jìn)行了對(duì)比,實(shí)驗(yàn)結(jié)果表明FedDw算法具有更好的綜合性能。

摘要： 以基于全卷積孿生網(wǎng)絡(luò)的目標(biāo)跟蹤(SiamFC,fully-convolutional siamese networks for object tracking)算法為代表的部分深度孿生網(wǎng)絡(luò)目標(biāo)跟蹤算法均是針對(duì)目標(biāo)外觀信息進(jìn)行設(shè)計(jì)的,易受高速移動(dòng)、運(yùn)動(dòng)模糊、光照變化等因素的影響,造成跟蹤目標(biāo)漂移或丟失。為了提高算法對(duì)目標(biāo)外觀變化的適應(yīng)能力,給出一種基于動(dòng)態(tài)權(quán)重的雙分支孿生網(wǎng)絡(luò)目標(biāo)跟蹤算法,以替換特征提取網(wǎng)絡(luò)后的SiamFC算法作為外觀分支,在此基礎(chǔ)上增加利用雙重注意力強(qiáng)化信息提取的語義分支作為外觀分支的有效補(bǔ)充。跟蹤階段利用動(dòng)態(tài)權(quán)重系數(shù)結(jié)合兩分支的跟蹤結(jié)果,有效抑制了目標(biāo)外觀變化對(duì)跟蹤算法的影響,提升了算法的跟蹤精度和魯棒性。在4個(gè)標(biāo)準(zhǔn)目標(biāo)跟蹤數(shù)據(jù)集OTB2015、UAV20L、UAV123和GOT-10k上驗(yàn)證了本文算法的有效性,平均跟蹤幀率為47幀/s,滿足跟蹤實(shí)時(shí)性要求。

摘要： 為了保證露天礦邊坡的穩(wěn)定性,提高開采的安全性,減少人身財(cái)產(chǎn)損失,針對(duì)邊坡穩(wěn)定性存在的模糊不確定性和層次性的特點(diǎn),采用模糊數(shù)學(xué)方法,建立邊坡穩(wěn)定性模糊綜合評(píng)價(jià)模型.通過實(shí)地走訪結(jié)合文獻(xiàn)總結(jié),選用5個(gè)影響因素及其對(duì)應(yīng)的18個(gè)影響因子,集成誤差傳遞原理、相似性和差異性分析以及區(qū)間數(shù)矩陣相對(duì)優(yōu)勢(shì)度分析建立動(dòng)態(tài)權(quán)重.研究結(jié)果表明:該模型得到的結(jié)果能較準(zhǔn)確地反映邊坡的穩(wěn)定程度,評(píng)價(jià)結(jié)果與實(shí)際結(jié)果相吻合,為邊坡穩(wěn)定性評(píng)價(jià)提供了一種可行的方法.

摘要： 根據(jù)西北太平洋熱帶氣旋路徑客觀預(yù)報(bào)的特點(diǎn),設(shè)計(jì)了一種動(dòng)態(tài)權(quán)重集成預(yù)報(bào)方案,以多種客觀預(yù)報(bào)方法的平均距離誤差為評(píng)估參數(shù),尤其注重各方法從起報(bào)到實(shí)時(shí)預(yù)報(bào)之間的平均距離誤差,經(jīng)過相應(yīng)的轉(zhuǎn)換,賦予各方法動(dòng)態(tài)歸一化權(quán)重系數(shù),從而完成預(yù)報(bào)集成.2000年臺(tái)汛期期間試驗(yàn)預(yù)報(bào)表明,該集成方法簡單實(shí)用,在一定程度上提高了臺(tái)風(fēng)路徑綜合預(yù)測(cè)水平.

摘要： 動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估是反饋施工信息并實(shí)時(shí)控制從而規(guī)避隧道施工風(fēng)險(xiǎn)的一種重要手段.基于傳統(tǒng)指標(biāo)體系法,引入動(dòng)態(tài)權(quán)重的概念,建立了一種動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估模型,即以普適標(biāo)準(zhǔn)權(quán)重表征隧道施工風(fēng)險(xiǎn)歷史信息,以工程標(biāo)準(zhǔn)權(quán)重表征隧道工程特殊性,以權(quán)重更新系數(shù)表征隧道施工過程中評(píng)估指標(biāo)權(quán)重的動(dòng)態(tài)變化.并以隧道工程施工塌方風(fēng)險(xiǎn)為例,論述了動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估模型的建立與實(shí)施流程.與目前相關(guān)指南推薦的方法相比較,本方法把工程施工過程通過參數(shù)方式引入,從而實(shí)現(xiàn)了真正的動(dòng)態(tài)施工、動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估的目的,可為實(shí)際隧道工程施工風(fēng)險(xiǎn)管理所借鑒.

摘要： 針對(duì)不同負(fù)荷對(duì)電能質(zhì)量指標(biāo)的敏感度不同,提出了一種基于改進(jìn)拉開檔次法的電能質(zhì)量動(dòng)態(tài)綜合評(píng)價(jià)方法。首先根據(jù)負(fù)荷對(duì)不同電能質(zhì)量指標(biāo)的敏感性程度,確定指標(biāo)的序關(guān)系,應(yīng)用序關(guān)系分析法得到主觀權(quán)重向量,用這一主觀權(quán)重將指標(biāo)觀測(cè)值進(jìn)行權(quán)化,再針對(duì)權(quán)化后的指標(biāo)觀測(cè)值利用拉開檔次法得到客觀權(quán)重,此時(shí)得到的客觀權(quán)重就是考慮了負(fù)荷對(duì)不同指標(biāo)敏感度后的集成權(quán)重。其次,考慮到短板效應(yīng)的影響,再根據(jù)指標(biāo)觀測(cè)值的分布情況對(duì)得到的集成權(quán)重進(jìn)行調(diào)整,最后得到一個(gè)動(dòng)態(tài)權(quán)重向量。利用此動(dòng)態(tài)權(quán)重和灰色關(guān)聯(lián)分析法,便可得到各監(jiān)測(cè)點(diǎn)的電能質(zhì)量等級(jí)?；贛ATLAB編寫電能質(zhì)量評(píng)估程序,對(duì)山西省連莊變電站和西嶺變電站的實(shí)測(cè)數(shù)據(jù)進(jìn)行分析,并與其它方法得到的評(píng)估結(jié)果進(jìn)行了比較,充分證明了該方法的合理性和實(shí)用性。

摘要： 針對(duì)IT項(xiàng)目的風(fēng)險(xiǎn)管理與群決策過程中存在大量不確定、不完全信息等特征,在傳統(tǒng)決策方法的基礎(chǔ)上,將粗糙集方法與AHP理論相結(jié)合,提出了粗集IT項(xiàng)目風(fēng)險(xiǎn)群決策的基本步驟,并借助粗糙集的原理與方法,通過實(shí)例分析探討了IT項(xiàng)目風(fēng)險(xiǎn)群決策中關(guān)于知識(shí)表達(dá)、屬性約簡、規(guī)則挖掘、方案排序等方法,尤其是引入屬性動(dòng)態(tài)權(quán)重、專家主觀權(quán)重、客觀權(quán)重的概念與計(jì)算方法,進(jìn)而對(duì)整個(gè)決策排序算法進(jìn)行了改進(jìn).

摘要： 本文針對(duì)IT項(xiàng)目的風(fēng)險(xiǎn)管理與群決策過程中存在大量不確定、不完全信息等特征,在傳統(tǒng)決策方法的基礎(chǔ)上,將粗糙集方法與AHP理論相結(jié)合.提出了粗集IT項(xiàng)目風(fēng)險(xiǎn)群決策的基本步驟,并借助粗糙集的原理與方法,通過實(shí)例分析探討了IT項(xiàng)目風(fēng)險(xiǎn)群決策中關(guān)于知識(shí)表達(dá)、屬性約簡、規(guī)則挖掘、方案排序等方法.尤其是引入動(dòng)態(tài)權(quán)重的概念與計(jì)算方法,進(jìn)而對(duì)整個(gè)決策規(guī)則挖掘的算法進(jìn)行了簡化和改進(jìn).

摘要： 本文提出了一種新的多分類器系統(tǒng)模型,該模型通過定義兩個(gè)基本分類器實(shí)時(shí)性能指標(biāo)——實(shí)時(shí)決策支持度和實(shí)時(shí)決策置信度,在多分類器系統(tǒng)基礎(chǔ)上構(gòu)建臨時(shí)的動(dòng)態(tài)子系統(tǒng),然后由該子系統(tǒng)代替初始多分類器系統(tǒng)來完成融合決策.動(dòng)態(tài)子多分類器系統(tǒng)模型是一種不同于傳統(tǒng)動(dòng)態(tài)分類器選擇和分類器聯(lián)合方法的新模型,其能夠更有效地排除不穩(wěn)定基本分類器對(duì)多分類器系統(tǒng)融合決策性能的影響.試驗(yàn)表明該模型在模式識(shí)別性能上能夠獲得較好的性能,魯棒性和可靠性比基本分類器和傳統(tǒng)多分類器系統(tǒng)方法更強(qiáng).

摘要： 本文提出了一種新的多分類器系統(tǒng)模型,該模型通過定義兩個(gè)基本分類器實(shí)時(shí)性能指標(biāo)——實(shí)時(shí)決策支持度和實(shí)時(shí)決策置信度,在多分類器系統(tǒng)基礎(chǔ)上構(gòu)建臨時(shí)的動(dòng)態(tài)子系統(tǒng),然后由該子系統(tǒng)代替初始多分類器系統(tǒng)來完成融合決策.動(dòng)態(tài)子多分類器系統(tǒng)模型是一種不同于傳統(tǒng)動(dòng)態(tài)分類器選擇和分類器聯(lián)合方法的新模型,其能夠更有效地排除不穩(wěn)定基本分類器對(duì)多分類器系統(tǒng)融合決策性能的影響.試驗(yàn)表明該模型在模式識(shí)別性能上能夠獲得較好的性能,魯棒性和可靠性比基本分類器和傳統(tǒng)多分類器系統(tǒng)方法更強(qiáng).

摘要： 本文提出了一種新的多分類器系統(tǒng)模型,該模型通過定義兩個(gè)基本分類器實(shí)時(shí)性能指標(biāo)——實(shí)時(shí)決策支持度和實(shí)時(shí)決策置信度,在多分類器系統(tǒng)基礎(chǔ)上構(gòu)建臨時(shí)的動(dòng)態(tài)子系統(tǒng),然后由該子系統(tǒng)代替初始多分類器系統(tǒng)來完成融合決策.動(dòng)態(tài)子多分類器系統(tǒng)模型是一種不同于傳統(tǒng)動(dòng)態(tài)分類器選擇和分類器聯(lián)合方法的新模型,其能夠更有效地排除不穩(wěn)定基本分類器對(duì)多分類器系統(tǒng)融合決策性能的影響.試驗(yàn)表明該模型在模式識(shí)別性能上能夠獲得較好的性能,魯棒性和可靠性比基本分類器和傳統(tǒng)多分類器系統(tǒng)方法更強(qiáng).

摘要： 本文提出了一種新的多分類器系統(tǒng)模型,該模型通過定義兩個(gè)基本分類器實(shí)時(shí)性能指標(biāo)——實(shí)時(shí)決策支持度和實(shí)時(shí)決策置信度,在多分類器系統(tǒng)基礎(chǔ)上構(gòu)建臨時(shí)的動(dòng)態(tài)子系統(tǒng),然后由該子系統(tǒng)代替初始多分類器系統(tǒng)來完成融合決策.動(dòng)態(tài)子多分類器系統(tǒng)模型是一種不同于傳統(tǒng)動(dòng)態(tài)分類器選擇和分類器聯(lián)合方法的新模型,其能夠更有效地排除不穩(wěn)定基本分類器對(duì)多分類器系統(tǒng)融合決策性能的影響.試驗(yàn)表明該模型在模式識(shí)別性能上能夠獲得較好的性能,魯棒性和可靠性比基本分類器和傳統(tǒng)多分類器系統(tǒng)方法更強(qiáng).

摘要： 本發(fā)明公開了一種解決屬性權(quán)重和時(shí)間權(quán)重復(fù)雜性的動(dòng)態(tài)決策方法，包括：根據(jù)戰(zhàn)場(chǎng)環(huán)境，提取每個(gè)目標(biāo)戰(zhàn)機(jī)的決策信息；將目標(biāo)戰(zhàn)機(jī)屬性信息轉(zhuǎn)換為不同時(shí)刻tk的區(qū)間直覺模糊矩陣，得到?jīng)Q策矩陣使用離差最大化方法獲取每個(gè)目標(biāo)戰(zhàn)機(jī)的屬性權(quán)重w(t)；利用數(shù)據(jù)聚合算子IVIFPWGA將不同時(shí)刻tk決策矩陣中的元素進(jìn)行聚合，得到各敵方戰(zhàn)機(jī)Ti在不同時(shí)刻tk的綜合區(qū)間直覺模糊值通過優(yōu)劣解距離法TOPSIS得到時(shí)間權(quán)重向量λ(t)；利用數(shù)據(jù)聚合算子DIVIFPWGA得到各敵方戰(zhàn)機(jī)Ti在每個(gè)時(shí)刻tk的綜合區(qū)間直覺模糊值獲取綜合區(qū)間直覺模糊值的得分函數(shù)和準(zhǔn)確度函數(shù)對(duì)所述得分函數(shù)進(jìn)行排序，得到?jīng)Q策結(jié)果。本方法提高了決策結(jié)果的可靠性，有效地降低了算法的時(shí)間復(fù)雜度，能更精確的對(duì)空戰(zhàn)目標(biāo)進(jìn)行威脅評(píng)估。

摘要： 本發(fā)明公開了一種避免權(quán)重失衡之自動(dòng)動(dòng)態(tài)調(diào)整權(quán)重?cái)?shù)值輪替模塊設(shè)計(jì)，多銜接復(fù)數(shù)要求輸入,代表需同時(shí)接受復(fù)數(shù)以上的指令要求，搭配相對(duì)應(yīng)數(shù)量的權(quán)重輸入,藉由權(quán)重計(jì)算得出授予輸出值，本發(fā)明設(shè)定一組門檻值,利用此門檻值去判斷其最大權(quán)重與最小權(quán)重相差是否過大，一但判斷過大,則對(duì)最大權(quán)重進(jìn)行刪減,同時(shí)保留刪減的數(shù)值,用于合并下一次權(quán)重?cái)?shù)值再與門檻值比較；本發(fā)明公開了適用于資料權(quán)重排序輪替得模塊設(shè)計(jì),權(quán)重輪替設(shè)計(jì)主要應(yīng)用于多臺(tái)機(jī)器實(shí)現(xiàn)負(fù)載均衡時(shí)系統(tǒng)必須對(duì)資料要求進(jìn)行優(yōu)先順序處理等相關(guān)應(yīng)用，而本發(fā)明藉由門檻值來偵測(cè)權(quán)重誤差,進(jìn)而調(diào)整資料輪替排序,達(dá)到線上自動(dòng)動(dòng)態(tài)調(diào)變權(quán)重的特性,增加輪替排列彈性與效率。

摘要： 本發(fā)明提出一種動(dòng)態(tài)修剪深度神經(jīng)網(wǎng)絡(luò)權(quán)重和權(quán)重共享的壓縮方法，它在非結(jié)構(gòu)化剪枝的基礎(chǔ)上，在保證精度穩(wěn)定的情況下進(jìn)一步降低深度神經(jīng)網(wǎng)絡(luò)模型的參數(shù)冗余。本發(fā)明先對(duì)深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行動(dòng)態(tài)修剪操作，主要分為剪枝和剪接兩個(gè)部分，剪接可以最大程度保留網(wǎng)絡(luò)中重要的權(quán)重連接，避免修剪過程中存在的誤操作，另外為了提高模型修剪后的精度，在修剪過程中加入L1正則化；然后對(duì)修剪后的網(wǎng)絡(luò)進(jìn)一步K?Means量化，使得權(quán)重共享。本發(fā)明提出的壓縮方法，可以保證模型的精度沒有損失的情況下，大大減少深度神經(jīng)網(wǎng)絡(luò)中的冗余參數(shù)，降低模型的存儲(chǔ)內(nèi)存。本發(fā)明在基于ImageNet數(shù)據(jù)集的AlexNet網(wǎng)絡(luò)上進(jìn)行本壓縮方法實(shí)驗(yàn)，將原始網(wǎng)絡(luò)壓縮了52倍，并且沒有造成精度的損失。

摘要： 本發(fā)明涉及一種可以提高地名的聲音識(shí)別性能的權(quán)重系數(shù)生成裝置、聲音識(shí)別裝置、導(dǎo)航裝置、車輛、權(quán)重系數(shù)生成方法、以及權(quán)重系數(shù)生成程序。為了解決上述問題，地址數(shù)據(jù)庫(12)對(duì)地址信息進(jìn)行管理，該地址信息具有國名、城市名、街道名、門牌號(hào)碼作為地址信息數(shù)據(jù)，并具有顯示從廣域至狹域的地名的階層關(guān)系的樹結(jié)構(gòu)。將存儲(chǔ)于地址數(shù)據(jù)庫(12)的各地名作為聲音的識(shí)別候補(bǔ)，權(quán)重系數(shù)生成裝置(10)的權(quán)重系數(shù)計(jì)算部(11)根據(jù)屬于所述候補(bǔ)的城市名的下級(jí)階層的街道名的數(shù)量，計(jì)算出所述識(shí)別候補(bǔ)的似然比的權(quán)重系數(shù)。

摘要： 本發(fā)明涉及一種類型權(quán)重動(dòng)態(tài)修正平臺(tái)及方法，所述平臺(tái)包括：信息推送部件，用于依次向用戶推送多個(gè)視頻片段以供用戶觀看；片段收發(fā)部件，用于通過互聯(lián)網(wǎng)從視頻運(yùn)營商的云端服務(wù)器處獲取所述多個(gè)視頻片段；狀態(tài)鑒定設(shè)備，用于在識(shí)別到待分析子圖像對(duì)應(yīng)的人臉對(duì)象當(dāng)前處于厭倦的表情狀態(tài)時(shí)，降低當(dāng)前播放的視頻片段對(duì)應(yīng)的視頻類型的推送權(quán)重。本發(fā)明的類型權(quán)重動(dòng)態(tài)修正平臺(tái)及方法數(shù)據(jù)可靠、應(yīng)用廣泛。由于能夠在視頻用戶每觀看新的視頻片段時(shí)，啟動(dòng)對(duì)視頻用戶當(dāng)前表情的一次分析，并基于分析結(jié)果實(shí)時(shí)調(diào)節(jié)視頻片段對(duì)應(yīng)推送權(quán)重的具體數(shù)值，同時(shí)引入包括針對(duì)性圖像處理鏈路完成對(duì)視頻用戶表情畫面的優(yōu)化和鑒定，從而避免喪失播放流量。

摘要： 本發(fā)明公開了一種基于動(dòng)態(tài)權(quán)重小波系數(shù)深度殘余網(wǎng)絡(luò)的復(fù)合材料缺陷檢測(cè)方法。利用實(shí)驗(yàn)的復(fù)合材料板采用同側(cè)相向檢測(cè)法，并使用A0模態(tài)對(duì)復(fù)合材料板進(jìn)行缺陷檢測(cè)得到多組樣本；將多組樣本分為訓(xùn)練樣本和測(cè)試樣本；訓(xùn)練動(dòng)態(tài)權(quán)重小波系數(shù)深度殘余神經(jīng)網(wǎng)絡(luò)；驗(yàn)證動(dòng)態(tài)權(quán)重小波系數(shù)深度殘余神經(jīng)網(wǎng)絡(luò)；動(dòng)態(tài)權(quán)重小波系數(shù)深度殘余神經(jīng)網(wǎng)絡(luò)對(duì)復(fù)合材料板進(jìn)行檢測(cè)，輸出對(duì)應(yīng)的檢測(cè)類型。

摘要： 本發(fā)明公開了一種基于動(dòng)態(tài)權(quán)重PSO粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的污水處理出水質(zhì)量預(yù)警方法，該方法是基于以下步驟實(shí)現(xiàn)的：1)在分析A2O污水處理工藝的基礎(chǔ)上，通過相關(guān)性分析確定進(jìn)水流量、進(jìn)水總氮、進(jìn)水COD、溶解氧濃度、氧化還原電位ORP、進(jìn)水PH值等6個(gè)關(guān)鍵指標(biāo)為出水總氮、出水COD預(yù)測(cè)模型的輸入變量，并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理；2)建立一種基于動(dòng)態(tài)權(quán)重PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的污水處理出水質(zhì)量預(yù)測(cè)模型，并對(duì)模型的精確度進(jìn)行驗(yàn)證；3)利用建立好的模型，輸入6個(gè)關(guān)鍵指標(biāo)的數(shù)據(jù)集，對(duì)出水總氮、出水COD進(jìn)行預(yù)測(cè)，通過分析預(yù)測(cè)結(jié)果給出相應(yīng)預(yù)警。本發(fā)明設(shè)計(jì)合理，不僅解決了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)在對(duì)出水質(zhì)量預(yù)測(cè)時(shí)的結(jié)構(gòu)復(fù)雜冗余、容易陷入局部極值的問題，同時(shí)較大程度的提高了出水質(zhì)量的預(yù)測(cè)精度，且對(duì)污水處理廠出水質(zhì)量進(jìn)行了預(yù)警，能夠達(dá)到提前預(yù)知、提前應(yīng)對(duì)的效果。

摘要： 本發(fā)明公開了一種使用動(dòng)態(tài)權(quán)重融合的焦堆棧顯著目標(biāo)檢測(cè)方法，首先構(gòu)建焦堆棧顯著目標(biāo)檢測(cè)網(wǎng)絡(luò)；然后使用編碼器網(wǎng)絡(luò)依次對(duì)焦堆棧樣本中的12張焦片進(jìn)行編碼，編碼后12張焦片分別獲得m個(gè)層級(jí)的特征；對(duì)m個(gè)層級(jí)，分別使用動(dòng)態(tài)權(quán)重融合模塊融合12張焦片特征；使用逐層特征融合模塊融合相鄰層特征；最后使用損失函數(shù)對(duì)焦堆棧顯著目標(biāo)檢測(cè)網(wǎng)絡(luò)進(jìn)行優(yōu)化；本發(fā)明所述的方法，可以提高焦堆棧顯著目標(biāo)檢測(cè)的效果。通過使用動(dòng)態(tài)權(quán)重融合，可以有效融合12張焦片的特征。

摘要： 本發(fā)明提供一種基于動(dòng)態(tài)權(quán)重均衡時(shí)序數(shù)據(jù)庫集群的時(shí)序數(shù)據(jù)存儲(chǔ)方法，包括：時(shí)序數(shù)據(jù)庫集群配置集群接口、發(fā)布訂閱消息系統(tǒng)集群、讀寫器和m個(gè)時(shí)序數(shù)據(jù)庫；集群接口啟動(dòng)時(shí)初始化生成n個(gè)虛擬桶，為每個(gè)虛擬桶確定分配區(qū)間段；采用基于動(dòng)態(tài)權(quán)重均衡時(shí)序數(shù)據(jù)庫集群的時(shí)序數(shù)據(jù)庫選取算法，確定目標(biāo)時(shí)序數(shù)據(jù)庫，并存儲(chǔ)數(shù)據(jù)。本發(fā)明提供一種基于動(dòng)態(tài)權(quán)重均衡時(shí)序數(shù)據(jù)庫集群的時(shí)序數(shù)據(jù)存儲(chǔ)方法，用于物聯(lián)網(wǎng)云端存儲(chǔ)海量設(shè)備采集數(shù)據(jù)的場(chǎng)景，可以解決當(dāng)前集群內(nèi)各個(gè)時(shí)序數(shù)據(jù)庫存儲(chǔ)數(shù)據(jù)嚴(yán)重不均衡造成存儲(chǔ)空間浪費(fèi)和集群橫向擴(kuò)展困難的問題。通過本發(fā)明，能夠?qū)⑽锫?lián)網(wǎng)設(shè)備采集數(shù)據(jù)均勻的存儲(chǔ)到時(shí)序數(shù)據(jù)庫集群中的各個(gè)時(shí)序數(shù)據(jù)庫中，提高用戶體驗(yàn)。

摘要： 本發(fā)明公開了一種基于動(dòng)態(tài)權(quán)重的A星算法改進(jìn)方法、系統(tǒng)、裝置及介質(zhì)，其中方法包括：獲取無人機(jī)飛行的過程中采集的環(huán)境信息；對(duì)A星算法的估價(jià)函數(shù)進(jìn)行改進(jìn)；設(shè)計(jì)動(dòng)態(tài)權(quán)值生成器，根據(jù)環(huán)境信息實(shí)時(shí)生成當(dāng)前節(jié)點(diǎn)的啟發(fā)式權(quán)值；當(dāng)無人機(jī)離起始點(diǎn)較近時(shí)，h(n)占的比重較大；當(dāng)無人機(jī)不斷接近目標(biāo)時(shí)，g(n)的權(quán)值逐漸增加；其中，h(n)為從指定位置運(yùn)行到終點(diǎn)的估計(jì)代價(jià)，g(n)為從起點(diǎn)移動(dòng)到指定方格的移動(dòng)代價(jià)。本發(fā)明在無人機(jī)對(duì)目標(biāo)點(diǎn)進(jìn)行尋路地過程中，通過對(duì)A星算法的路徑評(píng)價(jià)函數(shù)加入實(shí)時(shí)調(diào)整的動(dòng)態(tài)啟發(fā)式權(quán)值，來實(shí)現(xiàn)尋路的精確度與效率的統(tǒng)一。本發(fā)明可廣泛應(yīng)用于無人機(jī)避障及路徑規(guī)劃的技術(shù)領(lǐng)域。