基于随机森林结合前向序列选择算法的铁路隧道防水板检测数据关键影响因素识别北大核心

针对参数特征复杂度高的铁路产品,提出了一种基于随机森林(RF)结合前向序列选择(SFS)算法的铁路产品检验检测数据关键影响因素识别方法,以辅助基于经验的识别方法。创新使用RF-SFS算法,将其应用于铁路隧道防水板检验检测数据关键影响因素的识别研究。根据多年铁路隧道防水板检测数据,建立RF模型,获得了影响铁路隧道防水板检测结果的特征关键性评分序列。随后,结合SFS方法得出关键性评分序列的阈值,将排名前6位的影响因素识别为关键特征,模型的预测能力达到99.98%。为验证关键特征识别方法的有效性,对比分析3种模型在使用不同特征子集时的预测能力。当仅选用关键特征时,3种模型的预测能力均达到最佳,加入冗余特征后模型的预测能力逐渐降低。     

船舶动力设备退化基线计算及预测方法

船舶动力设备在自身性能退化过程中的相当长一段时间内仍能完成规定功能,对具有重要特征参数或性能指标的船舶动力设备而言,若使用定基线进行健康状态评估会导致评估值连续较低甚至误报警问题。为了解决这一问题,以目标设备按性能退化时间序列采集的特征参数为研究对象,首先建立退化基线计算方法,利用滑动概率神经网络和性能可靠度与基线值间的转换函数获得目标设备的动态退化基线;然后建立ARMA预测模型获得预测参数,并与退化基线计算方法结合对退化基线发生动态变化的时间节点进行预测;最后利用海水泵对建立的方法可行性进行验证。结果表明,本文建立的退化基线计算方法能够获得动态基线,退化基线预测方法能够对动态基线的变化时间节点进行准确预测。     

基于聚类站点客流公共特征的轨道交通车站精细分类

已有城市轨道交通车站分类多基于定性分析，不能满足精细化设计和运营的需要。本文提出一种基于聚类站点公共特征的站点精细分类方法。首先，将来源于AFC(Automatic Fare Collection)的进站客流量数据处理为时间序列数据，并基于K-Means++算法对各个站点的客流量进行聚类；其次，建立客流量聚类结果与土地利用特征多维参数的拟合方程，计算获得居住密集型、工作就业型以及区域中心型等5种大类站点的客流量公共特征。在此基础上，充分考虑属于同一大类站点不同站点的细分特性，使用5类客流量公共特征比重组合精细描述具体站点类型。 实例结果表明，使用本文提出的精细分类方法计算得到的每个站的客流量拟合值与真实客流值间的平均绝对百分比误差控制在14%以内，说明该分类方法具有可行性。     

船用陀螺随机漂移建模方法的研究

论述了几种主要的陀螺仪漂移建模方法，介绍了各种方法的特点及建模公式，为我们建立准确的陀螺随机漂移模型提供了参考。     

外汇汇率时间序列静态属性的抽取

为了能够使用现有的数据挖掘技术(例如粗糙集)对外汇汇率时间序列进行数据挖掘,必须从外汇汇率时间序列数据中抽取决定时间序列行为发展趋势的静态属性.针对外汇汇率时间序列的特殊性,给出了时间序列静态属性抽取技术的几个关键步骤,完成了从外汇汇率时间序列中抽取出静态属性,最后利用这些静态属性组成的数据库,实现了对外汇汇率时间序列比较准确的预测.     

数据挖掘中的序列模式的研究

本文就数据挖掘中序列模式的概念和作用进行了探讨,并对序列模式的实现过程用程序流程的方式加以说明,并给出了序列模式实现算法的步骤。     

胃癌细胞株SGC—790l及MGC—803中SURVIVIN基因转录与表达的鉴定

目的 探讨胃腺癌细胞株SGC-7901及MGC-803中survivin基因转录与表达情况，为胃癌与survivin基因的相关研究提供帮助。方法 ①利用反转录聚合酶链反应(RT—PCR)及DNA序列测定技术检测两种细胞株中survivin基因mRNA转录情况。②采用免疫组织化学染色鉴定两种细胞株survivin基因有无蛋白表达及其表达程度。结果 从提取的胃癌细胞总RNA中扩增出612bp的DNA片段，与预期的扩增片段大小相符；序列测定显示两细胞株的DNA扩增片段序列与基因库survivin基因mRNA序列完全一致；免疫组织化学染色显示两细胞株中均有survivin蛋白表达产物。结论 中国人胃腺癌细胞株SGC-7901及MGC-803中均存在survivin基因的mRNA转录及蛋白的高表达。     

基于同方差的递增时间序列自回归预测的改善方法

提出了"利用反双曲正弦函数变换提高数据列光滑程度"的新结论,获得了递增时间序列改善的自回归预测新方法。     

改进的BP神经网络在铁路客运量时间序列预测中的应用

针对目前铁路客运量预测方法的不足,采用改进的BP神经网络对铁路客运量时间序列进行预测。分析改进的BP神经网络原理,对1980年—1998年的铁路客运量进行归一化处理,建立铁路客运量时间序列神经网络预测模型,设计网络参数,进行网络学习与训练的仿真试验。对比分析改进的BP神经网络与标准的BP神经网络预测结果,证明改进的BP神经网络预测结果更准确,精度更高。