序决策逻辑及基于启发式遗传算法的规则挖掘

很多真实世界处理排序问题代替分类问题,例如由不同生产厂商生产的消费品,大学之间的排序等等.一般地,一个全局的信息表需要给定.本文采用了基于Rough集理论的方法来阐述排序规则的挖掘问题,且利用了基于遗传算法的启发式算法来达到算法的实现.     

H-C:基于H-Struct的频繁闭合项集挖掘算法

提出了一种基于H-struct结构的频繁闭合项集挖掘算法H-C。该算法利用了H-struct动态链接结构的特点,快速且高效地挖掘闭合的频繁项集,大大减少了冗余关联规则的产生。试验表明该算法对大型数据库的处理效率和扩展性优于传统的频繁项集生成算法。     

车辆集电系统HILS系统的开发

介绍了车辆集电系统HILS系统的结构,运用日本铁道综合技术研究所试验装置进行了基于动态子系统法的HILS系统的试验,验证了HILS系统的工程适用性.     

高铁开通抑制了服务业企业出口吗? ——基于中国服务业上市公司的实证检验

基于2008-2018年中国上市公司服务业企业出口数据,使用多时点DID方法研究高铁开通对当地服务业企业的影响。研究结果表明:(1)高铁开通抑制了服务业企业的出口规模,但也降低了国内服务品市场分割程度。(2)从城市层面企业出口所受影响异质性分析来看,一线、新一线城市服务业企业出口受到的影响最大。从企业层面出口所受影响异质性分析来看,中小规模企业更易受到高铁开通的影响;且生产性服务业企业对高铁开通的影响更加敏感。为此,一方面应当继续加强新型基础设施建设力度,更高水平的基础设施条件可以进一步促进国内市场整合程度并增强服务业企业的国际竞争力;另一方面,强化高铁网络式建设运营,在高铁建设运营过程中加强小规模城市、企业间的空间联系,让高铁发挥的作用下沉到更深层的区域。     

Java语言的字符编码问题探讨

由于Java语言的字符集有很多套编码方法,这就使得有相当多的人对Java语言的字符编码方法不易完全掌握.通过查看Java帮助文件及编程实践,在摸清该问题规律的基础上,分析讨论了3种情况下的Java语言字符编码问题,并提出了有实用价值的4点结论.     

综合公交与人群时效性的疏散集结点选址研究

针对区域性公交疏散中集结点选址问题,分析了影响集结点选址的影响因素,考虑了待疏散人群与公交车的时效性,引入了两组0-1变量,以人群总步行距离最短与公交车总走行距离最短为优化目标,构建了疏散集结点选址优化模型。在求取集结点选址方案的同时,还可得到公交车到达集结点的路径和数量。结合问题特点设计了适用于公交疏散集结点选址优化问题的遗传算法方案,最后通过算例对模型和算法的合理性进行了验证。     

基于改进ORB算法的特征点匹配研究

针对ORB(Oriented FAST and Rotated BRIEF)算法不具有尺度不变性的缺陷,结合多尺度Shi-Tomasi算法提出了改进的ORB算法:STORB(Shi-Tomasi-ORB)算法.首先在多尺度空间中通过快速预筛选后检测Shi-Tomasi特征点,然后使用ORB算法生成具有方向信息和尺度信息...     

3D声呐在海上风电场水下桩基和海缆检测中的应用

依托某海上风电场水下桩基和海缆检测工程,针对其验收精度高、图像获取难等问题,采用3D声呐技术对水下桩基和海缆进行扫测,获取水下桩基和海缆的三维影像.通过影像输出、软件量取、输出三维点云数据等方法,可一次性获得海缆裸露长度、桩基周围海床冲刷坑深度和桩基周围海床修复所需土石方量等数据,使海上风电场水下桩基和海缆检测的精度和...     

多特征点驱动的船舶轨迹聚类方法

轨迹聚类在船舶行为分析与海事监管等领域发挥着重要作用。船舶轨迹存在长度与采样率不一致、结构差异明显等特点,在大范围水域难以实现大量船舶轨迹的高精度与快速聚类。针对该问题,在利用船舶自动识别系统获取海量船舶历史航行数据的基础上,提取与船舶航行行为、船舶交通密度相关的位置特征点,进而提出了多特征点驱动的船舶轨迹聚类方法。针对船舶航行时在大多数情形下具有保向、保速的特点,采用数据压缩的方法捕获船舶航行状态以及船舶航向发生显著变化的轨迹点,作为船舶轨迹结构特征点;针对目标水域中某些特定区域常存在船舶交叉会遇的情形,利用概率密度估计法分析船舶交通流的空间分布特点,并提取船舶会遇局面下的轨迹点,作为船舶交通流特征点;为剔除2类特征点中的异常值,采用密度聚类算法对特征点进行聚类,进一步提高特征点提取的可靠性,并将聚类结果中每类特征点的中心作为代表性特征点;统计途经代表性特征点的船舶轨迹分布情况,将具有相似分布的船舶轨迹视为同一类。实验结果表明：相比于常用的K-medoids聚类、层次聚类、谱聚类和DBSCAN等方法,提出的轨迹聚类方法在成山头水域、长江口南槽水域及舟山水域等典型区域均可获得优异的聚类...     

基于混合机器学习框架的网约车订单需求预测与异常点识别

城市网约车订单需求体现了居民出行活力,同时表征了出行规律和内在特征。如何从复杂动态的时变数据中准确地识别异常点并进行调度优化,是优化网约车平台运力的关键环节。建立了网约车订单需求数据的时间序列图,并分析了订单需求的动态特性,提出1种基于混合机器学习框架的网约车订单需求预测模型（ARIMA-BPNN-DSR, ABD）。混合模型由差分整合移动平均自回归模型（auto regressive integrated moving average model,ARIMA）和反向传播神经网络（back propagation neural network,BPNN）通过动态选择回归算法（dynamic selection of regression,DSR）融合而成。混合模型汲取了统计方法的鲁棒性和机器学习方法的高效性,并考虑各个独立基线模型在数据局部空间上的性能表现。以2019年和2020年（疫情影响下）厦门市滴滴网约车平台订单数据作为试验基准并进行对比分析,结果表明：(1)与多个基线模型相比,ABD模型实现了最优的预测性能,同时在面向疫情外部因素影响下同样表现出优异的性能;(2)消融实验表明,...