摘要： Different data-based hybrid chemistry models are developed to accelerate complex fuels chemistry at high-temperature combustion (HTO) and demonstrated on three different fuels, n-dodecane, n-decade, and n-heptane at 0D homogeneous problems for a range of temperature initial conditions. The data-based hybrid models exploit the fact that complex fuels at the high temperature breakdown to smaller hydrocarbon species, which in turn be modeled by simpler foundational chemistry. The models select representative species for fuel during early stages of combustion involving chemistry of high carbon atoms’ species, > C4. Representative species selection is achieved by using principal component analysis (PCA). Data used in the models are obtained using experimental measurements or numerical. Experimental measurements are used to derive a linear hybrid chemistry model in HTO regime. Numerical data are used to derive an artificial neural network (ANN) regression hybrid chemistry model. The numerical data used in developing the models are obtained by detailed mechanisms. Machine learning tools coupled with simpler foundational chemistry provide an elegant data-based approach to tackle the key challenges towards the description and acceleration of chemistry of complex fuels in simulations. The first hybrid chemistry model for chemistry reduction addresses HTO and derives constant reaction rates based on linear relations of significant fuel fragments during pyrolysis from experimental measurements. The model is demonstrated on n-dodecane and provided results comparable to ones obtained by detailed mechanisms. Results obtained show that HTO of large hydrocarbons can be modeled effectively and accurately using the linear model for temperature initial conditions between 1300 and 1500 K. The second hybrid model for chemistry reduction addresses HTO and derives an ANN regression model for representative species’ reaction rates from numerical data. The model is demonstrated on n-dodecane

关键词： 能耗预测   多元回归   支持向量机   CART决策树   多项式拟合  

摘要： 能源是影响企业发展的一个非常重要的因素,对企业内部各类能耗进行分析预测有利于企业进行能源管理,降低日常用能,实现节能减排和可持续发展。本文以XX企业技术中心为研究对象,针对制冷机房、科技大厦以及强度、整车、发动机性能、发动机排放四个汽车试验室,采集相关数据,分析用能情况,根据不同特点采用不同方法对各部分建立了能耗预测模型,旨在帮助企业进行能耗管理,减少浪费。首先通过分析制冷机房、科技大厦中的照明和办公设备的能耗数据,确定各部分能耗的主要影响因素。然后采用多元回归、SVM以及LS-SVM对制冷机房日能耗进行建模及预测;采用多元回归、最小二乘回归对办公设备日能耗进行建模及预测;采用多元回归、CART决策树对照明设备日能耗进行建模及预测。同时,通过评估各类模型的预测精度,选出最符合实际的模型。最后通过对强度、整车、发动机性能及排放试验室的能耗数据进行分析,采用多项式拟合算法分别对四个汽车试验室每小时的耗能情况进行拟合,通过得到的拟合多项式建立各试验室的能耗预测模型。通过模型评估发现各部分模型拟合精度较好,能有效反映企业的能源消耗情况,对指导企业能源使用、节能措施的实行具有一定的理论和应用价值。

关键词： Electrical engineering   Artificial intelligence  

摘要： Learning important human contextual information is one of the fundamental features to establish a smart home environment. Location information is one of the important ingredients for many context-aware applications where the system requires to localize targets in an indoor setting. Most existing work, however, acquires contextual information in an obtrusive manner–they may require subjects to carry mobile devices, or rely on self or peer report to report data. As an emerging technique, device-free localization (DFL) is promising to localize the target without attaching any transceivers. Specifically, wireless sensing based device free localization is getting increased attention due to its ability to potentially support a broad array of applications including elder care, well-being management, and latchkey child safety, etc. In this work, we investigate the device free, unobtrusive approach for indoor localization using channel state information (CSI) leveraging machine learning techniques. In particular, our work mainly focuses on developing a multiple target localization system in a device free setting by formulating the localization problem as a machine learning based location/spot classification problem in order to achieve a robust, low cost, yet highly accurate localization system. Multiple machine learning techniques have been explored in this work that can help us to learn human location at indoors by analyzing the location specific feature pattern of channel state information. First, we designed MaLDIP, a support vector machine (SVM) algorithm framework to localize a single target through supervised classification problem. The system works by utilizing frequency diversity and spatial diversity properties of CSI at target location by correlating the impact of human presence to certain changes on the received signal features. However, accurate modeling of the effect of a subject on fine grained CSI is challenging due to the presence of multipaths. We propose a

关键词： 阿尔兹海默症   机器学习   分类与预测   密集深度前馈网络   特征选择  

摘要： 阿尔兹海默症(Alzheimer's Disease,AD)是一种慢性神经退行性疾病,多发于老年群体,症状表现为记忆力衰退、语言障碍、认知障碍等,严重影响患者的生活自理能力,给患者家庭带来沉重负担。当今世界人口老龄化进程不断加快,阿尔兹海默症(AD)已经成为影响全世界老年人健康的主要疾病之一。目前,AD的发病原因尚不明确,现有的药物只能缓解症状或减缓其进展。AD的分类与预测有助于在AD早期阶段及时采取针对性的治疗和干预措施,对降低老年群体的AD发病率和延缓AD疾病进展具有重要意义。AD的分类任务是指正常个体(Normal Cognitive,NC)与阿尔兹海默症(AD)患者之间的分类,而AD的预测任务是指预测轻度认知障碍(Mild Cognitive Impairment,MCI)患者在未来一段时间内是否会转变为阿尔兹海默症(AD)患者。本论文基于磁共振成像数据,研究机器学习在阿尔兹海默症(AD)分类与预测中的应用。本论文首先研究阿尔兹海默症(AD)的分类与预测方法。应用密集连接的思想对深度前馈网络(Deep Feedforward Network,DFN)模型进行改进,构建密集深度前馈网络(Densely Connected Deep Feedforward Network,DCDFN)模型。采用基于FSL的特征提取方法提取密度图组织与皮层下结构的体积特征,并结合年龄与性别特征,提出基于密集深度前馈网络(DCDFN)的AD分类与预测方法。在ADNI数据集上采用5折交叉验证法进行性能评估,实验结果表明采用的基于FSL的特征提取方法是有效的,所提出的DCDFN性能优于传统机器学习分类模型,且增加年龄和性别特征能有效提高AD分类与预测的正确率。本论文还研究适用于AD分类的特征选择方法。提出一种累计加权的多准则融合特征选择方法,对基于过滤法(Filter)、包装法(Wrapper)和嵌入法(Embedded)的三大类共计10种不同的特征选择方法的评价结果进行归一化,采用累计加权特征重要性评分评价特征的重要性,依据给定的特征重要性占比阈值选取特征。在TADPOLE数据集上进行了特征重要性分析和特征选择实验。实验结果表明提出的特征选择方法是有效的,不同分类器模型对应的最优特征重要性占比阈值不同,采用所提出的特征选择方法,DCDFN在AD分类上的性能要优于传统的分类模型。

关键词： 全景分割   神经网络   端到端架构  

摘要： 图像内容理解是计算机视觉领域重要的研究目标。分割,尤以细粒度图像分割,是实现图像内容理解的一个重要途径。全景分割,作为细粒度图像分割任务中的一种,可以帮助计算机更全面的理解图像中每一类物体的位置、形状等信息,它的有效解决,将有助于自动驾驶、行为识别等多个问题的发展。本文主要着眼于神经网络建模、针对全景分割问题的计算机视觉方法研究。更具体来说,是通过对数字图像进行像素点级别的分类实现对图像中物体的识别及类别的分类。本文所提出模型的输入是一幅幅未经处理未打标签的原始数字图像,输出是每个像素对应的物体标签以及实例标签。本文的研究目标是找出一种神经网络模型,能在当前公认的全景分割评价指标下,有效且高效完成从输入到输出的分类过程。本文设计了一种多分支的深度神经网络模型。该模型由多尺度特征提取、语义内容分割、实例信息预测、共识掩码回归、多分支内容组合等多个步骤组成。针对全景分割问题中普遍存在的两类冲突矛盾问题给出了一个有效的解决方案。设计了一系列实验,通过与现有其他研究的对比,以及各个模块相关剥离实验的分析,验证本文所设计框架可以有效的提升分割质量。本研究在全景分割领域共有以下四个主要创新点:(1)提出了一种新的多分支端到端的全景分割深度网络架构,通过与基准线模型在内的六种现有模型的对比,验证本模型的设计在准确率上大为提升,达到目前的先进水平。(2)设计了一种共识机制,引入了一个独立的新分支来计算共识掩码,作为对其他分支结果间存在的像素点分类冲突进行解决的一个重要依据。剥离实验相关子实验验证其对全景分割中的像素分类冲突问题是有效的。(3)设计了一种指导机制,利用语义分割与实例分割间的联系,在前景背景两个分支间引入注意力,用较高准确率分支指导较低准确率分支进行分割。剥离实验验证此设计可以有效的利用实例分支来指导语义分支学习并提高语义分支的分割精度。(4)提出了新的融合算法,设计的融合模块配合精心设计的损失函数,有效地整合了多分支与融合模块。

关键词： 热力学稳定性   线性规划方法   描述符   贝叶斯优化   材料筛选  

摘要： 稳定性是新材料设计过程中需要考虑的首要问题。材料的稳定性可分为热力学稳定性和动力学稳定性,而热力学稳定性又是衡量稳定性最常用的标准。热力学稳定性通常用分解能来定量描述。精准确定材料的分解能需要考虑材料分解过程中所有可能的分解路径。而传统的分解能计算方法一般只考虑特定的一条或几条分解路径,造成计算误差,从而在理论上预言了一些实验上不存在的“新”材料。为此,本工作以卤族钙钛矿为例,使用线性规划方法来计算材料的最优分解路径和最低分解能,预测其热力学稳定性。为了尽可能考虑所有可能的分解路径,分解后的竞争相考虑了无机晶体库和粉末衍射文件卡中所有可能的晶体结构。基于此,我们发展了一套基于线性规划、材料数据库以及第一性原理计算的材料分解能计算方法。此外,品质因子在材料筛选和新材料设计中至关重要。比如,根据Shockley-Queisser极限,虽然带隙是筛选光伏材料的重要品质因子,但将带隙作为唯一品质因子却又过于简单,因为理想的太阳能电池吸收材料需要满足多种条件,如高稳定性、高光吸收系数和长载流子寿命等。然而,同时考虑多种品质因子大大增加了材料筛选的难度。在本工作的卤族钙钛矿光伏材料筛选过程中,将分解能和带隙结合成一个统一的品质因子,采用贝叶斯优化方法(一种自适应机器学习方法)来加速材料筛选。与传统的穷举法相比,基于统一品质因子的贝叶斯优化方法比随机材料搜索方法(模拟实验“试错”过程)效率至少提高了两倍。该工作为从大量材料中搜索出理想的目标材料提供了 一个计算成本较低的方法。

摘要： 摘要在急性缺血性脑卒中(AIS)病人的治疗过程中于基线检查时确定梗死灶的有无和范围具有重要作用。梗死范围较大的病人无法采用溶栓或取栓术等治疗方法。目的 建

关键词： 入侵检测   无线传感网络   机器学习   链路修复   模糊控制  

摘要： 随着互联网和物联网的不断发展,以万物互联而衍生的生态网络已经大量应用于我们的日常生活与工作生产中,在当前大规模的复杂网络中存在着恶意人员对物联网底层无线传感网络的攻击行为,遭到破坏的无线通信链路需要修复的现象,通过当前网络流量数据判断入侵行为和根据网络节点状况抉择最优待修复链路至关重要。由于无线传感网络中传感器节点能量有限,计算能力不足,当网络流量数据维度越来越高时,网络异常入侵检测会变得越来越难。在物联网应用环境中影响通信链路稳定性的因素众多,且每种影响因子所占比重均不一样,仅采用单个影响因子去衡量某个待修复链路的优劣性,难以选择出最优待修复链路。根据以上问题,本文采用受限玻尔兹曼机算法对无线网络中网络流量数据特征提取并降维,采用多层支持向量机算法分类异常数据实现入侵行为检测,对网络中损坏的链路通过模糊控制算法将网络节点状态信息带入模糊控制规则计算链路状态值,抉择出最优待修复链路。本文主要工作如下:（1）针对无线传感网络易遭受各种网络攻击,且网络节点能量有限,计算能力不足,在高维度流量数据传输下难以分析网络异常行为,本文设计了一种基于RBM-SVM算法的入侵检测模型来检测无线传感网络攻击行为。首先通过RBM模型对高维度流量数据特征提取并降维,结合WSN网络簇行结构建立多层SVM分类检测网络异常。本文采用NSLKDD公共入侵检测数据集验证所提出的入侵检测模型,试验结果表明该模型对网络流量检测准确率为99.06%。（2）针对无线传感器节点所组成的无线通信网络存在通信链路损坏,多条待修复链路中需要选择最优待修复链路来修复的问题,本文提出了一种基于模糊控制决策链路稳定性算法的修复策略,提取网络节点中无线通信链路稳定性影响因子,将影响因子量化输入模糊控制决策模型中,建立输入影响因子和输出判决值的隶属函数,建立合适的规则库,通过模糊推理与逆模糊化得到待链路中节点判决值,将待修复链路中稳定性最好、生命周期更长的链路进行修复。本文采用matlab仿真软件模拟无线通信链路,采用simulink建立模糊控制器证明了本文方法的可行性。

关键词： 时序数据分类   物联网   深度学习   神经网络   数据挖掘  

摘要： 随着物联网技术的发展，大量数据可通过传感设备进行汇总和存储并进行分析。时序数据是按时间顺序记录的一种受多个变量影响的特殊数据。时序数据分析被广泛应用于疾病诊断、能源管理、故障预测等方面，对生活和生产具有指导意义。基于深度学习的模型由于其较高的准确度，在时序数据分析中得到广泛应用。然而，现有的模型存在训练速度慢、难以处理缺失值、无法充分利用数据特征的缺点。因此，研究基于深度学习的高精度、可靠、轻量级的物联网时序数据分类与预测模型具有重要意义。　　本文针对物联网时序数据分类和预测任务，分别设计了基于深度学习的双路径卷积神经网络-循环神经网络级联模型和全卷积Res2-Se网络。并在此基础上提出了门控Res2Net骨干网络。构建的双路径卷积网络可实现多层次的感受野和多细粒度的时序特征提取，达到准确的时序数据分类。全卷积Res2-Se网络的全卷积结构可实现快速准确的时序数据预测。门控Res2Net骨干网络不仅可以实现全卷积运算，还能充分考虑不同细粒度的时序特征和不同变量的内在关系，从而有效地完成不同变量内在关系的挖掘以及局部和全局的时序特征提取。　　本文针对现有模型的不足，设计提出了三种应用于物联网时序数据分析的模型。每种模型的具体的结构保障了其性能和应对不同任务的能力。本文在四个数据集上评估了提出的模型。结果表明，与其他现存的方法对比，本文提出的模型具有最好的表现，体现了其优势。

关键词： 自动文摘   特征集合   词向量   机器学习方法  

摘要： 大数据时代,互联网上的信息呈爆炸式增长,人们更多的在网络上搜索知识、浏览新闻。因此,快速、高效的获取主要信息是人们的共同需求。文摘是一篇文章的精炼概括,既反映了文章的主题又极大地降低了人们获取主要信息的成本。随着计算机技术的发展,使用计算机自动的获取文本摘要信息成为现实。在自然语言处理领域,不断提高自动文摘的精准度成为重要的研究方向。本文对基于机器学习方法的抽取式自动文摘进行了深入研究。在文本信息的特征提取方面,首先总结了基于统计和规则的文本特征;其次融入了中文语言学方面的特征,如:词性特征、语义角色特征、依存句法特征、语义依存特征;最后引入基于深度学习的Word2vec词向量特征。最终将文本中的句子转换为347维的特征向量作为机器学习模型的输入。在考虑了数据集人工文摘形式的基础上,利用文本信息的这些丰富特征,使用了六种经典的回归算法模型对文本信息进行自动文摘抽取。与传统方法进行对比,拥有丰富特征集合的机器学习方法提高了自动文摘的性能。在此基础上,利用表现优异的模型对时事新闻进行了自动文摘抽取,得到了不错的效果。