基于改进YOLOv3的机场盲区遥感图像目标检测方法

针对机场存在的雷达监视盲区问题,提出一种改进YOLOv3目标检测算法。首先,基于原YOLOv3主干特征提取网络加入SPP池化模块,以深度可分离卷积替代普通卷积。然后,针对小尺度目标数据集,增加第4层金字塔加强特征提取网络,在kmeans++聚类算法的基础上提出一种线性放缩进行锚框筛选。最后,在RSOD-Dataset数据集上MAP为88.82%,FPS为37.57。仿真结果表明该方法可以满足机场实时目标检测任务的需求。     

基于城市轨道交通网络的广告营销站点选择研究

城市轨道交通网络背景下的广告营销已成为一种流行的产品推广方式，快速、准确筛选出传播范围广、影响力高的站点，运营方和投资商对其投入大量广告可以产生较高的宣传力度和回报收益。影响力最大化的提出，为解决站点筛选提供了一种新的思路，首先提出一种融合节点结构信息和网络拓扑结构信息的网络表示学习模型，并将其用于学习网络节点的特征向量；进一步将网络节点的特征向量输入聚类算法中有效筛选候选种子集，同时结合贪婪策略从候选种子集中筛选出种子节点集合，进而有效提升网络节点影响力最大化问题求解效果。以武汉地铁网络为例进行验证，结果表明所提方法在传播范围上优于现有的影响力最大化方法，筛选高影响力站点具备合理性。     

基于模糊逻辑的X波段双偏振雷达地物回波识别方法

为提升天气雷达数据质量，减少地物杂波对天气雷达数据质量的影响和满足短临预报业务应用，需对地物杂波进行识别和剔除。采用绵阳机场X波段双偏振天气雷达数据资料，选取4个特征参量，运用模糊逻辑算法结合层次分析法，确定识别地物杂波的隶属度函数及特征参量的权重，得出每个回波点是地物的可能性，进行识别和剔除。结果表明：该方法能清晰体现出各个参量在对地物识别时的贡献值，提升地物回波识别效果，提高雷达数据质量。     

LSTM在低能见度预报中的应用

低能见度天气是制约交通出行的主要因素之一，提前做好低能见度的预报工作能利于提前决策、规避风险、降低损失。由于低能见度天气是时间序列问题，针对这种问题，近年来深度学习的长短时记忆网络模型能够显著提高预报精度，因此利用多变量数据对茅台机场低能见度进行预测。首先进行气象因素分析，利用皮尔逊相关系数法来挑选相关性高的气象因子，从而减小数据量得到更利于训练的数据集。然后利用LSTM网络对多元时间序列进行建模，实现机场低能见度的预测。经过试验，模型对茅台机场能见度的准确预报率为85.43%，为机场低能见度预报提供了新的方法。     

基于语义嵌入深度学习的Web文本情感分类

互联网用户数量的迅猛增涨,为网络提供了大量的文本数据,对这些海量文本进行有效的情感分类,是自然语言处理领域需要解决一个难题。Web文本的情感反映了网络用户利用文字抒发的针对某对象或事物不同的情感表示,情感极性的分类可以是褒奖的、中立的或批评的。由于中文Web文本的语义表达结构和形式复杂多样,一般模型难以实现基于语义理解基础上的情感分类,提出了基于语义嵌入深度学习的情感分类模型。将语义提取、语义嵌入和深度学习相结合,实现Web文本在复杂语境下的有效情感分类。     

多种深度学习算法联合提高地震相分析及油气储层预测效果

联合使用多种深度学习算法，更好地挖掘地震数据中的隐蔽和有用信息，实现相互补充和优化，对于减少地震相分析结果的不确定性，具有重要意义。为此，提出了一种从标签训练到数据挖掘再到优化的全过程深度学习地震相分析的方法和流程。首先，通过自组织映射网络图SOM进行波形分类，为监督学习提供具有代表性的训练数据；然后，利用卷积神经网路CNN和循环神经网路RNN进行地震相分析，将预测得到的地震相分析结果输入到生成对抗神经网络GAN进行算法优化及运算结果的不确定性分析；最后，结合实际资料分析给出最优结果。本文提出和实现了SOM+CNN/RNN+GAN的监督和非监督联合的深度学习地震相分析的方法及实用流程，通过在研究区河道砂体储层油气预测的实际应用，证明该方法提高了地震相分析及油气储层预测结果的可靠性及效果。     

基于态势解析的交错重叠多目标跟踪算法

文章提出了一种对海雷达跟踪系统中基于态势解析及特征提取技术的交错重叠多目标跟踪算法,在跟踪过程中建立起目标船只周围的态势信息,同时掌握周围其他船只的特征信息,通过合并拆分模型完成对复杂环境下重叠目标的跟踪过程。该方法较好解决了跟踪过程中目标交错、雷达回波重叠,无法正常跟踪的难题,提高了多目标在会遇、追越等复杂环境下的跟踪能力。     

基于SegNet网络和概率图模型的工区障碍物提取

为适应5G（第5代移动通信技术）智能节点后续投入生产后的高效地震采集工作，利用少量自制训练数据创新性地将传统算法与深度学习相结合提出障碍物自动提取方法。搭建SegNet网络，得到粗糙的语义分割结果，利用条件随机场、特征与空间概率融合等概率图模型依次做了边界平滑和噪声消除的优化处理，最终的语义分割结果在各类障碍物上的准确率较高。与单一使用深度网络需要数万级数据来提升泛化能力相比，提出在少量训练集条件下具有较强泛化能力的语义分割方法，从而能够低成本、灵活高效地运用到各种特定的语义分割场景中。     

基于证据理论的多特征联合数据关联算法研究

数据关联算法是雷达数据处理的核心技术之一。传统的数据关联算法利用目标位置信息进行关联,如最优邻近、概率数据关联等等。当目标环境异常复杂时,如目标在杂波区、目标密集区时,基于位置信息的传统数据关联算法性能下降,易造成目标跟踪丢失。文章根据证据理论思想,提出了一种基于目标多特征信息的联合数据关联算法。对于回波起伏缓慢的目标,将目标位置、目标方位变化率、目标能量和等特征信息代入目标点迹航迹关联过程。在杂波区、目标密集区时,利用目标点迹的特征变化来判断点迹是否为目标正确关联点迹。通过雷达实测数据验证表明,多特征联合数据关联算法可以改善目标在杂波区、目标密集区等环境下的稳定跟踪能力,具有一定的实际工程应用价值。     

基于K-means-LSTM模型的证券股价预测

鉴于股票数据具有非平稳、非线性等特征,传统的统计模型无法精准预测股票价格的未来趋势。针对这个问题,构建一种混合深度学习方法来提高股票预测性能。首先,通过将距离算法修改为DTW（动态时间归整）,令K-means聚类算法拓展为更适用于时间序列数据的K-means-DTW,聚类出价格趋势相似的证券;然后,通过聚类数据来训练LSTM（长短时记忆网络）模型,以实现对单支股票价格的预测。实验结果表明,混合模型K-means-LSTM表现出更好的预测性能,其预测精度和稳定性均优于单一LSTM模型。     

基于多模型融合Stacking集成学习的油田产量预测

基于机器学习前沿理论，提出一种基于多模型融合Stacking集成学习方式的组合预测方法，以国内某特高含水油田区块中多口水驱产油井历年生产历史数据为试验样本，预测其动态产油量。依据不同算法的训练原理，选取极限梯度提升树算法、长短记忆网络（LSTM）、时域卷积网络（TCN）等作为模型的基学习器，采用多元线性回归作为模型的元学习器。结果表明：融合后的Stacking模型充分发挥了各基学习器的优势，相比单一模型，融合后的Stacking模型预测平均误差较小，预测鲁棒性较好。该模型的提出对融合模型在特高含水油藏开发方面具有重要的应用意义。     

基于神经网络的专家预测方法研究

针对复杂预测问题的需求,基于神经网络的思想对专家预测方法进行了探讨。首先,在神经元模型的基础上提出了专家预测模型。然后,根据专家预测模型的需要对专家给出的模糊语言判断信息的合成进行了研究,并给出了具体的量化方法。最后,为提高预测方法的精度,提出了一种专家权值的调整方法;算例表明,该方法具有简单实用的特点。     

基于NBC模型的电力变压器故障诊断

随着电力变压器朝着大容量、高电压、高负荷的方向发展,其结构也越发复杂,故障逐渐增加.当前广泛使用的改良三比值法在对电力变压器进行故障诊断的过程中,容易出现准确率低和漏判率高等问题.鉴于此,提出一种NBC模型,该模型将朴素贝叶斯网络和改良三比值法的优势结合,在对电力变压器当前状态数据和历史样本数据充分学习的基础上,利用朴素贝叶斯分类器对当前电力变压器故障的编码组合进行故障预测分类,将预测所得到的诊断结果进行排序整理输出,实现了对电力变压器各类故障的有效分类.仿真结果表明,该NBC模型能较好地适应电力变压器各类故障的诊断,故障综合诊断正确率为95％,相较于改良三比值法,诊断准确率提升了50％,具有较强的工程实用性.     

基于灰色遗传BP神经网络的铁路货运量预测

铁路货运量受限于社会建设、投资和政策调控等多方面的影响.为了给货运系统提供更好的调配支撑,基于铁路货运量影响因素,加强BP预测性能,提出灰色遗传BP神经网络的铁路货运量预测模型(GR_GA_BP),对铁路货运量进行灰色关联分析,找出与铁路货运量关联程度较高的指标作为GR_GA_BP预测模型的输入对货运量进行预测.通过MAPE、RMSE和MAE对比GR_GA_BP模型与其他模型,实验结果表明,GR_GA_BP模型优于其他模型,可以作为新方法预测和研究铁路货运能力.     

基于网格搜索和随机森林的汽车信贷违约预测研究

基于某金融机构的汽车信贷违约数据构建随机森林风险预测模型，用主成分分析法对数据进行降维，利用上采样的方法解决样本不平衡的问题，同时通过综合五折交叉验证法和网格搜索对随机森林模型调参。此外，还与其他机器学习算法的预测结果进行比较。研究表明，相对于其他两种预测模型，随机森林的性能都是最优的，性能较佳。同时，采用随机森林计算特征重要性时发现，个人抵押资产的价值对汽车信贷违约有显著的影响。     

基于BP神经网络的辽宁省物流需求预测研究

物流需求预测对经济发展具有重要作用。选取辽宁省2004—2021年的7个经济指标影响因素作为输入指标,货物运输量作为物流需求的输出指标,利用MATLAB R2022b软件,对辽宁省物流需求进行预测。利用灰色关联度分析法,对经济指标影响因素的关联度进行分析。结果认为,输入指标与输出指标具有较强关联度。随后,基于BP神经网络法构建物流需求预测模型,经过仿真预测,BP神经网络模型对物流需求预测具有有效性。