摘要：针对MapReduce框架下的随机森林算法在处理大数据问题时存在的冗余与不相关特征过多,训练特征信息量低以及并行化效率低等问题,提出了大数据下基于信息论和范数的并行随机森林算法(PRFITN)。首先,该算法基于信息增益和Frobenius范数设计了一种混合降维策略(DRIGFN),获得降维后的数据集,有效减少了冗余及不相关特征数;其次,提出了基于信息论的特征分组策略(FGSIT),根据FGSIT策略将特征分组,采用分层抽样方法,保证了随机森林中决策树构建时训练特征的信息量,提高了分类结果的准确度;最后,在Reduce阶段提出了一种键值对重分配策略(RSKP),获取全局的分类结果,实现了键值对的快速均匀分配,从而提高了集群的并行效率。实验结果表明,该算法在大数据环境下,尤其是针对特征数较多的数据集有更好的分类效果。

摘要：针对并行深度森林算法在处理大数据问题时存在的冗余与不相关特征过多,多粒度扫描不平衡以及并行化效率低等问题,提出了大数据环境下基于信息论改进的并行深度森林算法——IPDFIT(improved parallel deep forest based on information theory)。该算法基于信息论设计了一种混合降维策略DRIT(dimension reduction based on information theory),以获得降维后的数据集,有效减少了冗余及不相关特征的数量;提出了一种改进的多粒度扫描策略IMGSS(improved multi-grained scanning strategy)对样本进行扫描,保证每个特征在扫描后,同频率出现在数据子集中,避免了因多粒度扫描不平衡对深度森林模型的影响;结合MapReduce框架,对深度森林每层级联结构中的随机森林模型进行并行化训练,同时提出了一种样本加权策略TSWS(the sample weighting strategy),根据级联中随机森林模型对样本进行评估,选取评估结果较差的样本进入下一层训练,逐步减少了每层级中训练样本的数量,从而提高了算法的并行效率。实验结果表明,该算法在大数据环境下,尤其是针对特征数较多的数据集有着更好的分类效果。

摘要：随着低碳生活理念逐渐深入人心,越来越多的人们选择公共交通出行,伴随而来的是交通枢纽压力的日益增大,交通枢纽处的能源能耗和碳排放问题日渐显著。为减少地铁交通枢纽的能源消耗,一方面要减少能源使用量,另一方面可以使用可再生的清洁能源。本研究以压电效应为原理,利用压电装置将乘客在交通枢纽内位移运动时产生的机械能转为电能,并通过设计电路将能源收集起来,用于满足地铁交通枢纽中常见设施的供电需求,如照明、自动售票机、应急设备等,最终实现交通枢纽节能减排。

摘要：减压蒸馏技术是钍基熔盐反应堆燃料处理中回收和纯化核燃料载体氟盐(7LiF-BeF2)可选的技术。本工作使用自行设计并研制的热失重蒸发炉,通过观察燃料载体盐的主要成分LiF在减压蒸馏过程中的失重行为,研究了蒸发温度和气压对LiF蒸发速率的影响。结果表明:LiF的蒸发速率在随着蒸发温度的升高以及气压下降而增大的变化中存在着明显的拐点,蒸发速率的突变可以用熔盐在低气压条件下的沸腾来解释。并进一步讨论了熔盐的沸腾对减压蒸馏回收和纯化燃料载体氟盐的影响。