摘要：工程岩体质量分级评价对工程的安全、设计、经济效益等有重要影响。针对当前岩级划分方法中存在不确定性,人为因素干扰和忽视了传统定性分级中对岩体质量评价的重要性等问题,本文通过在工程实际中搜集样本建立数据库,从工程的实际需求出发,选择岩体完整性系数(K v)、结构面间距(D)、岩石质量指标(RQD)等合适的评价指标,通过引入LDA(Linear Discriminant Analysis)降维方法和K近邻分析(K-Nearest-Neighbor,KNN)相结合的多分类模型,实现了岩体的非线性分级预测。通过定性定量相结合实现了岩体多因素,多指标的综合分级,并解决了多指标判断时信息冗余,复杂程度高的问题。与其他判别方案相比较,模型得出的结果准确率高,符合工程实际,减少了人为因素的影响,体现出较强的预测判别能力。该研究为水电站大坝坝肩处的平硐岩体质量划分提出了一种可行的预测方案。

摘要：提出了一种基于神经网络的轴类零件设计实例分类策略 ,建立了实例的三级分类模型 :采用 ART1网络实现实例的二级聚类 ,BP网络实现三级分类。该方法的优点在于求解简单快速 ,效率高以及基于神经网络的分类算法的鲁棒性。

摘要：现今大型公共建筑能耗分项计量监测系统已经逐步推广。大量工程实践应用的同时,分项计量能耗分类模型作为此项工程技术的根本问题也日益凸显。已有分类模型虽然具有良好的科学性和完备性,但却难以适应现有大楼配电结构,在实际工程中很难全部实现分类模型中的分项节点。对此,本文从实际工程案例出发,总结大量既有建筑配电设计方案,分析现有模型在应用上存在的弊病,并尝试将现有模型做一定拆解和组合,提出从适用于当前配电系统到最终实现现有模型的能耗分类方案。该方案依据配电设计和能耗监测技术的发展动向,阐述了如何在工程中逐步实现完整的能耗分项计量,并保持在每个阶段之内及之间具有良好的可比性和一致性。

摘要：对抗样本生成通过在原文本中添加不易察觉的扰动使深度学习模型产生错误输出,常用于检测文本分类模型的鲁棒性。现有对抗样本生成方法多数采用黑盒或白盒攻击,在生成对抗样本的过程中需要和受害模型交互,且攻击效果依赖于受害模型的结构和性能,通用性较差。面向中文文本的对抗样本生成方法使用的变换策略过于单一,无法生成多样化的中文对抗样本。针对这些问题,提出一种基于原型网络的对抗样本生成(AEGP)方法。在全面分析汉字结构特点和人类阅读习惯的基础上,设计8种可保持语义一致的中文文本变换策略。将卷积神经网络作为编码器,构建原型网络,利用同一类别下的其他文本辅助发现所需变换的文本片段。针对选择的文本片段应用文本变换策略,生成对抗样本。实验结果表明,AEGP方法具有较好的通用性,能生成多样化的对抗样本,且相比于基线方法,分类模型在AEGP方法生成的对抗样本上的准确率下降了9.21~32.64个百分点。

摘要：针对当前音乐分类方法训练效率低、音乐分类精度差、分类不明确等问题,提出基于回声状态网络的古典音乐分类模型。首先对古典音频信号进行预处理,提取古典音乐MFCC特征;然后通过基于回声状态网络的古典音乐分类模型,完成古典音乐信号特征的准确分类;最后通过计算三种分类模型,分10次对古典音乐音频片段进行平均分类测试。实验结果表明,回声状态网络模型能够实现古典音乐的准确分类,具有较高的分类效率和用户满意度。

摘要：电子音乐具有独特的节奏质感,传统电子音乐分类过程中,无法将多特征进行融合式的分类。为此,设计基于多特征融合和神经网络的电子音乐分类模型。创建特征融合模块,进行自适应特征融合,根据自适应机制调整特征融合频率;利用神经网络元承接融合特征因子,形成分布式的电子音乐多特征分类结构;利用电子音乐特频效应完成特征融合分类,实现电子音乐分类模型的构建。实验数据表明,设计的电子音乐分类模型,能够以特征融合方式进行分类,并且分类结果十分精准。

摘要：为了克服数据流概念漂移现象对分类模型的影响,提高数据流分类准确率,提出了一种基于概念漂移检测算法的数据流分类模型。针对不同概念漂移类型使用不同的方法进行检测,该模型通过对概念漂移进行监控,从而有效控制分类模型的更新频率,做到有的放矢地更新分类器模型,提高分类模型的分类性能。通过使用两种不同的数据集进行实验,并与传统分类模型进行比较,验证了该模型的有效性和正确性。

摘要：在分析了备件管理重要性的前提下,以ABC分类法为基础,提出了一种基于BP神经网络的备件ABC分类方法。研究了BP学习算法的改进方法。最后给出了应用实例,取得了很好的效果。

摘要：提出一种基于共轭梯度对数分解的大数据分类数学仿真模型。构建基于K-means算法的数据分类目标数据生成模型,采用共轭梯度对数分解方法对大数据集进行规范化处理,构建数据融合适应度矩阵,基于Lagrange定理,全局搜索性寻找聚类中心的最佳值求得聚类目标函数,确定边界隶属度特征的一个初始值,实现对大数据分类模型优化设计。仿真实验表明,采用该分类模型,数据分类寻优性能较好,各类数据的特征分类准确,收敛性较高。

摘要：提出了一种基于N平均-依赖过滤和偏最小二乘方法的分类模型,基于数据序列的当前条件方差塑造数学非稳态波动模型,采用N平均-依赖数据过滤模型获取N个-依赖后验概率的均值当成分类概率,对数学非稳态波动模型进行初步分类,采用偏最小二乘方法对非稳态波动模型进行再次分类,增强模型的分类精度。实验结果说明,该种方法具有较高的抗干扰性,对非稳态波动数据分类的效率和精度都优于传统模型,具有较高的应用价值。