摘要：采用多项式回归分析的方法,以混凝土模拟孔溶液环境中钢筋的钝化击穿电位为目标函数,以缓蚀剂体系中各组分的质量及其协同项为自变量,建立基于多项式回归的小样本组效关系模型,并优化设计了3种含氮缓蚀剂组效关系模型。将实验值与优化条件下得到的预测值比较,当NaNO_2为2.4016 g,乙醇胺为1.7983 g,三乙醇胺为l_8000 g时,钢筋的钝化击穿电位临界值为307 mv,与优化结果301.1537 mv接近。

摘要：随着传感器和监测技术的快速发展,大量工程装备运行数据被记录和保存下来,为提升装备设计、分析和运行水平提供了数据基础。这些数据内部存在的异常值会对数据建模与分析产生严重干扰。为此,文中提出一种基于模糊聚类与多项式回归的异常值识别与鲁棒建模方法,通过多项式回归来刻画数据属性之间的关联关系,采用模糊聚类计算数据的隶属度信息判断数据是否为异常值,并基于非异常值数据建立预测模型,最终实现数据的鲁棒建模。数值案例、隧道掘进机和联合收获机监测数据试验结果表明,提出方法能够准确识别出数据中的异常值,并显著提升数据建模精度。

摘要：针对具有臂架系统的工程设备在早期开发阶段,无法确定臂架系统主要参数,导致产品整体方案及其他部件方案设计没有参考数据的问题。以混凝土泵车臂架作为典型工程装备部件,在已有臂架系统主要参数的基础上,运用多项式回归分析方法对臂架的长度与臂架重量,臂架长度与臂架静态总弯矩进行分析。通过多阶拟和建立数学模型,采用标准偏差和判定系数评判拟和方程,并与使用精确设计方法得到的臂架系统参数进行对比。结果表明:利用回归分析得到的数学模型,可以预测臂架系统主要参数的变化趋势,对于混凝土泵车而言,利用二项式回归分析建立的数学模型是最优的,即臂架长度与臂架重量,臂架长度与臂架静态总弯矩满足二次关系。研究结果不仅可以为混凝土泵车产品的设计提供科学依据,而且也能为具有类似臂架结构的高端装备的开发研究提供重要参考。

摘要：这里在实验的基础上,用多项式回归分析的方法来确定膜片弹簧大端载荷变形的关系,得到其特性曲线方程。再将多项式回归分析结果与A～L公式进行比较,可对A～L公式进行修正,并用比较系数的方法确定修正系数。

摘要：针对多项式回归颜色校正方法中的不足,提出一种自适应加权的根多项式回归算法。多项式回归颜色校正过程中需要手动标定色卡色块位置,操作不便且易产生人为误差,本文自主设计了一种带QR码上3个定位标识符的色卡,可实现色卡色块的自动定位;针对多项式回归法的高阶项会放大噪声且对噪声不具有健壮性的问题,本文算法将自适应地调整权重矩阵以减小样本奇异值对拟合性能的影响,再由色差值计算另一个增益系数矩阵,从而提高校正性能。经实验验证,本文算法在CIELab色差值、PSNR两项指标上相较于传统多项式回归方法都有较大提升。其中,传统多项式回归方法平均CIELab色差值高达6.5,且该数值受环境影响较大,而本文算法对不同环境下的图像校正后色差可稳定在3.2以下。

摘要：利用多项式回归法进行分色建模,结合灰平衡及兼色设置,获得了最终的分色结果,然后设计实验,从分色误差、分色精度方面进行了评价。结果表明,该分色方法取得的分色效果较好,可以更加准确地进行颜色复制。

摘要：多项式回归是用来确定两种或两种以上变量间相互依赖的非线性定量关系的一种统计分析方法,在大数据分析中有广泛的应用。通常,挖掘的数据集包含一些敏感属性,在数据挖掘过程和数据发布中,如不加保护会引起隐私泄露。基于对代价函数添加噪声的方法,该文设计了一种满足差分隐私的多项式回归算法FM-on-PR,并且针对现实应用中的需求,对该算法进行了优化,获得了两种分别对数据安全性和数据可用性进行加强的算法DPC-on-PR和DPBA-on-PR。通过理论证明了它们满足差分隐私性质,并使用多个数据集进行实验仿真,测试算法性能,结果表明了这些方法具有有效性,并且经过对比,得出了其中拟合优度最高的DPBA-on-PR算法。

摘要：土壤水分的精准测量对节水灌溉、墒情监测、水肥一体化等领域具有重要意义,土壤氮含量会影响水分传感器的测量。为了消除这种影响,设计了不同尿素质量对不同水分含量土壤样本的监测实验,采用高灵敏度水分传感器并对尿素干扰下的输出电压进行监测,通过称重法监测土壤样本的含水率,使用LCR电桥测试仪监测土壤样本的电容和电阻。为了研究氮含量影响水分测量的机理,根据实验数据建立了三元三次多项式、BP神经网络、深度学习3种预测模型,并对预测结果进行误差分析。结果表明,相同土壤含水率条件下,尿素质量与土壤水分传感器输出值呈周期性的振荡关系。3种预测模型的平均绝对误差分别为0.77%、0.64%、0.75%,BP神经网络模型有98%误差集中在0~2%区间,误差峰值仅为2.07%,确立BP神经网络模型为最佳抗尿素干扰水分预测模型。

摘要：针对芯片生产链长、安全性差、可靠性低,导致硬件木马防不胜防的问题,提出一种改进的机器学习分类算法.首先采集不同电压下电路的延时信号,通过KNN分类算法找出延时差异,若延时与干净电路相同,则判定为干净电路,否则判定有木马;然后联合多项式回归算法对木马延时特征进行拟合,基于回归函数建立木马特征库,最终实现硬件木马的准确识别.实验结果表明,对2 000组延时单元的19个不同电压进行延时提取,同时考虑电压数目、K值与识别准确率,则电压数目与木马的识别准确率成正比,而参数K与识别准确率成反比;综合考虑的电压数目为19时,其预测准确率达到最高的95.2%;所提算法能明显地提升硬件木马的识别准确率和自动化程度.