摘要：在半刚性基层沥青路面结构性养护设计中,将基层旧料和沥青路面旧料混合冷再生作为一种低碳工程技术。为探讨冷再生基层旧料和沥青路面旧料的不同比例混合料强度规律,本文以现场取回的沥青层RAP料和基层rbm料为原材料,在调查面层和基层料比例的基础上,就沥青混合料强度进行研究。选择了三种面层和基层混合料比例,以五种水泥掺量占比进行不同种类混合料的无侧限抗压强度试验,得出了其抗压强度的规律。综合考虑混合料强度与稳定性、经济性,采用33∶67的面基层用料比例较优;水泥掺量在5%~8%时随着水泥用量的增加再生混合料的强度增长较快,建议水泥掺量大于5%。

摘要：为了提升电厂斗轮机的自动化控制水平,文中针对可编程逻辑控制器(PLC)设计了斗轮机控制系统,对深度置信网络(DBN)的应用与优化进行研究。设计了基于DBN网络的比例-积分-控制(PID)参数更新策略,以实现斗轮机的智能控制。该策略在DBN网络的非线性拟合能力基础上,对PLC控制器的输入输出信号进行采集,进而完成网络的训练。同时在PID参数更新时,为提升传统DBN网络训练的效率,引入了利用高斯变异机制改进的萤火虫算法(LOGFA),从而避免种群进化的停滞现象,且保证了迭代的稳定性。在MATLAB中对斗轮机内的异步电机进行的控制仿真实验结果表明,PID算法的K_(P)、K_(I)与K_(D)三个参数可快速收敛,且控制精度相较于传统的模糊PID算法具有显著提升。而MAPE为3.2576%,较模糊PID控制策略降低了4.9667%,RMSE则下降至0.0379。

摘要：为了提升线损管控的效率,文中对数据融合与智能计算技术进行了深入研究。基于电路叠加原理及牛顿-拉夫逊算法构建了以DBN为基础的融合模型,该模型将电网模型节点的有功及无功功率、节点电压作为模型输入,以线路的线损值为输出,并通过梯度上升法进行训练。在训练过程中根据不同的网络结构采取在线学习的方式对训练参数加以调整,进而保证了损失函数的收敛速度及网络参数的更新效率。在实际电力运行环境下进行的线损计算仿真结果表明,相较于BP网络,所提模型的MAPE提升了4.019%,而RMSE降低了74.40%,对于线损的计算能力显著提升。

摘要：在复杂场景下,研究鲁棒跟踪的新方法受到当前学者的青睐。大多技术关注跟踪目标的表象学习,然而,本文强调复杂场景下的特征学习来实现跨摄像头目标跟踪新技术。本文提出在复杂场景下对感兴趣目标进行鲁棒跟踪的方法,我们使用深度学习模型———限制波尔兹曼机(rbm)来实现这个具有挑战性难题。受迁移可视化先验知识的影响,该跟踪方法分为两个部分:在线训练和离线跟踪。同时,本文提出了HVS算子来实现跨摄像头下行人的跟踪。在一些流行的基准视频上,我们提出的算法和当前主流的跟踪算法做对比,该算法表现出更好的准确性。

摘要：为了解决目前图书馆推荐系统存在的无法挖掘出读者个性化信息的深层次特征、数据稀疏、“冷启动”等问题,设计实现了基于R-rbm及Top N算法(RT-rbm)的协同过滤的图书馆个性化推荐系统.R-rbm协同过滤推荐算法可以有效解决数据稀疏的问题、提高个性化推荐的精准度.Top N协同过滤推荐算法可以较好地为新用户进行推荐.实验结果表明,RT-rbm协同过滤推荐系统相较传统协同过滤算法具有更好的应用效果.

摘要：针对医疗数据的智能化识别与分析需求,文中对医疗财务大数据挖掘的相关方法进行了研究。通过引入深度学习中的深度置信网络(DBN),结合Autoencoder自编码网络构建了数据处理系统,实现对医院经营状态的自动化评估。DBN网络使用受限玻尔兹曼机(rbm)替代了传统神经网络中神经元结构作为网络的隐藏层,该结构可以多个堆叠,提升网络的泛化能力。使用Gibbs抽样,得到rbm的近似分布,提升算法的训练效率。同时Autoencoder网络可以从大维度的财务经营数据中,筛选出更能描述数据特性的特征维度。为了验证系统算法的性能,在某医院的财务数据集上进行测试,使用Autoencoder自动提取17个财务数据指标作为模型的输入特征,以评估结果作为模型的输出向量。对比实验结果表明,相较于逻辑回归、BP神经网络等浅层的机器学习算法,文中算法的AUC与Accuracy分别可以达到0.81、80.0%,具有较为明显的提升。

摘要：可燃气体燃爆过程通常伴随多种气体浓度的变化,因此其燃爆状态的判断较为复杂,文中使用DBN通过非监督学习方法提取数据的特征值,同时降低特征的维度;BP神经网络接收rbm的输出数据,通过监督学习方法进行气体燃爆状态判断。实测结果表明,该系统具有较高的分类判断准确率。