摘要：针对抗震工程中耗能软钢材料在大塑性变形时机械特性评估困难的问题,提出了一种基于智能集成技术的分析方法预测其力学特性。首先对软钢材料不同垂直台阶角度进行拉伸实验,并将采集到的实验数据利用智能技术进行预测分析;将实验设计为双层模型,第一层模型采用随机森林(random forest,RF)算法和自然梯度提升(natural gradient boost,NGBoost)算法作为基础学习器,第二层使用第一层的分析结果和单层逻辑回归进行融合集成计算,新的融合集成模型在实验测试集上能较好地反映出应力与应变的变化趋势、变化速度和变化数值的关系。结果表明,利用智能集成技术比利用单一RF算法和NGBoost算法预测技术的拟合效果分别提高了29.2%和27.4%,所提方法对分析不同垂直台阶角度下软钢材料大塑性变形时的机械特性变化有重要的参考价值。

摘要：【目的】解决混合含有连续数值与标签特征量数据集的规则挖掘问题。【方法】提出数据集中特征维度间的互解释表示方法——自解释归约模型,模型通过最大化新设计的自解释归约目标实现对连续数值数据的自适应划分建模。【结果】针对标准数据集、模拟规则挖掘问题、以及实际问题的实验分析表明,本文方法具有显见的可行性及可用性,是对现有数据建模与关联规则挖掘方法的有效扩展。【局限】计算效率一般,还不能适应较大规模数据集的高速处理要求。【结论】技术方法上弥补了现有相关方法在解决混合特征数据建模问题时的局限性,通过理论与实验分析证明新方法具有较强的创新性及实用性。

摘要：当下计算机信息技术飞速发展,为满足各行各业所急需的应用创新型人才,根据当前高校计算机专业Python课程实践教学存在的问题,结合Python语言程序设计的优点与特性,提出了工程思维模式下的阶段性课程教学方案,旨在推动建设应用创新型高校的Python语言程序设计课程的改革。

摘要：目的针对机械工程中软钢材料在大塑性拉伸载荷下力学特性分析的问题,提出一种基于深度学习的分析方法来预测其力学特性。方法首先对软钢材料不同台阶角度展开拉伸实验,并将采集到的实验数据利用智能技术进行预测分析。实验模型设计为双层结构,第1层结构采用共享全连接层特征输入,第2层使用极端随机树和长短时记忆网络做联合深度训练,并对训练结果经过激活函数计算后统一输出。采用联合训练模型在实验测试集上能较好地反映出应变与应力的变化趋势、速度和数值关系。结果实验结果显示,利用联合训练模型比单一ET和LSTM预测技术在拟合效果上分别提高了28.3%和63.5%。结论利用新模型取得较好的预测效果,这为分析金属阻尼器大塑性拉伸载荷下软钢材料力学特性的分析提供了重要的参考。