课程文献中心 更多>>

关键词： L2,p-距离度量   Welsch损失函数   鲁棒性   非凸优化   双极限学习机  

摘要： 鲁棒性能保证机器学习模型的稳定性和缓解异常值的负面影响,是机器学习和模式识别领域的热点研究问题之一.双极限学习机(Twin extreme learning machine,TELM)作为处理二分类问题的有效工具,不但继承了极限学习机(Extreme learning machine,ELM)扎实的理论基础,还进一步降低了计算成本,但面对噪声数据时仍然比较敏感,即鲁棒性依旧有待提升.本文以统计学和优化理论为基础,以建立鲁棒性更强的分类模型为目的,通过寻找更优的距离度量和损失函数来研究双极限学习机分类学习框架,达到有效抑制噪声影响和提升分类性能的效果,具体包括:1.鉴于样本数据中异常值点对模型分类能力的显著不利影响,本文提出了一种基于鲁棒距离度量的双极限学习机(Twin extreme learning machine based on a robust distance metric,CWTELM).该模型首次在TELM算法中引入了截断L2,p-范数距离度量和Welsch损失函数,增强了模型的鲁棒性.其次,为了加快模型的运算速度,本文还提出了 CWTELM中的最小二乘模型,即基于鲁棒距离度量的最小二乘的双极限学习机(Least squares twin extreme learning machine based on a robust distance metric,FCWTELM).最后,本文开发了两种高效的迭代算法,分别用于求解CWTELM和FCWTELM模型,并在理论上严格证明了这两种算法的收敛性.‘为了验证模型的鲁棒性和实际应用效果,我们在人工数据集和UCI数据集上进行了广泛的实验,结果充分证明了模型的可行性和稳定性.2.为了进一步提升CWTELM和FCWTELM模型的泛化性能,本文引入了流形正则化项将这两个模型扩展到半监督学习框架中并,提出了新的半监督鲁棒学习算法,即基于鲁棒距离度量的半监督双极限学习机(Semi-supervised twin extreme learning machine based on a robust distance metric,SS-CWTELM)和基于鲁棒距离度量的半监督最小二乘的双极限学习机(Semi-supervised least squares twin extreme learning machine based on a robust distance metric,FSS-CWTELM).其次,设计了两种有效的迭代算法来求解以上问题,这两种算法不仅容易实现,而且从理论上保证了合理的最优解的存在.在多个数据集上进行的大量实验表明,SS-CWTELM和FSS-CWTELM在鲁棒性和可行性方面具有竞争力.

关键词： 连续内部交易   相关系数   风险偏好贝叶斯均衡   最优交易策略   半强有效性定价  

摘要： 在真实的金融市场中,噪声交易者可能会通过长期的交易经验和规律来获取风险资产部分信息,从而促成资产价值与噪声交易量相关的情形.因此,本文针对内部交易者是风险中性和风险厌恶的两类市场,研究动态风险资产与噪声交易者的交易量相关的连续内部交易风险偏好均衡,并分析市场均衡时,相关系数对市场流动性、最优内部交易强度和内部人最优期望利润等市场特征的影响,研究的主要结果如下: 首先,基于交易在有限时间或随机时间截止以及内部交易者是风险中性的市场,构建动态风险资产与噪声交易者的交易量相关的连续内部交易数学模型.应用正交变换、滤波理论和动态规划原理,得到了两类交易截止下、由最优交易策略和半强有效性定价组成的风险中型性线性贝叶斯均衡,并证明了其存在性和唯一性.结果表明,当市场处于均衡时,市场流动性和剩余信息不受相关系数的影响,且交易截止时剩余信息被完全释放,然而,内部人的最优交易强度随着相关系数的增加而逐渐减小.特别地,当噪声交易者在交易过程中持续获得风险资产价值的部分正相关信息时,内部交易者的交易强度和期望利润相对于风险资产与噪声交易量独立情况要小;反之,当噪声交易者在交易过程中持续获得风险资产价值的部分负相关信息时,内部交易者的交易强度和期望利润相对于其独立情况要大. 其次,基于交易在有限时间截止以及内部交易者是风险厌恶的市场,构建动态风险资产与噪声交易者的交易量相关的连续内部交易数学模型,利用上述方法得到了相应的风险厌恶性型线性贝叶斯均衡,并证明了其存在性和唯一性.结果表明,当市场处于均衡时,在交易的前一段时间,市场流动性随相关系数的增大而减小,而在交易的后一段时间,市场流动性随相关系数的增大而增大;在存在相关性的市场中,剩余信息随时间单调减小到零,而在独立的市场,剩余信息随时间先增大后减小到零;内部交易者的最优交易强度随着相关系数的增加而逐渐减小. 本研究结果可以对相应连续内部交易市场中的内部交易者最优决策和做市商有效性定价,提供理论参考。

关键词： 隧道   装配式   中隔墙   ALC板   低碳  

摘要： 隧道装配化施工是未来隧道建设的趋势，文章介绍了隧道通风斜井装配式ALC板中隔墙施工技术的应用领域、ALC墙板的特点、技术原理、技术优势，尤其从燃料节能、电能节能、电能降碳量、设备燃料降碳量、钢材降碳量、水泥降碳量、环保降碳等方面详细说明了其节能降耗效益。研究表明，此项技术具有施工周期短、预制化质量可靠、造价低、节能环保等特点。

关键词： 锂离子电池建模   参数辨识   CMA-ES算法   EKF算法  

摘要： 在当今节能减排,绿色发展的大环境下,电动汽车的销量逐年攀升,与此同时,电池储能装机量也在逐年上升,电池成了新时代的焦点。而锂离子电池由于其高能量密度、低自放电率、长循环寿命等优点日益广泛应用,也激发了人们研究更先进电池管理系统(BMS)的兴趣。电池管理系统的核心功能之一为荷电状态(SOC)估计,其对于评估电池的剩余容量至关重要,合理的SOC估计有助于避免电池因过度充放电而遭受损害。同时,精确的电池模型是电池管理系统能否准确估计电池SOC的关键,模型的准确性直接影响状态估计。本文主要研究内容如下: (1)扩展卡尔曼滤波器(EKF)是一种常用的电池SOC估计方法。电池等效模型是EKF估计电池SOC的基础,对电池模型参数提取的常用方法有脉冲放电曲线拟合,但该方法提取的参数可能只在特定工况模型误差会比较小,在工况变化后模型误差增大。针对这些问题提出采用协方差矩阵自适应策略算法(CMA-ES)对电池模型的参数进行辨识。该算法使用多脉冲曲线辨识得到的参数作为算法的初始值,使用混合脉冲功率性能测试(HPPC)和恒流放电数据作为输入数据以增强辨识过程的准确性。最后,通过仿真验证,对模型进行了多种工况的验证,包括恒流放电、HPPC和动态压力测试(DST)工况,通过与传统单脉冲拟合方法和递推最小二乘法(RLS)算法的对比验证了所提出的方法辨识参数的准确性和实用性。 (2)分析EKF估计SOC时噪声协方差Q和R对状态估计的影响。矩阵Q值和矩阵R值在估计误差和估计收敛速度之间的平衡至关重要。不正确的值会导致状态估计准确性降低并引起状态估计的发散。针对此问题提出了CMA-EKF算法估计SOC,利用协方差自适应策略寻优能力选择最佳Q和R值。CMA-EKF算法利用测量到的电压和电流来估计每个样本的SOC值。将估计的SOC与通过安时积分方法得到的参考SOC进行计算,可以得到相应的适应度函数,并通过适应度函数生成新的个体,不断迭代寻优最终确定Q矩阵和R矩阵的值。所提出CMA-EKF方法在估计误差和收敛速度方面与自适应扩展卡尔曼滤波(AEKF)、自适应无迹卡尔曼滤波(AUKF)对比。在恒流放电条件下所提出的方法SOC估计的结果优于另外两种算法算法,相对于AEKF和AUKF,其平均绝对误差(MAE)分别降低了71.11%和8.22%。在DST条件下,CMA-EKF的SOC和端电压估计值的最大误差、MAE、均方误差(MSE)和均方根误差(RMSE)均为最低。这些结果表明,CMA-EKF算法能够诸准确估计锂离子电池的SOC,并具有高鲁棒性。此外,通过实验验证,CMA-EKF算法表现出对初始SOC不准确性的鲁棒性,迅速收敛到真实SOC的能力使其在实际应用中更具有实用价值。

关键词： 高等级道路   微表处   噪声   影响因素  

摘要： 为研究纤维微表处混合料噪声性能的关键影响因素，文章结合微表处摊铺厚度，对传统微表处级配进行调整优化，在此基础上对添加有纤维或胶粉的改性微表处进行研究，通过正交试验设计不同的试验组合，检测不同组合混合料试件的噪声并加以统计学分析。首先选取规范中的基准级配，在基准级配的基础上进行了调整和优化，从而形成另外三组级配；然后分别确定纤维掺量和乳化沥青用量，设计正交试验并检测其混合料试件的噪声；最后通过车辙变形试验和湿轮磨耗试验评价其耐久性，并设计室内噪声测试方法对其噪声性能进行了评价。结果表明，胶粉对微表处混合料的抗水损害性能带来不利影响，综合考虑耐久性和噪声性能，选择最优级配和最佳纤维掺量进行耐久性低噪微表处的配合比设计，通过极差和方差分析得出级配属于关键影响因素，改性乳化沥青用量为次要影响因素，纤维掺量为最小影响因素。

关键词： 煤矿   通风防尘   监测   预警系统  

摘要： 煤矿通风防尘监测与预警系统的建立与应用研究是煤矿安全领域的关键课题，也是对煤矿管理水平和科技创新能力的重要考验。本文通过对煤矿工作环境、通风系统和矿工健康进行实时监测与数据分析，可以帮助煤矿管理者及时发现问题并采取相应的措施。通过不断改进和创新，我们有望提升煤矿工作环境的安全性和舒适性，为矿工提供更安全、更健康的工作条件。

关键词： 听力损失   职业噪声   伤残调整寿命年   全球疾病负担研究   时间序列分析  

摘要： 目的 本研究探讨中国与全球范围内职业噪声汇总暴露值（summary exposure value of occupational noise,SEV）对听力损失伤残调整寿命年（disability-adjusted life years,DALYs）的影响，并对未来5年的趋势进行预测，为下一步减轻职业噪声危害对健康的负面影响提供思路。方法 本研究数据来源为1990年至2021全球疾病负担研究（global burden of disease study,GBD）数据库中SEV）与35～39岁中国与全球人口听力损失造成的DALYs。分别对中国和全球上述两指标进行描述性分析和相关分析；利用自回归积分滑动平均（autoregressive integratedmovingaverage model,ARIMA）模型，预测未来5年的职业噪声SEV和因职业暴露导致听力损失造成的DALYs的变化情况。结果 1990年以来，在我国35～39岁人群中，因听力损失造成的DALYs自波动上升至顶峰2005年462 844人年后波动下降，2021年为388 843人年；全球数据显示出持续和显著的增长，整体高于中国水平，且二者差距逐渐增大；二者的增长趋势变化比较，存在相关关系（r=0.495,P<0.05）。因职业噪声暴露导致35～39岁人口听力损失的DALYs，在我国呈缓慢但持续的下降趋势；而全球的数据有所增加，一直高于中国且有增快趋势；二者变化的趋势相似（r=0.536,P<0.05）。根据时间序列分析得到，中国职业噪声SEV水平从1990年的16.59逐渐降至2026年的预计15.66，反映出对职业噪声进行控制防护，其措施的实施效果有效。全球数据从1990年的11.81缓慢上升至2026年的预计11.94，表明职业噪声控制可能不如中国有效，或者在某些地区的情况有所加剧。因职业暴露导致听力损失造成的DALYs，中国2021年为132 239人年，预测2026年为135 408人年，表明虽然有努力控制职业噪声，但疾病负担未有明显下降趋势；全球从1990年的305 000人年增长至2021年的507 492人年，并预计在2026年达到528 843人年，听力损失问题更为严重。结论 自1990年以来在35～39岁人群中，中国在职业噪声暴露防控方面的成效显著，但造成的疾病负担，仍然是职业卫生领域需要持续关注和改进的重点，后续应持续关注职业噪声对健康的影响。在全球范围内，因职业噪声暴露导致的听力损失问题预测有更加严重的趋势，需要国际间相互合作，以更加有效的策略来解决。

关键词： 机器学习   成员推理攻击   成员推理防御   噪声生成模型   知识蒸馏  

摘要： 随着机器学习技术在各个领域的广泛应用,其安全性和隐私保护问题日益受到重视。其中成员推理攻击是一类主要的数据隐私泄露攻击方法。为了保护用户的隐私安全,针对成员推理攻击的防御研究成为了人工智能安全领域的重要问题。尽管已经有一些研究取得了初步成果,但现有的成员推理防御方案仍存在着隐私风险与任务性能难以平衡的问题。因此,本文通过对成员推理防御技术进行了深入研究,分别基于对抗噪声生成和知识蒸馏方法,设计高效用的成员推理防御方案。本文的主要贡献概括为以下两点: (1)提出了一种基于对抗噪声生成的成员推理防御方法——Gan Noise。针对现有的成员推理防御方案无法同时实现隐私保护和模型效用的问题,该方案将对抗正则化与生成网络有效结合起来,利用攻击模型对噪声生成模型进行对抗正则化,以此来提高所生成的噪声对攻击模型的干扰程度,然后将生成的噪声叠加到私有训练数据上,通过叠加的数据增加受保护模型训练数据的随机性,以此防止模型对隐私训练数据的过度记忆。通过实验验证表明,本方案在有效防御成员推理攻击的同时,确保目标模型的性能不降低,甚至有所提升,实现了数据隐私和模型效用之间的优秀权衡。 (2)提出了一种基于噪声生成模型的自知识蒸馏成员推理防御方法——自适应知识提取(DSAK)。针对现有的成员推理防御方案在不引入额外的训练数据的条件下,无法有效地处理成员推理防御性能与模型效用之间的平衡问题,该方法有效地结合了噪声生成模型和知识蒸馏技术,利用自我复制的教师模型辅助噪声生成模型训练,并通过噪声生成模型引入了一种特殊类型的数据噪声,称为自适应噪声,引入自适应噪声可以为目标模型的训练过程提供额外的数据特征,并且还能够避免其对成员数据的过多记忆。实验验证表明,本方案在不引入额外的训练数据的前提下,不仅提高了模型的性能,还降低了成员推理攻击的风险,很好地实现了成员推理防御性能与模型效用之间的平衡。