利用TensorFlow机器学习框架建立了前馈神经网络模型,以三个切削参数作为输入变量,分别是刀具切削深度ap、切削速度vc和进给量f,输出变量是表征工件表面粗糙度的三个指标,即轮廓算数平均偏差Ra、轮廓最大高度Ry或微观不平度十点高度Rz。利用数控车床加工数据对神经网络进行训练,训练好的网络可以用来预测工件的表面粗糙度。预测结果表明基于TensorFlow框架的表面粗糙度预测方法具有建模方便和精度高的特点,因此提出的方法对车削工艺的智能化编制有一定的参考价值。

为提高协调发展评估模型对电网投资决策过程进行量化评估的精度,在保留以往距离协调发展评估模型全部基础数据处理模块的基础上,使用模糊多列神经网络分析法,对传统欧氏距离协调发展评估模型进行拆分,在将神经网络用于欧氏距离加权系数后,将其与因子归一化结果进行逐一融合,最终将数据输送到传统欧氏距离协调发展评估模型的X值计算模块中。仿真结果表明因为革新模型对ω因子进行了基于多列神经网络的强化迭代回归数据挖掘,所以二者出现了显著的统计学差异,传统模型的误差率为革新模型的4.32倍;最终X因子的评价结果中,同样存在显著统计学差异,传统模型的误差率为革新模型的5.13倍。

为了准确检测变电站高压电器设备的局部放电故障,使用多轴平行摄影系统同时采集基于可见光、紫外线、红外线等的多频谱视频数据,使用多咪头采集现场的噪声数据,并采用三点定位法分别实现故障位置定位。在机器学习架构设计中,使用6个独立的归一化神经网络模块对6个探头的数据进行归一化处理,使用1个神经网络核心模块进行二值化分析,最终得到分析结果。仿真分析表明,该系统可对1×108 pF规模的放电现象实现敏感性100%的捕捉和判断;可以在较小的工程量基础上,实现对高压设备微小隐性故障的早期发现和早期处理,可以有效提升变电站的状态检修水平。

课堂活动中学生对教师课程设计元素的学习有效性评价多依赖于标准化的问卷来完成,然而问卷会对学生造成额外的压力,由此导致评估结果失真。为了解决这个问题,使用腕戴式可穿戴设备,对学生在学习过程中的生理参数进行连续且无干扰的监测,使用多项式支持向量机(SVM)算法预测可穿戴设备监测学习过程获得的分类目标变量和连续目标变量。为了证明该算法的有效性,分别采用随机森林、线性SVM、径向SVM和多项式SVM算法,计算并对比了与3个问卷调查因子(满意度、有用性和成绩)有关的均方根误差。结果表明,多项式SVM算法优于其他算法,其中有用性、成绩、满意度的最小错误率分别是13.8%、11.0%、11.8%,该算法具有较高的实用价值。

针对电子元件体积小,由振动供料器翻转后,位置、旋转角度随机,姿态十分相似,且会出现元件重叠的情况;使用HOG-SVM目标检测算法通过机器学习进行研究,并分析了电子元件各不同角度的特征提取丰富程度以及样本数量对于算法性能的影响。通过几种旋转角度人工获取并标注多组不同数量的样本集,以OpenCV库为基础,分别训练分类器,进行检测分类。最终经过多次实验表明,每隔10度旋转进行特征提取更加丰富;且当样本数量达到由此角度获得的180个时,分类器整体性能趋于稳定,达到较好的分类精确率。

构建了基于机器学习算法的人机交互辅助值班系统。通过布设于不同电网机房区域的数据采集器采集数据,经NB-IoT模块和数据服务器处理后传输至用户端,采用组合机器学习算法实现系统信息检测。设计了人机交互界面,为系统管理人员提供直观的信息。系统性能验证结果表明,该系统具有较高的电力调度报警信息检测准确率,误报率低,系统管理人员可利用系统人机交互界面有效地实现监控区域电力调度信息的管理。

针对管道腐蚀预测分析因素复杂且具有较大随机性与模糊性的问题,建立了一种基于集成学习与机器学习算法的PSO-MGM管道腐蚀预测模型。在管道腐蚀检查数据的基础上,以MGM(1,1)为预测模型,采用PSO算法选出最优白化因子,实现了管道腐蚀速率预测。仿真结果表明,所提模型预测值与实际值拟合效果良好,可较为理想地反映管道腐蚀发育情况,相较于标准GM(1,1)预测模型和MGM(1,1)预测模型,其平均相对误差更小,满足预测精度需求,并可具体预测某一管道腐蚀发育情况,具有一定的实际应用价值。

为了提升电网配网异常事件约束及预警算法效率,将异常事件约束元数据从电网系统负荷数据和电网设备状态数据调整为配网发令系统数据,通过引入模糊神经网络,使用模糊矩阵对数据强制归一化后导入多列模糊神经网络,最终在有针对性的加权规则下得到基于调度法令系统原始大数据的数据预警结果,从而减少异常事件发生,提高对配网故障风险的检出率。在仿真环境下,该配网发令系统测得更高的敏感度和特异度,并具有更高的响应效率,说明在异常事件约束人工智能算法中,配网发令系统数据具有更高的数据挖掘效果,从而能够提前对配网故障风险做出智能判断。

为较准确预测混凝土28 d的抗压强度,以水泥、粉煤灰、砂、碎石和水5种原材料的单位用量作为输入,混凝土28 d抗压强度作为输出,构建了一个拥有249组样本的数据库。运用决策树、支持向量机、高斯过程回归、集成学习、神经网络5种机器学习算法进行超参数优化,构建了混凝土28 d抗压强度预测模型,并对其精度进行了评估。对比5种机器学习算法结果可知:高斯过程回归模型是预测混凝土28 d抗压强度的最优预测模型;基于构建的高斯过程回归模型对无岳高速WYTJ-07标段隧道工程自制的5种花岗岩混凝土28 d抗压强度进行了预测,预测值的最大相对误差为8.95%,证明该模型预测精度良好,可靠性高。

随着机器学习的快速发展和其突出的非线性映射能力,越来越多的学者将机器学习方法应用到流体力学领域。为克服传统数学拟合不能很好的解决系统非线性问题,以及现有文献中所提及的一些基于神经网络的气动参数预测方法,需要进行参数化处理而带来的不便,同时为实现多变量多输出气动参数快速预测的目的,基于卷积神经网络考虑机翼变迎角和浮沉建立了一种多变量多输出的机翼气动参数预测模型,实现了机翼气动参数的快速预测。结果表明所建模型具有较高且稳定的预测精度,并且计算效率较计算流体力学(CFD)提高了40倍。