基于GA_XGBoost模型的大学生科研能力预测问题研究

科学评价大学生科研创新能力对我国科研水平的提高具有重要意义.采用机器学习模型来预测大学生科研能力可以起到良好的效果,提出一种GAXGBoost模型来实现对大学生的科研能力预测.此模型是以Xgboost算法为基础,然后充分利用遗传算法的全局搜索能力自动搜索Xgboost最优超参数,避免了人为经验调参不准确的缺陷,最后采用精英选择策略以此确保每一轮都是最佳的进化结果.通过分析表明,所采用的GAXGBoost模型在大学生科研能力预测的结果中具有很高的精度,将此模型与Logistic Regression、Random Forest、SVM等模型进行对比,GAXGBoost模型的预测精度最高.     

《光学精密工程》(月刊)

中国光学开拓者之一王大珩院士亲自创办的新中国历史最悠久的光学期刊。现任主编为国家级有突出贡献的青年科学家曹健林博士,Benjamin J Eggleton,John Love等国际著名光学专家为本刊国际编委。《光学 精密工程》主要栏目有现代应用光学(空间光学、纤维光学、信息光学、薄膜光学、光电技术及器件、光学工艺及设备、光电跟踪与测量、激光技术及设备);微纳技术与精密机械(纳米光学、精密机械);信息科学(图像处理、计算机应用与软件工程)等。     

中国生物医学超声联合学术年会(CUMB2019)在北京举行

2019年10月18日–20日,中国声学学会生物医学超声工程分会、中国生物医学工程学会医学超声分会与中国超声医学工程学会仪器工程开发专业委员会在北京联合主办了“2019年度中国生物医学超声联合学术年会”,同期共同举办的还有国际分子影像与微创治疗大会、国际肌肉骨骼及浅表器官超声研讨会和国际生物医学造影技术会议。     

托卡马克工程试验混合堆等离子体性能的等值线图分析

本文简要叙述托卡马克工程试验混合堆等离子体概念设计的物理基础,对等离子体性能进行了等值线图(Plasma Operation Contour)分析。根据工程试验混合堆的要求,得出一组等离子体参数。     

高频脉管制冷机的研究进展(下)

介绍了斯特林脉管制冷机(高频脉管制冷机)国内外最新研究现状以及发展趋势。分析了由于高频脉管制冷机的效率可以达到甚至超过斯特林制冷机,从而在空间领域、红外传感器件和高温超导器件的冷却领域获得广泛应用。指出了线性压缩机是高频脉管制冷机的重要部件之一,提高线性压缩机的性能及机械寿命是提高高频脉管制冷机性能和寿命的一条重要途径。     

中国三大加速器工程

 1983年3月我曾以这个题目,在纪念中国物理学会成立五十周年大会上做过报告,介绍我国这三个规模宏大的科研工程的建造、进展的情况.当时与会同志对我国在科教经费总的偏低的情况下对基础研究的支持感到欣慰,对通过这三个工程表现出的技术水平和能力,产生了深刻印象.当然,也不是完全没有不同的看法.现在这三台装置,已经先后建成出束,性能达到国际水平,即将在我国研究与应用领域发挥巨大的作用,为我国许多空白学科创造了发展的条件,这是多么令人精神振奋的事情啊！     

基于自适应预测滤波理论的模数转换器设计方法

基于自适应差分量化理论，提出了在不增加转换位数的情况下提高模数转换器(ADC)动态范围的一种设计方法。该方法通过量化输入与预测的差值来获得预测增益，从而扩大ADC的动态范围；通过差分量化值与预测值相加得到输出信号，并将该分别采用LMS和RLS算法进行处理．得到输入信号的预测值．计算机模拟结果证实，上述两种算法均能使模数转换器的动态范围提高约25dB．比较而言，RLS算法收敛速度更快，收敛性更好，但计算量较大．     

不同加载方式下路堤沉降性状与预测模型研究

从考虑土体流变的本构关系出发 ,证明了瞬时加载、线性或者近似线性加载和分级加载情况下路堤沉降的性状 ,提出了从数学上能满足各自变形特征的预测模型 ,工程实例分析表明了在不同条件下采用不同模型的合理性和实用性     

Local Prediction of Chaotic Time Series Based on Support Vector Machine

Based on phase space delay-coordinate reconstruction of a chaotic dynamics system, we propose a local prediction of chaotic time series using a support vector machine （SVM） to overcome the shortcomings of traditional local prediction methods. The simulation results show that the performance of this proposed predictor for making onestep and multi-step prediction is superior to that of the traditional local linear prediction method and global SVM method. In addition, it is significant that its prediction performance is insensitive to the selection of embedding dimension and the number of nearest neighbours, so the satisfying results can be achieved even if we do not know the optimal embedding dimension and how to select the number of nearest neighbours.