时间序列数据通常仅在观察过程中的中断时仅在有限的时间范围内获得。为了对这样的部分时间序列进行分类，我们需要考虑1）从2）不同时间戳绘制的可变长度数据。为了解决第一个问题，现有的卷积神经网络在卷积层之后使用全球池取消长度差异。这种体系结构遭受了将整个时间相关性纳入长数据和避免用于简短数据的功能崩溃之间的权衡。为了解决这种权衡，我们提出了自适应多尺度合并，该池从自适应数量的层中汇总了功能，即仅用于简短数据的前几层和更多的长数据层。此外，为了解决第二个问题，我们引入了时间编码，将观察时间戳嵌入中间特征中。我们的私有数据集和UCR/UEA时间序列档案中的实验表明，我们的模块提高了分类精度，尤其是在部分时间序列获得的短数据上。
translated by 谷歌翻译
本文报告了在固体表面上溅出的滴滴和时间演化的特征，这些特征是通过图像序列分类提取的，使用高度可解释的前馈神经网络（FNN），其隐藏层为零。用于训练验证和测试FNN的图像序列显示了毫米大小的乙醇滴的早期变形，这些乙醇液滴会影响亲水性玻璃基材，Weber数量范围为31-474（溅出阈值约为173）。进行特定的摄像条件和数字图像处理，以确保图像序列之间的高相似性。结果，受过训练的FNN的测试精度高于96％。值得注意的是，该特征提取表明，受过训练的FNN鉴定出空气动力学上升起的二滴液滴的时间演变，而主体的相对较高的轮廓是溅出的特征，而相对较短的薄片则是相对较短而厚的薄片。非挡板滴的功能。除了溅到和非挡块滴剂之间主体的轮廓高度的差异外，已经确定了这些特征的物理解释及其各自的时间进化。这项研究中报道的观察结果对于开发数据驱动的模拟很重要，以建模对固体表面撞击期间溅出的滴落变形。
translated by 谷歌翻译
在自然灾害期间迫切需要的疏散避难所旨在尽量减少对人类幸存者的疏散负担。然而，灾难的规模越大，操作避难所的成本越高。当疏散物的数量减少时，通过将剩余的疏散物移动到其他避难所和尽可能快地关闭挡板来减小操作成本。另一方面，庇护所之间的搬迁对疏散者造成了巨大的情感负担。在这项研究中，我们制定了“疏散避难所调度问题”，它以避难所分配避难所，以尽量减少避难所的运动成本和避难所的运营成本。由于很难直接解决这一二次编程问题，因此我们将其转换为0-1整数编程问题。此外，这种配方努力计算从历史数据中重新安置它们的负担，因为实际没有付款。为了解决这个问题，我们提出了一种方法，该方法根据实际灾难期间基于撤离者和庇护所的数量估算运动成本。仿真实验与神户地震（Great Hanshin-Awaji地震）的记录表明，我们的建议方法将运营成本减少3370万美元：32％。
translated by 谷歌翻译