本发明公开了基于集成学习的高速列车轴承故障诊断方法，具体按照以下步骤实施：通过获取含噪原始信号后进行故障标记划分，再进行CEEMDAN分解，对得到的IMF分量进行降噪处理；再进行IMF分量重构，后进行特征提取；将提取出来的特征分别传入集成学习模型的第一层单模型中，得到分类结果；根据分类结果为集成学习模型的第一层单模型分配不同的权重，再将之整合成一个训练集将产生的训练集传入集成学习模型的第二层随机森林模型中进行训练，得到最终的轴承故障诊断结果。本发明提取的故障信号精度高，提高了分类准确率，解决了现有的高速列车轴承故障诊断准确率低的问题。

本发明公开了一种基于时间序列聚类的云服务器异常检测方法，包括提取云服务器上性能资源时间序列数据，用小波包分解的方式预处理时间序列数据，然后利用K‑means聚类算法进行聚类，再用邓恩指数DVI对聚类结果进行评价，从而筛选得到离群点，即异常时间序列数据，异常时间序列数据可以用来对云服务器特定时间段异常进行诊断和恢复。

本发明公开了一种基于时间序列聚类和深度学习LSTM的云服务器老化预测方法。对云服务器上性能资源时间序列数据进行提取，包括CPU空闲率数据和系统可用内存数据；对时间序列数据进行小波包分解预处理；对预处理后的数据进行K‑means聚类，统计出现频次最高的聚类中心，利用聚类后的结果构建深度学习LSTM模型，根据LSTM模型的时间序列预测值对软件老化趋势进行预测，本发明利用小波包分解克服了传统预测方法对非平稳时间序列数据和波动较大的时间序列数据预测准确度较低的局限性，从而能够更精确地预测软件老化趋势。解决了针对云服务器软件老化现象如何在最佳的时间点进行软件再生的问题。

本发明公开了一种基于拉普拉斯图谱的短文本聚类方法。首先对短文本数据集进行预处理；对数据进行向量化表示和降维处理；然后根据拉普拉斯矩阵特征向量确定初始聚类中心，并进行K‑means聚类输出聚类结果；通过对数据集注入噪声数据来检验算法鲁棒性；最后根据查准率、查全率和F‑score三个指标来检验所提出方法的性能。本发明根据向量空间模型和拉普拉斯矩阵的特征，提出了一种基于拉普拉斯图谱和TF‑IDF词频处理的短文本聚类方法。针对短文本数据集构建特征向量空间模型，采用K‑means聚类算法进行聚类。同时利用拉普拉斯矩阵特性选择初始聚类中心，使聚类算法的迭代次数减少。解决了短文本数据向量化表示困难和传统聚类算法针对短文本数据集聚类精度不高的问题。

本发明公开了一种基于STFT与CNN的列车轴承故障诊断方法，收集列车轴承的故障振动信号；通过基于绝对均值的异常数据识别与矫正算法识别并矫正原始振动信号中存在的异常数据；通过STFT提取振动信号的时频信息，并将时频信号分解为实部与虚部；构建基于CNN的故障识别深度学习网络；基于深度学习网络的识别结果，通过SoftMax函数得到轴承的故障诊断结果；本发明充分利用了列车轴承故障振动信号的时频信息，并基于CNN在图像分类领域的研究成果，提出了一种CNN新变种。

本发明公开了一种使用ARIMA‑RNN组合模型的云服务器资源性能预测方法，首先将序列数据进行预处理，将原始序列数据映射到[‑1,1]。确定ARIMA模型，然后对于现有的数据进行训练并预测，保存。确定RNN模型结构，使用现有数据和ARIMA模型对现有数据的预测结果对RNN模型进行训练。将ARIMA模型对于时刻t数据的预测结果和时刻t‑1，t‑2,…,t‑n的数据输入进RNN模型对时刻t的数据进行预测。本发明克服了ARIMA模型对波动较大的数据预测精度较低的局限性，克服了RNN模型收敛速度慢且不稳定的问题，最终实现了对云服务器系统性能参数预测并分析，更精确地预测软件老化现象。

本发明公开了一种基于SVR和高斯函数的云服务器老化预测方法，收集云服务器的资源和性能数据；获取云服务器资源和性能序列数据；取得的序列数据进行预处理，基于长度为l的滑动窗口对序列数据进行特征提取，特征评估和特征融合；基于SVR拟合处理后得到的特征数据，获取SVs，用高斯函数拟合获得的SVs；得到的高斯函数对云服务器未来的性能变化趋势进行预测，并计算云服务器的剩余寿命；本发明的方法使预测模型能实时的，准确的，对未来较长一段时间内的云服务器老化状态进行预测，并预估剩余可用寿命。

本发明公开了基于多尺度分析和深度网络模型的云虚拟机负载预测方法，收集云虚拟机的资源和性能数据；获取云虚拟机资源和性能序列数据；对原始数据序列进行小波分解；利用阈值去噪；得到去噪后数据序列；对去噪后数据序列进行一阶差分，用一阶差分数据序列构造一个时间步矩阵；将时间步矩阵分为训练集和测试集；对训练集和测试集数据进行归一化处理；采取训练集数据对DLSTM预测模型进行训练，利用训练好的DLSTM预测模型对测试集数据进行预测，并对DLSTM预测模型进行性能评价；本发明解决了传统预测方法对长时间运行、数据量大的云虚拟机负载预测准确度不高的问题。

本发明公开一种基于KNN和AdaBoost的铁路事故类型预测方法，具体涉及，计算铁路事故历史数据集属性的稀疏度，根据稀疏度阈值删除部分属性列；对铁路事故数据中的字符型数据进行编码；使用KNN算法对铁路事故数据进行缺失值填补；对铁路事故数据进行归一化，归一化后的数据随机划分为训练集和测试集；使用AdaBoost方法，构造铁路事故类型预测分类器，在测试集上检验分类器性能。本发明公开的方法对铁路事故数据进行了有效的预处理，并使用集成学习方法AdaBoost来缓解原始数据的类不平衡问题，提升了事故类型预测的性能。

本发明公开了一种基于图卷积网络的多场景单目相机位姿回归方法。首先训练一个多场景的特征提取网络用于位姿回归。然后借助图卷积，优化学习图像特征间的隐藏信息。使用训练完成的特征提取网络得到图像特征，将图像特征构建特征图谱，作为图卷积网络的输入，回归得到优化后的相机位姿。本发明提出的方法结合了多场景单模型训练方式、图像特征构图及图卷积网络，增强了模型泛化能力，提高了位姿回归性能，改善了多场景模型训练时的参数爆炸问题。