Due to the simplicity of their implementations, least square support vector machine (LS-SVM) and proximal support vector machine (PSVM) have been widely used in binary classification applications. The conventional LS-SVM and PSVM cannot be used in regression and multiclass classification applications directly, although variants of LS-SVM and PSVM have been proposed to handle such cases. This paper shows that both LS-SVM and PSVM can be simplified further and a unified learning framework of LS-SVM, PSVM, and other regularization algorithms referred to extreme learning machine (ELM) can be built. ELM works for the "generalized" single-hidden-layer feedforward networks (SLFNs), but the hidden layer (or called feature mapping) in ELM need not be tuned. Such SLFNs include but are not limited to SVM, polynomial network, and the conventional feedforward neural networks. This paper shows the following: 1) ELM provides a unified learning platform with a widespread type of feature mappings and can be applied in regression and multiclass classification applications directly; 2) from the optimization method point of view, ELM has milder optimization constraints compared to LS-SVM and PSVM; 3) in theory, compared to ELM, LS-SVM and PSVM achieve suboptimal solutions and require higher computational complexity; and 4) in theory, ELM can approximate any target continuous function and classify any disjoint regions. As verified by the simulation results, ELM tends to have better scalability and achieve similar (for regression and binary class cases) or much better (for multiclass cases) generalization performance at much faster learning speed (up to thousands times) than traditional SVM and LS-SVM.

The basic Boolean primitive in quantum cellular automata (QCA) is the majority gate. In this paper, a method for reducing the number of majority gates required for computing three-variable Boolean functions is developed to facilitate the conversion of sum-of-products expression into QCA majority logic. Thirteen standard functions are introduced to represent all three-variable Boolean functions and the simplified majority expressions corresponding to these standard functions are presented. We describe a novel method for using these standard functions to convert the sum-of-products expression to majority logic. By applying this method, the hardware requirements for a QCA design can be reduced. As an example, a 1-bit QCA adder is constructed with only three majority gates and two inverters. The adder is designed and simulated using QCADesigner, a design and simulation tool for QCA. We will show that the proposed method is very efficient and fast in deriving the simplified majority expressions in QCA design.

Change detection based on remote sensing (RS) data is an important method of detecting changes on the Earth’s surface and has a wide range of applications in urban planning, environmental monitoring, agriculture investigation, disaster assessment, and map revision. In recent years, integrated artificial intelligence (AI) technology has become a research focus in developing new change detection methods. Although some researchers claim that AI-based change detection approaches outperform traditional change detection approaches, it is not immediately obvious how and to what extent AI can improve the performance of change detection. This review focuses on the state-of-the-art methods, applications, and challenges of AI for change detection. Specifically, the implementation process of AI-based change detection is first introduced. Then, the data from different sensors used for change detection, including optical RS data, synthetic aperture radar (SAR) data, street view images, and combined heterogeneous data, are presented, and the available open datasets are also listed. The general frameworks of AI-based change detection methods are reviewed and analyzed systematically, and the unsupervised schemes used in AI-based change detection are further analyzed. Subsequently, the commonly used networks in AI for change detection are described. From a practical point of view, the application domains of AI-based change detection methods are classified based on their applicability. Finally, the major challenges and prospects of AI for change detection are discussed and delineated, including (a) heterogeneous big data processing, (b) unsupervised AI, and (c) the reliability of AI. This review will be beneficial for researchers in understanding this field.

Regression trees are one of the oldest forms of AI models, and their predictions can be made without a calculator, which makes them broadly useful, particularly for high-stakes applications. Within the large literature on regression trees, there has been little effort towards full provable optimization, mainly due to the computational hardness of the problem. This work proposes a dynamic programming-with-bounds approach to the construction of provably-optimal sparse regression trees. We leverage a novel lower bound based on an optimal solution to the k-Means clustering algorithm on one dimensional data. We are often able to find optimal sparse trees in seconds, even for challenging datasets that involve large numbers of samples and highly-correlated features.

With the rapid development of the aerospace field, the uncertainty, technical difficulty, significant shortening of the development cycle, parallel development and other characteristics of aerospace engineering are increasingly prominent, making the research and development management of aerospace engineering face unprecedented challenges, and the strategic management transformation has become an effective way to cope with complex environments. Strategic management is the art of decision-making and management, a method of allocating direction, objectives, tasks, policies and resources for overall and long-term development over a specific period of time. This paper not only studied the transformation path and improvement countermeasures of the management strategy of aerospace enterprises, but also studied the internal environment of the aerospace management strategy, the improvement mechanism of strategic leadership and the improvement countermeasures on the basis of integrating the industrial chain. Innovation in aerospace business models could then be promoted, and limited resources could be effectively integrated and allocated. Research and management capabilities could also be continuously improved, as well as the core competencies of aerospace enterprises, so as to ensure their long-term development. Taking the application and employment status of the aerospace profession, the education level of the personnel of aerospace enterprises, the proportion of each link of the industrial chain in the market size, the amount of aerospace technology imports, the market size and growth rate as the survey contents, the experiment showed that the amount of aerospace technology imports with the integration of the industrial chain has decreased by about 8.3%.

Purpose This paper aims to propose a new ultrasonic detection method for stainless steel weld defects based on complex synergetic convolutional calculation to solve two problems in the ultrasonic detection of austenitic stainless steel weld defects. These include ignoring the nonlinear information of the imaginary part in the complex domain of the signal and the correlation information between the amplitude of the real part and phase of the imaginary part and subjective dependence of diagnosis model parameters. Design/methodology/approach An ultrasonic detection method for weld defects based on complex synergetic convolution calculation is proposed in this paper to address the above issues. By mapping low-density, 1D detection samples to a complex domain space with high representation richness, a multi-scale and multilevel complex synergetic convolution calculation model (CSCC) is designed to match and transform samples to mine amplitude changes, phase shifts, weak phase angle changes and amplitude-phase correlation features deeply from the detection signal. This study proposed an Elite Sine-Cosine Sobol Sampling Dung Beetle Optimization Algorithm, and the detection model CSCC achieves global adaptive matching of key hyperparameters in 19 dimensions. Finally, a regulative complex synergetic convolutional calculation model is constructed to achieve high-performance detection of weld defects. Findings Through experiments on a self-developed Taiyuan intelligent detection and information processing weld defect dataset, the results show that the method achieves a detection accuracy of 92% for five types of weld defects: cracks, porosity, slag inclusion and unfused and unwelded components, which represent an average improvement of 11% relative to comparable models. This method is also validated with the PhysioNet electrocardiogram public dataset, which achieves better detection performance relative to the other models. Originality/value This method provides a theoretical basis and technical reference for developing and applying intelligent, efficient and accurate ultrasonic defects detection technology.