基于PCA-VMD-CNN的输电线路覆冰重量预测模型*

为防止覆冰灾害危及电路安全,提出1种输电线路覆冰重量预测模型。首先对多个气象因素进行主成分分析提取气象因素中的有效信息,再对覆冰历史数据进行变分模态分解,获得具有不同特性的本征模态分量;然后基于卷积神经网络,对具有不同时间尺度（周期性、波动性不同）的各个分量进行训练及预测,并将每个分量的预测结果相加。研究结果表明:通过对某覆冰区域的输电线路监测数据进行实验仿真,研究所提出的覆冰重量预测模型有更高精度。     

支持向量机对多环芳烃毒性的定量构效预测

为了实现多环芳烃(PAHs)毒性的有效预测,提出应用定量构效技术对多环芳烃的空气-正辛醇分配系数(KOA)和致癌性进行预测。应用分子描述符和试验值确立构效关系,采用支持向量机算法(SVM)和人工神经网络算法(ANN)分别建立了PAHs的KOA回归预测模型和致癌性分类预测模型。利用网格划分(GS)、遗传算法(GA)、粒子群算法(PSO)对SVM进行参数寻优。应用均方误差(MSE)、拟合决定系数R2和分类准确率(Accuracy)分别对模型进行了验证与评价。结果表明,最佳回归预测模型GS-SVR的MSE为0.059 7,R2为0.913 0;最佳分类预测模型GA-SVC的Accuracy为95%。研究表明:应用SVM所建两种模型的稳定性和预测能力都优于应用ANN建立的模型;参数优化后模型的稳定性和预测能力得到了提高。     

基于RBF核ε-SVR的导水裂隙带高度预测模型研究

为了构建更多样本条件下的高精度导水裂隙带高度预测模型,利用灰色关联理论筛选出关联度较高的煤层采厚、顶板岩层强度及其组合特征、采深、工作面斜长、开采分层数及倾角等因素作为输入变量;应用支持向量机回归模型理论,建立了不同模型类型与不同核函数组合的4种支持向量回归模型;采用PSO算法对模型参数进行优化,并对4组模型预测结果进行分析比较.结果表明,基于RBF核ε-SVR预测模型在预测精度、拟合效果与训练效率等方面优于其他3组模型.通过对PSO算法优化的RBF核ε-SVR模型与传统经验公式的预测效果进行综合比较和讨论,可得支持向量回归模型在现代化开采条件下预测准确率更高,可为矿井安全开采与资源综合开发提供依据.     

基于迁移学习算法的深部爆破振动速度预测

为了更好地预测深部矿山爆破振动速度,针对深部爆破振动速度预测中存在的样本量小、数据分布同浅部爆破不同的问题,将浅部地下矿山爆破数据中有用的知识迁移至深部矿山爆破振动速度预测模型中,提出一种逻辑回归迁移学习算法(LR-TrAdaboost),提升模型的样本容量及预测准确率;以某铜矿深部爆破振动速度预测为研究对象,结合该铜矿27条深部爆破数据以及梅山矿等5个地下金属矿204条浅部爆破数据,利用支持向量回归机(SVR)、回归迁移学习算法(TrAdaboost-R²)以及LR-TrAdaboost算法分别进行预测和对比。结果表明：3种算法的模型分数分别为0.24、0.38、0.81,均方根误差(RMSE)分别为0.152、0.107、0.06,LR-TrAdaboost算法预测误差相比SVR、TrAdaboost-R²分别降低了60.5%、43.9%;同时,LR-TrAdaboost在迭代次数为50时已经收敛,而TrAdaboost-R²在迭代次数100次后才收敛,收敛速度前者是后者的2倍;LR-TrAdaboost算法的预测性...     

基于PSO-SVM的砂土地震液化预测模型

为提高砂土地震液化预测的准确性和可靠性,根据其特点,选取地震烈度、地下水位、标准贯入击数、平均粒径、不均匀系数、上覆有效压力、动剪应力比等7个因子作为判别依据,采用粒子群算法(PSO)对支持向量机(SVM)的参数寻优,建立预测砂土地震液化的PSO-SVM模型;选用50个样本训练模型,并用该模型预测14个测试样本,并回判所有样本。结果表明:模型预测准确率为100%,该模型在解决砂土地震液化预测问题中,分类效果较好、效率较高。     

基于机器学习的恐怖袭击事件后果预测方法研究

恐怖袭击事件通常会造成严重的人员伤亡、财产损失和社会影响，针对在不同场景下发生恐怖袭击所造成的后果进行预测是目前应对恐怖袭击事件急需解决的问题之一。利用多源数据，首先基于随机森林算法对恐怖袭击事件是否造成死伤进行分类预测，进而基于岭回归算法预测事件造成的具体死伤人数。研究结果表明:随机森林在测试集上对有死伤事件的召回率达到0.85，岭回归预测死亡和受伤人数的平均绝对误差分别小于1人和2人。研究结果可为反恐资源配置优化、预防恐怖袭击事件和减少其造成的损害提供辅助决策支持。     

基于遗传算法的输电线路覆冰灾害应急响应物资储备决策优化模型

为研究在输电线路覆冰情况下如何合理有效地储备应急物资,基于遗传算法最优决策理论,提出了1种输电线路覆冰灾害下应急响应物资储备模型。根据覆冰灾害的预测情况,计算出每月应急物资的需求量,以每月的采购量为决策变量,以最小储存成本为目标,得出最优储备方案,同时用动态规划对此模型进行求解,对2种寻优方法结果进行对比。以云南某供电局的冬季应急物资储备为例验证模型的有效性,其结果有助于提高电网部门应对冰冻灾害的能力和经济效益。     

基于机器学习的公交驾驶员事故风险识别及影响因素研究

为从公交驾驶员群体中识别出易发生事故的风险公交驾驶员，结合某市公交公司营运安全管理系统数据库、百度应用程序接口(API)及网络爬取技术，并应用K近邻算法补充缺失值，获取42条线路及1 893名驾驶员的数据；基于驾驶员、车辆、线路特征、违规行为、事故、管理等基本特征变量构造派生变量；采用包括递归特征消除、有惩罚项的逻辑回归、随机森林的集成方法选择特征；采用极致梯度提升(XGBoost)等6种机器方法分别建立分类模型，并采用贝叶斯方法优化超参数。结果表明：在构建的6个分类模型中，XGBoost方法构建的模型其受试者工作特征(ROC)曲线下的面积(AUC)评估结果最佳；运用贝叶斯方法优化模型，可以在一定程度上提升ROC的AUC指标；对于风险公交驾驶员预测准确率达到98.66%,运营单位还可以根据自身情况权衡虚报率与命中率代价。此外，车辆服役时间、违规次数等特征对于事故风险具有明显的非线性影响。     

基于CNN_LSTM模型的复杂支路故障电弧检测*

在低压交流配电系统中,当多支路并联的复杂系统的某1支路中出现串联电弧故障时,识别难度大幅提升。为了预防此类情况引发的电气火灾,提出1种卷积神经网络(CNN)与长短时记忆网络(LSTM)结合的串联故障电弧检测方法。首先,搭建实验平台用以采集不同负载在不同支路下发生故障时和正常工作时的干路电流数据;然后,构建CNN_LSTM模型并做出相应改进,将电流数据直接输入到模型中,由模型自主提取波形特征并进行分类。研究结果表明:该方法可以快速、准确地识别出电弧故障,准确率达99.04%以上,且能够较为准确地检测出是哪类负载所在的支路发生电弧故障,准确率达97.90%,可为复杂支路下的电弧故障识别研究提供参考。     

基于决策树的矿井通风阻变型故障诊断及传感器优化布置*

为实现矿井通风阻变型故障智能诊断,解决风速传感器优化布置与诊断模型不匹配的问题,提出基于决策树的矿井通风故障位置分类判断、故障量回归预测及嵌入式风速传感器优化布置一体化方法;以唐安矿为例对上述方法进行验证。结果表明:矿井通风空间数据集无量纲化能提高故障诊断准确率、提升模型收敛速度,剪枝能提高模型泛化能力;以基尼系数为嵌入式传感器优化布置选择标准,其模型故障诊断准确率更高,当风速传感器数量为15时,故障诊断准确率为84.5%,继续增加风速传感器数量故障诊断准确率提升较小。人工智能诊断技术的应用具有较大的经济和社会效益,是智慧矿山的重要研究方向之一。     

降雨型滑坡灾害的约简和逻辑回归预测模型

为实现秦巴山区域降雨诱发的滑坡灾害预警,收集处理不同时段滑坡灾害发生点最近区域站大量降雨数据,形成降雨特征滑坡灾害样本数据集;定义降雨型滑坡灾害知识表达系统,利用知识约简和预测结果反馈方法,选取影响滑坡灾害的降雨特征,进而确定发生滑坡灾害的诱发因子;改进逻辑回归方法,提高模型泛化能力,建立约简逻辑回归预测模型,并与不确定朴素贝叶斯模型和遗传神经网络模型对比。结果表明:约简逻辑回归预测模型能有效处理海量高维降雨数据,且预测准确率较高。     

基于PCA-AHPSO-SVR的煤层瓦斯含量预测研究

为了提高煤层瓦斯含量预测的准确性和科学性,通过主成分分析方法对影响煤层瓦斯含量的7个因素进行特征提取,消除影响因素之间的相关性,减少维度;用支持向量回归机对提取的因素进行训练,并用改进的自适应混合粒子群算法对SVR的参数进行优化,提出PCA-AHPSO-SVR模型;与PCA-PSO-SVR,PSO-SVR这2个模型在相同环境下进行30次运行比较。研究结果表明:研究提出的PCA-AHPSO-SVR模型较其他2种模型平均准确率分别提高5.51%和9.32%,稳定性更佳,可满足工程实际需求。     

基于改进KFDA和RW ν-SVM的化工生产系统故障快速诊断

为提高复杂化工生产系统在线故障诊断的效率和准确率,将改进核费舍尔主元分析法(KFDA)和鲁棒损失小波ν-支持向量机法(RWν-SVM)结合。首先,利用近邻边界法对KFDA进行监督降维,快速辨识和提取化工过程影响因素的核主元。然后,将核主元作为诊断和分类RWν-SVM的输入参数,并优化回归决策函数表达式,使诊断过程更加快速,分类更加准确。最后,设计一个基于改进KFDA和RWν-SVM算法,并以经典的田纳西-伊士曼化工过程(TEP)为实例进行计算。结果表明:用改进的算法,能快速诊断和分类化工生产系统中的故障,且在计算效率和正确率方面均优于普通方法,故障诊断结果能够反映化工过程的实际情况。     

基于预处理的AFOA-ELM冲击地压危险预测模型

为提高冲击地压危险性预测准确率,提出一种基于预处理的改进的果蝇优化算法(AFOA)优化极限学习机(ELM)的预测模型。以重庆砚石台煤矿为例,选取其10个冲击地压危险性影响因素作为模型特征;以部分实测数据作为样本数据集并进行预处理,采用合成少数类过采样技术(SMOTE)构建平衡数据集,使用灰色关联分析法(GRA)及因子分析法(FA)降低特征维度;针对果蝇优化算法(FOA),引入跳脱变量和分类准确率方差变量构造AFOA,利用AFOA优化选取ELM的输入层权值及隐含层阈值,构建冲击地压危险预测模型,训练预处理样本数据、预测并对比其他模型预测结果。结果表明:数据集预处理可以显著提高AFOA-ELM模型预测效果;基于预处理的AFOA-ELM冲击地压危险预测模型,预测准确率为93. 75%,均方误差为6. 25%,预测精度显著优于其他对比模型。     

基于智能手机采集数据的施工活动识别

施工人员的活动监控对施工安全管理及预防职业疾病至关重要。为提升施工安全的智能化管理水平,对楼板钢筋工程施工中的8个主要活动进行识别。为弥补单一传感技术采集维度不足的缺陷和集成传感技术对系统灵活性的限制,采用智能手机内置加速度传感器和陀螺仪采集试验人员模拟施工人员活动时的加速度和倾角数据,并提取平均值、标准差、协方差、四分位距(IQR)为活动的特征矢量。通过决策树中的CART算法建立分类训练模型,采用“交叉验证法”对模型进行评估和验证。测试结果表明:对于样本个体的平均分类准确率为95.28%,预测准确率为92.86%;样本总体的分类准确率为89.67%,预测准确率为94.82%。研究表明,基于智能手机采集数据的决策树模型可以用于施工人员的活动识别。     

面向雾天的双先验兴趣区域车道线识别算法研究

为提高浓雾工况下车道线识别的准确率,开发一种基于改进暗通道优先和双先验兴趣区域(ROI)的雾天车道线识别跟踪算法。首先,依据改进暗通道优先算法对雾天图像静态ROI-I进行去雾处理;再按照Scharr滤波器和大津法得到该区域二值化图像,并通过Hough变换精确提取车道线;以此为基准,用Kalman预测器预测下一帧图像中车道线可能出现的动态ROI-II区域;最后采用改进的去雾算法对ROI-II区域去雾,利用B样条插值对该区域车道线进行拟合。结果表明,该算法在薄雾工况下的识别准确率可达99%,在浓雾工况下也能达到96%。     

基于背景审查的旅客风险分级

针对目前我国安检措施存在的不足,以及缺少个人背景特征研究的现状,提出基于个人背景审查的旅客风险分级方法.利用公开的恐怖分子数据集,将样本按照危险等级分为高、中、低3类,首先使用SMOTE(Synthetic Minority Oversampling Technique)方法对训练集进行过采样,之后对比朴素贝叶斯、逻辑回归、支持向量机、多层感知机和决策树几个机器学习分类方法,根据个人背景特征对旅客进行危险等级评估.数据集测试表明,使用多层感知机作为分类器准确率最高,分类准确率为80.5％,平均F1为0.80,表明能够根据个人特征对人员进行风险分级.而且在旅客分级时,应当重点审查其从事职业、出生地和社会背景3个方面.     

基于改进Smote-GBDT算法的岩爆预测模型

为准确预测岩爆等级,确保施工人员和设备安全,首先,从岩爆机制、数据和算法角度,分析埋深(D)、单轴抗压强度(UCS)、单轴抗拉强度(UTS)、岩石脆性指数(B₁、B₂)、围岩最大切向应力(MTS)、应力集中系数(SCF)和弹性变形能指数(W_et) 8个指标,建立岩爆预测指标体系;其次,针对岩爆样本存在的数据不均衡问题,引进托梅克联系(Tomek Link)对欠采样方法,改进合成少数类过采样(Smote)算法,对岩爆训练样本进行混合过采样;最后,构建SmoteTomek-梯度提升树(GBDT)岩爆预测模型,以38组数据验证模型的有效性,并与其他模型进行对比。结果表明：SmoteTomek-GBDT的准确率为92.1%,较未采样提升5.3%,Smote采样提升10.5%,优于随机过采样模型,并且避免跨等级的岩爆误判。     

基于链式多重插补的WOA-ELM煤与瓦斯突出预测模型*

为了提高缺失数据下煤与瓦斯突出预测准确率,提出1种基于链式支持向量机多重插补（MICE_SVM）的鲸鱼优化算法（WOA）-极限学习机（ELM）预测模型,以淮南朱集矿区为例,选取5个煤与瓦斯突出影响指标作为模型特征,采用提出的MICE_SVM算法插补突出事故数据中缺失值,利用WOA优选ELM输入层权值及隐含层阈值,构建煤与瓦斯突出预测模型,将插补后数据用于WOA-ELM模型的训练与测试,并与其他模型的预测效果对比。研究结果表明:MICE_SVM插补前、后的有突出数据预测准确率分别为83.02%,90.41%,MICE_SVM显著提高了有突出预测准确率,对无突出和整体的预测准确率提高不明显;数据插补后WOA优化ELM对无突出、有突出和整体的预测准确率分别为97.94%,96.25%,96.48%,较优化前分别提高了5.79%,5.84%,5.55%,数据插补后WOA-ELM为最佳预测模型。     

优化Swin Transformer的塔式起重机销轴安全状态识别算法

为减小塔式起重机运行安全隐患，提高机器视觉检验销轴连接状态的准确率，提出一种优化Swim Transformer的塔式起重机销轴安全状态识别算法；首先通过采集工地现场塔式起重机销轴安全状态图像，创建数据集；其次对数据集中销轴安全状态分类，并进行独热编码；然后基于Swin Transformer算法，建立销轴安全状态的识别模型，构造和优化损失函数；再运用AdamW优化器更新梯度，经过1 000次训练迭代后得到最终模型；最后在所创建的销轴图像数据集上，进行试验验证。结果表明：所提优化算法提高了塔式起重机销轴安全状态识别能力：准确率为99.4%、平均精度为99.4%,平均召回率为99.4%,平均特异度为99.6%,呈现出良好的分类和泛化能力；同时明显优于ShuffleNet、DenseNet和EfficientNet等3种典型算法；与原Swin Transformer算法相比，准确率也提高了3.6%。