不均衡数据下的采空区煤自燃PCA-AdaBoost预测模型

为提高不均衡数据下采空区自然发火预测准确率,选取O_2浓度等作为指标,利用主成分分析法(PCA)提取指标的主成分,并将主成分作为自适应增强算法(AdaBoost)输入参数,发火情况作为AdaBoost算法输出参数,建立不均衡数据下采空区自然发火PCA-AdaBoost预测模型;以张家口宣东2号矿为例,选取20组实测数据作为训练样本,用于训练模型;利用受试者工作特征曲线下的面积进行评价预测效果;利用训练好的模型预测15组测试样本,并将结果与粒子群优化支持向量机(PSO-SVM)模型进行比较。结果表明:在不均衡数据集条件下,利用PCA提取的算例的3个主成分包含原始6个指标的86.831%信息,降低了指标相关性,实现了降维;温度和CH_4浓度对发火影响更大;所建模型的预测结果与实际情况吻合,其在预测精度和收敛速度方面优于PSO-SVM模型。     

基于SKPCA与NEAT算法的煤与瓦斯突出危险性预测

针对煤与瓦斯突出预测精度不足的问题,为了减少突出灾害的危害,提出了基于稀疏核主成分分析法(SKPCA)与增强拓扑神经进化算法(NEAT)的煤与瓦斯突出危险性预测方法.通过核主成分分析法对突出非线性数据进行降维,然后对主成分数据进行稀疏化,减少原始数据中不重要元素对降维后主成分的影响.搭建增强拓扑神经进化网络(NEAT)预测模型,采用进化算法同时优化神经网络的权值和拓扑结构,得到最佳神经网络预测模型.将处理后的主成分数据输入模型预测突出危险指数,结果表明,该方法危险等级预测准确度达到98％,SKPCA-NEAT模型在煤与瓦斯突出预测上相比PCA和BP神经网络具有优势.     

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PCA-BP神经网络的多股铜导线 熔痕定量金相识别方法研究

为实现火灾现场中多股铜导线熔痕的自动识别,采用主成分分析(PCA)和反向传播(BP)神经网络算法对四种多股铜导线熔痕(一次短路熔痕、二次短路熔痕、过负荷熔痕和火烧熔痕)的金相组织进行了识别研究。利用Image-Pro Plus 6.0和Axio-Imaging软件获取每种熔痕30组17维金相组织参数数据,采用PCA对四种熔痕共120组数据降维,获得前6个主成分得分矩阵,建立具有6个输入层节点,10个隐层节点和4个输出节点的神经网络模式识别模型。随机抽取每种熔痕的20组样品的主成分得分矩阵作为训练集,将每种熔痕的剩余10组主成分得分为测试数据,输入最终训练完成的模型进行识别,其识别准确率达到92.5%。实验结果表明采用PCA+BP神经网络的算法,可以较好地实现多股铜导线熔痕识别,为火灾物证鉴定工作提供了有力的工具。     

基于PCA-BP融合的边坡稳定性评价模型

针对边坡岩土体物理力学性质复杂、边坡稳定性影响因素众多等特点,提出将主成分分析(PCA)和BP神经网络结合起来进行边坡稳定性评价的方法。若BP神经网络训练误差一定,则网络信息容量与样本数成正比。当样本数较少时,就必须减少样本维数,以达到较好的匹配效果,为此,引入主成分分析法(PCA)对影响边坡稳定的众多变量进行降维处理,以消除输入数据间的相关性,有效地减少预测模型的输入量,优化网络的输入节点数,提高网络的运行效率。针对BP算法容易落入局部最小、收敛速度慢等缺点,引入粒子群优化算法(PSO)优化神经网络的连接权重与阀值,从而克服了BP神经网络的固有缺陷。在此基础上,建立基于PSO优化算法的PCA-BP融合的边坡稳定性评价模型。模型分为3个层次,第一层次为输入层,即经过PCA分析之后获得的主成分;第二层次为隐含层;第三层次为输出层,即安全系数。应用该评价模型进行算例分析,结果表明,安全系数的模型计算值与参考值的绝对误差均很小,相对误差均控制在6%以内,吻合程度较高。     

基于人工神经网络的气体泄爆最大超压预测研究

为解决传统经验公式在预测气体泄爆中最大超压出现时的较大偏差或过于保守的问题，提出使用人工神经网络预测气体泄爆最大超压。基于124组实验数据，采用BP与RBF神经网络，通过优化算法计算与迭代循环对泄爆样本中的影响因素进行降维与选择，并确定2类神经网络本身在学习与计算气体泄爆样本时的相关参数。结果表明:PCA（主成分分析法）在当前样本条件下的降维效果较差，而通过迭代对比确认气体泄爆样本中的5类特征全部保留时神经网络的训练模拟效果最好；通过对124组实验数据进行随机挑选训练集与测试集的训练模拟结果发现，神经网络对气体泄爆中最大超压的预测效果较好；通过对比Molkov提出的和经Fakandu等改进的NFPA 68经验公式以及2类神经网络的预测结果表明，神经网络相比于传统气体泄爆经验公式具有明显优势。     

基于PCA-ELM的地震死亡人数评估

地震往往会在短时间内造成巨大的人员伤亡和财产损失,为了震后救援工作能够快速高效的展开,建立了主成分分析(Principal Components Analysis,PCA)和极限学习机(Extreme Learning Machine,ELM)相结合的地震死亡人数预测模型。综合考虑影响地震死亡人数的多种因素,选取震级、震源深度、震中烈度、抗震设防烈度、人口密度、发生时间和预报水平7项主要因素作为评价指标。首先,利用主成分分析对原始变量进行降维处理,并计算出主成分得分,作为ELM的输入;其次,对构建的ELM地震死亡人数预测模型进行训练;最后,对选取的32组地震样本进行算例仿真,并与未经PCA处理的ELM算法和BP神经网络算法进行对比。结果表明,基于主成分分析的极限学习机算法对地震死亡人数预测具有较高的预测精度,验证效果良好。     

人工智能技术在矿工不安全行为识别中的融合应用

为有效识别矿工不安全行为,预防煤矿安全事故,提出融合深度学习的计算机视觉、表示深度信息的深度图像、可穿戴传感器等人工智能识别技术的方法。基于以上3种方法在人体行为识别上的应用特点,运用主成分分析法(PCA)将3种识别技术提取的行为特征降维融合,通过支持向量机(SVM)对融合特征进行分类;以矿工跌倒行为数据为正样本,走路、坐下、弯腰、下蹲、躺下等5种日常行为数据作为负样本,分别利用3种人工智能识别方法以及融合方法对矿工跌倒行为进行识别检验。结果表明:经过融合后的识别方法对矿工跌倒行为的识别效果均高于其他3种人工智能识别方法。     

煤层底板突水危险性的PNN预测模型研究及应用

为准确有效地预测煤层底板突水的危险性,在分析大量观测实例数据的基础上,选取底板含水层水压、煤层采高、隔水层厚度、断层落差、煤层倾角和断层距工作面距离等6项指标作为影响煤层底板突水的初始特征指标。针对指标之间具有相关性的问题,利用主成分分析(PCA)法提取6项特征指标的主成分,将其作为概率神经网络(PNN)的输入向量,建立基于PCA的煤层底板突水危险性的PNN预测模型。选取21组煤矿实测数据作为学习样本,用于训练模型。采用回代估计法对模型回检。利用学习好的模型,预测另外4组矿井突水数据样本。结果表明,该方法有效降低了指标数据相关性,实现了降维,使PNN模型工作复杂度减弱。将该模型应用于工程实例中,所得预测结果准确率为100%。     

煤矿冲击地压预测的PCA-GRNN方法

为更合理有效地解决煤矿开采引起的冲击地压危险性预测问题,以忻州窑煤矿冲击地压事故为工程背景,采用一种数据降维算法—主成分分析法(PCA),对广义回归神经网络(GRNN)的输入样本进行信息压缩,构建冲击地压危险性预测的PCA-GRNN模型。通过PCA法提取影响冲击地压强度的煤层厚度、倾角等9个因素,得到冲击地压危险性影响因素的前4个主成分因子表达式,并构建BPNN,GRNN和PCA-BP等另外3种模型,验证PCA-GRNN法预测冲击地压危险性的智能性和泛化能力。结果表明,所建PCA-GRNN模型平均训练误差为3.5%,平均预测误差为3.6%,有很好的预测能力和泛化能力。     

Statistical fault detection using PCA-based GLR hypothesis testing

Safe process operation requires effective fault detection (FD) methods that can identify faults in various process parameters. In the absence of a process model, principal component analysis (PCA) has been successfully used as a data-based FD technique for highly correlated process variables. Some of the PCA detection indices include the T² or Q statistics, which have their advantages and disadvantages. When a process model is available, however, the generalized likelihood ratio (GLR) test, which is a statistical hypothesis testing method, has shown good fault detection abilities. In this work, a PCA-based GLR fault detection algorithm is developed to exploit the advantages of the GLR test in the absence of a process model. In fact, PCA is used to provide a modeling framework for the develop fault detection algorithm. The PCA-based GLR fault detection algorithm provides optimal properties by maximizing the detection probability of faults for a given false alarm rate. The performance of the PCA-based GLR fault detection algorithm is illustrated and compared to conventional fault detection methods through two simulated examples, one using synthetic data and the other using simulated continuously stirred tank reactor (CSTR) data. The results of these examples clearly show the effectiveness of the developed algorithm over conventional methods.     

基于HMM和DT的无人机异常检测方法

为了实时检测无人机异常状态,提出基于隐马尔可夫模型(Hidden Markov Model,HMM)和决策树(Decision Tree,DT)的无人机异常检测方法(HMMDT).首先根据异常致因将无人机异常分为干扰异常和硬件异常;然后结合HMM和DT建立无人机异常检测模型,定义无人机异常度衡量异常状态的严重程度,确定...     

AHP与GA-SVM耦合模型在滑坡预警中的应用*

为了减少滑坡造成的损失，提高滑坡预测的准确性，通过搭建灾害模拟平台获得滑坡的实验数据，在获得多组模拟实验数据后，分析各变量的特性。首先，通过层次分析(Analytic Hierarchy Process，AHP)算法，对滑坡进行危险度划分；然后，通过支持向量机(Support Vector Machine，SVM)建立模型，遗传算法(Genetic Algorithm,GA)再优化SVM参数，提出1种层次分析法与GA-SVM相耦合的模型。研究结果表明:AHP方法划分后的数据，通过GA与SVM结合建立的模型精度较好，实验预测结果与实际结果较为吻合，与单一SVM相比，精度更高，结果更好，更加适用于多变量的复杂非线性滑坡预警。     

基于二元特征的断面交通数据异常检测与修正

为了确保交通数据的准确性以及为后续研究提供数据质量保障。提取断面交通数据的两元特征向量速度与流量,采用多元高斯模型拟合两元特征概率密度分布,并利用matlab训练模型,对测试数据集进行异常检测;针对检测出的异常数据点,引入小时窗口,建立修正数据集。随后在各修正窗口内采用波动性处理优化的灰色马尔可夫模型,对上述异常点进行修正。以汕昆高速K2077断面为例,对其采集数据进行模拟计算及分析,结果表明:多元高斯模型对断面交通数据的二元特征拟合效果良好,异常检测作用突出;引入修正窗口简化了数据修正的运算过程,避免了大量历史数据冗余使用;波动性处理优化弥补了灰色马尔可夫模型针对随机性数据性能下降的缺陷,大幅提升了数据修正的准确率。     

信息融合技术在火灾探测中的应用研究

为减少火灾探测中的误报警,基于信息融合技术对火灾传感器输出的信息进行处理。充分利用火灾探测系统的在线和离线数据,采用改进的主元分析法(PCA)、粗糙集(RS)理论、支持向量机(SVM)等3种方法的融合与互补,通过对系统的输入数据进行简化,消除原有信息的各分量之间的相关性,降低特征信息维数;实施最优最小约简,特征提取优化;构造自适应核函数,确定最优分类超平面,进行样本训练,获得火灾探测结果。从数据级、特征级、决策级3个层次上实现火灾信息融合。结果表明:该方法减少了融合过程中的信息损失,降低了计算的复杂性,有效地提高了火灾探测系统的可靠性和准确度。     

基于免疫遗传算法的化工过程微小差别异常诊断

化工过程中同一类型的异常往往也存在微小差别,将不同程度的同一类型异常进行有效识别和归属,掌握同一类型异常的多样化情况,对于化工过程安全监控有重要意义。设计了一种基于人工免疫和遗传思想的微小差别异常诊断方法,并以一个典型的精馏过程Chem CAD仿真模型进行同类型不同程度的阀门异常模式设置,获取正常情况和各异常情况下的样本数据,然后利用所提出的诊断方法计算不同程度异常对其异常类型的隶属概率。结果表明,同一阀门不同开度异常尽管会导致过程监控参数的变化,但该微小差别异常诊断方法却能对其进行有效归属,且归属准确度经启发式算法多次运行后可达98%以上。最后进一步运用TE过程中具有微小差异输出结果的4种异常模式进行了验证试验,结果表明,该方法也可以在较少的异常数据基础上完成对异常模式的准确归属。     

基于PCA_Fuzzy_RF模型的煤层底板突水预测

针对煤层底板突水问题,提出了基于主成分分析、模糊数学和随机森林的一种新预测模型。首先通过主成分分析将6个影响因素(水压、采高、隔水层厚度、断层落差、煤层倾角、断层距工作面距离)进行降维,提取4个主成分因子,其次对主成分因子进行模糊化,作为随机森林模型的输入变量,建立基于PCA_Fuzzy_RF的煤层底板突水预测模型。利用华北矿区实测资料的50组数据作为PCA_Fuzzy_RF模型的训练数据,10组数据作为测试数据,并将预测结果与BP神经网络及Fisher模型进行对比分析,结果表明,PCA_Fuzzy_RF模型的误判率为0,适用于解决煤层底板突水问题。     

A wave change analysis (WCA) method for pipeline leak detection using Gaussian mixture model

This paper presents a novel pipeline leak detection scheme based on gradient and slope turns rejection (GSTR). Instead of monitoring the pipeline under constant working pressure, GSTR introduces a new testing method which obtains data during the transient periods of different working pressures. A novel pipeline leak detection method based on those transient data without failure history is proposed. Wavelet packet analysis (WPA) is applied to extract features which capture the dynamic characteristics from the non-stationary pressure data. Principal component analysis (PCA) is used to reduce the dimension of the feature space. Gaussian mixture model (GMM) is utilized to approximate the density distribution of the lower-dimensional feature space which consists of the major principal components. Bayesian information criterion (BIC) is used to determine the number of mixtures for the GMM and a density boosting method is applied to achieve better accuracy of the distribution estimation. An experimental case study for oil pipeline system is used as an example to validate the effectiveness of the proposed method.