基于PSO-SVM算法的环境监测数据异常检测和缺失补全

针对环境监测数据异常和数据缺失问题,提出了基于支持向量机的粒子群优化数据异常检测和缺失补全算法。利用粒子群优化算法选取较优的支持向量机训练参数组合,以此建立非线性的支持向量机模型,并利用结果模型对测得的真实数据拟合预测。以宁夏回族自治区某污水处理厂的污染物测量数据作为实验数据,结果表明,利用该算法预测数据的准确率可达97.977%,检测异常数据准确度高,缺失数据补全正确。     

基于DWT与SVM的风门开闭阶段识别方法

为解决因风门开闭导致的风速传感器数据异常波动与误报警问题，提出一种基于离散小波变换(DWT)与支持向量机(SVM)的风门开闭阶段识别方法。使用多尺度滑动窗口将传感器风速监测数据离散化为若干段不同尺度的子时间序列数据，利用统计方法与DWT,提取各尺度子时间序列数据中的统计特征与隐含的波动特征，建立SVM风门开闭阶段识别分类模型。为进一步优化识别结果，基于重叠度(IoU)规则合并、修正、组合、取优分类识别结果，再根据相似准则建立长度方向取变率为2、整体相似比为1∶16的相似试验模型，开展风门开闭扰动试验，验证方法的可行性。结果表明：在测试集上的识别准确率较高，对于风门开闭时间的识别准确率可达到90.08%,风门开闭阶段的划分准确率可达到71.05%,优化滑动窗口尺度数量，可继续增加方法识别的准确率。     

基于KPCA-ALO-WLSSVM的埋地管道外腐蚀速率预测北大核心CSCD

为提高埋地油气管道外腐蚀速率预测精度,建立了一种基于KPCA-ALO-WLSSVM的埋地管道外腐蚀速率预测模型。以沿川气东送管线所做埋片试验获取的数据为例,首先利用核主成分分析(KPCA)对管道外腐蚀影响因素进行处理,以重构的综合指标作为模型的输入值;然后利用加权最小二乘支持向量机(WLSSVM)对外腐蚀因素和速率进行仿真建模,并利用蚁狮优化算法(ALO)对WLSSVM建模中的参数进行寻优。结果表明:KPCA提取了累计贡献率为97.84%的3个主元,减化了建模过程的复杂性;所构建的ALO-WLSSVM外腐蚀速率预测模型的平均相对误差为4.390%,均方根误差为0.276,各项指标均优于其对比模型,证明了本模型具有更好的学习性和更高的拟合效果。     

《灾害学》入选“2020年度中国百种杰出学术期刊”

2021年12月,《灾害学》入选“2020年度中国百种杰出学术期刊”,这是继2020年12月第一次成为“2019年度中国百种学术期刊”后,再次获此殊荣。《灾害学》能有今天的成绩,源自于前辈专家学者高瞻远瞩,把期刊定位于服务党和国家的防灾减灾事业;取决于主管主办单位陕西省地震局的大力支持;离不开办刊人坚持不懈的努力,离不开历代编委、审稿专家的支持和帮助,更离不开无数灾害研究领域的专家的信任和支持。     

组织安全支持与个体安全行为的关系:一项元分析

用元分析对国内外组织安全支持与个体安全行为的关系进行探究，通过文献数据库筛选出符合元分析研究标准的文献共31篇，样本文献调查对象总量为16 237。出版偏误检验结果反映元分析受到出版偏误影响的可能性极小；异质性检验结果表明元分析采用随机效应模型更加合适；主效应检验结果显示组织安全支持与个体安全行为之间的关系显著。组织安全支持促进了个体安全行为的产生。最后基于员工、企业、政府和社会提出改善煤矿行业安全行为的对策建议和管理实践。     

基于多分类GA-SVM的装配式建筑吊装作业安全预警分析

吊装作业是装配式建筑施工极为重要的一环，其在施工过程中的安全问题不容忽视。为了对装配式建筑吊装作业安全预警进行研究，以“4M”理论为出发点，提出一种基于GA-SVM的吊装作业安全预警模型，将遗传算法与支持向量机融合，提升模型的分类准确率。将支持向量机的二分类问题拓展到四分类问题上，并以实际工程案例加以验证。结果表明：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，可以为装配式建筑施工的安全管理提供可靠的决策支持。     

精神支持对建筑工人消极情绪的干预机制

为降低消极情绪对建筑工人的不良影响，探究精神支持对消极情绪的干预效果，以及消极情绪对不安全行为的作用路径，构建消极情绪、安全能力、不安全动机和不安全行为之间的影响机制模型，进一步构建精神支持对它们的干预机制模型。基于一线建筑工人的调研数据，采用SPSS和AMOS软件进行模型拟合。结果表明：消极情绪对安全能力具有显著负向作用，对不安全动机和不安全行为具有显著正向作用；精神支持对消极情绪具有显著负向作用；精神支持干预后，消极情绪对安全能力和不安全动机的直接作用路径消失，消极情绪对不安全动机的正向作用减少；安全能力对不安全动机的正向作用增强；安全能力和不安全动机对不安全行为的负向作用减小。     

改进SSA-LSSVM模型在埋地管道点蚀深度预测中的应用

埋地管道点蚀深度受土壤环境、运输物质、管道材质等多种因素的影响，因此腐蚀数据存在不稳定性，会导致精确预测其点蚀深度存在较大难度，故提出RS结合MSSA-LSSVM预测模型。首先利用RS对腐蚀影响因素实现降维，提取关键影响因素；其次融合三步改进策略解决麻雀搜索算法已陷入局部最优等问题，利用时间复杂度分析对算法改进后性能进行验证；然后利用MSSA求解出LSSVM中核函数参数σ²和惩罚因子C的最优解，同时选取RBF核函数，使其预测性能达到最优，最终构建RS-MSSA-LSSVM的埋地管道点蚀深度预测模型。结果表明：优化后模型精度得到了极大的提升，且均优于其他模型，证明该模型鲁棒性较好。     

基于高分辨率影像的固体废物自动识别技术

随着经济快速发展,工业固废、非正规垃圾、未覆盖建筑渣土等固体废物急剧增加,对区域生态环境造成极大威胁。固废堆场具有面积小、分布散等特点,目前国内仍缺少针对各类固废堆场的遥感自动识别研究。为此,基于国产高分辨率卫星遥感数据,根据野外实地光谱采集结果,分别开展了未覆盖建筑渣土、工业固废及非正规垃圾的自动识别方法研究,提取研究区各类固废堆场。结果表明:未覆盖建筑渣土在蓝波段与绿波段分别存在"吸收谷"与"反射峰",基于该特征构建的比值指数模型,结合直方图双峰法阈值分割可以有效提取未覆盖建筑渣土区域;工业固废、非正规垃圾2种固废类型多样,光谱反射率没有明显规律,结合其纹理、色调等特征,采用面向对象多尺度分割、支持向量机监督分类方法能够较好地识别2种类型固废;基于自动化提取技术并结合人机交互判读方法,提取的研究区未覆盖建筑渣土、工业固废及非正规垃圾等3种固废堆场的精度分别达到96.83%、88.26%、85.71%,各类固体废物遥感识别精度较高,极大提高了固废监测效率。