联合Transformer注意力机制的PM2.5浓度预测网络研究

应用深度学习技术进行PM_2.5浓度预测方法的研究，提出联合Transformer注意力机制的循环预测网络。模型的核心是多头注意力-长短期记忆网络(MH-LSTM),通过构建统一记忆单元捕捉时空特征关联。MH-LSTM单元使用LSTM联合Transformer注意力机制对时间变化和全局空间特征统一建模形成记忆信息。记忆信息“之”字流向跨越堆叠的MH-LSTM模块，高层记忆信息辅助下一时刻低层记忆信息的获取。应用该模型结合河北省生态环境监测中心提供的PM_2.5浓度数据开展预报试验，结果表明，相对于卷积LSTM网络(ConvLSTM)、预测循环神经网络(PredRNN)、双重记忆网络(MIM),该模型预测的平均绝对误差分别减小了18.13%、10.23%、9.62%,实现了同时捕捉PM_2.5浓度的时空相关性，具有更优预测性能。     

基于KPCA-IF-WRF模型的多源VOCs数据清洗方法研究

为了解决多源挥发性有机物(Volatile Organic Compounds, VOCs)数据存在数据维度高、数据关系复杂、数据存在异常的问题,建立了基于核主成分分析(Kernel Principal Component Analysis, KPCA)、孤立森林(Isolated Forest, IF)、加权随机森林(Weighted Random Forest, WRF)混合方法的VOCs数据清洗模型。首先对研究区域进行网格划分,建立了基于KPCA-IF的VOCs降维异常数据识别模型,通过KPCA方法对多源混合VOCs数据降维,使用IF算法识别异常数据并进行剔除。然后设计了基于WRF的VOCs数据补偿算法,对降维与异常识别后的数据集进行缺失值回归填补。最后,以西安市为例,选取空气质量数据、气象数据等多源VOCs数据进行数据清洗。结果表明,该混合模型可有效对多源VOCs数据降维,进行数据清洗的平均绝对误差为5.08、均方根误差为10.24、中值绝对误差为3.54,均优于对比模型,证明了KPCA-IF-WRF混合模型的鲁棒性更强、精确度更高,具有科学性和可行性。     

基于CEEMDAN和改进的混合时间序列模型工作面涌水量预测研究

为提高采煤工作面涌水量预测准确度,收集大量工作面涌水量观测数据进行整理、统计、分析,将涌水量稳定性、周期性和季节性特征考虑在内,提出1种基于数据驱动的完全自适应模态分解算法(CEEMDAN)和改进的混合时间序列模型工作面涌水量预测方法。该方法利用CEEMDAN处理涌水量数据,构建麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)和自回归移动平均模型(ARIMA)并行级联而成的混合时间序列模型对工作面涌水量进行预测。研究结果表明：该模型预测结果与真实数据相差更小,平均绝对误差为6.36 m³/h,均方根误差为10.6 m³/h,模型拟合系数为0.95,更适用于工作面涌水量预测。研究结果可为矿井工作面涌水量预测及防控提供参考。     

时序数据驱动的化工过程风险动态预警研究

对化工过程进行在线监测与动态风险预警是降低事故发生的有效途径。提出了一种基于深度学习时序预测与模糊数学定量风险评估相结合的预警方法。针对化工过程数据的动态性、时序性、非线性强，且预测周期短等问题，将卷积神经网络(Convolutional Neural Networks, CNN)与长短期记忆网络(Long Short-Term Memory, LSTM)模型结合形成深度学习时序预测模型，实现过程参数108 min的超前预测。将该方法应用于合成氨过程，对温度、压力、流量、氢氮比等6个风险参数进行预测。结果表明，该预测方法具有较高的预测精度，其线性回归相关系数及均方根误差表明所提出的方法具有非常高的精度。同时利用三角模糊数对时序预测结果进行风险评估，得到时序风险变化曲线，实现了化工过程风险预警。研究对使用人工智能和大数据实现过程控制和风险预警进行了有益探索，为实现化工过程的超前预警提供参考。     

基于主动安全的重大事故网络舆情智能建模与仿真

针对重大安全事故发生时,肆意传播且真伪难辨的信息易引起社会负面情绪,给应急处置及救援工作带来不便的问题,基于主动安全理念,结合情感分析模型、主题计算模型和易感人群-潜伏人群-感染人群-离去人群(SEIR)模型,开展重大安全事故网络舆情仿真及控制策略研究。运用卷积深度置信网络(CDBN)、时域卷积网络(TCN)、条件随机场(CRF)组成的CDBN-TCN-CRF情感分析模型及T分布瓦瑟斯坦自编码器(TWAE)主题计算模型,识别情感极性及主题类别,跟踪网络舆情情感倾向及民众关注热点;运用SEIR模型来预测网络舆情走势,并研究网络舆情的传播过程和影响因素。结果表明：CDBN-TCN-CRF情感分析模型、TWAE主题计算模型及SEIR模型结合使用,可以更好地展现其对网络舆情深度分析与趋势预测的能力。     

基于K-CNN-BiLSTM的关联区域VOCs浓度时空关联预测

为了提升关联区域内VOCs浓度预测精度，基于深度学习理论构造了K-CNN-BiLSTM时空关联预测模型。同时，为了实现VOCs精细化治理，首先对研究区域进行了网格划分，采用IDW进行空间插值，计算整理得到VOCs的网格数据集。其次使用KNN算法计算空间相关性筛选得到空间相关矩阵，按照时序排列拼接成时空类图。然后将时空类图输入CNN模型中提取局部时空特征，最后将提取的时空特征送入双向LSTM中进行全局预测。以西安市某区为例，对VOCs浓度进行预测，并将预测结果进行时空分布可视化。结果表明：模型具备单步预测和多步预测能力，同时与CNN-BiLSTM、CNN-LSTM和LSTM相比考虑了VOCs浓度数据的时空关联性，预测精度更高；平均均方根误差(RMSE)、平均绝对值误差(MAE)和平均绝对百分比误差(MAPE)分别为6.352、5.442和10.252%,均优于对比模型。     

飞机货舱火灾CO浓度神经网络补偿算法研究

针对飞机货舱火灾探测误报率偏高且响应速度较慢的问题，采用电化学式一氧化碳传感器来代替传统民机所用的光电式烟雾探测器来探测飞机货舱火灾，并提出了一种基于粒子群算法(Particle Swarm Optimization, PSO)优化长短期记忆(Long Short-Term Memory, LSTM)神经网络的一氧化碳浓度补偿模型。首先在自搭建试验平台采集密闭空间火灾的多项试验数据，然后用PSO优化LSTM的隐藏层神经元个数和学习率，提高了LSTM的预测精度。通过与其他3种神经网络对比，PSO改进LSTM模型在基于时间序列的火灾一氧化碳检测中具有更好的补偿效果。通过浓度补偿，可以使电化学式一氧化碳探测器在飞机货舱火灾发生的早期阶段进行更准确的探测预警。     

基于QAR2Vec模型的QAR数据特征提取

针对传统特征提取方法难以从海量、高维的快速存取记录器(QAR)数据中提取有效特征,且QAR数据缺乏足够的标记等问题,提出一种以Transformer网络为核心的QAR2Vec模型,将QAR数据与位置信息、飞行阶段信息共同编码,作为QAR2Vec模型的输入;通过构建自回归预测的预训练任务以自监督的方式来学习海量QAR数据中的深层特征;保存预训练好的QAR2Vec模型权重,并在飞行状态预测和着陆异常天气识别任务上,微调预训练模型,使模型适应不同的下游任务;将QAR2Vec模型与2种没有预训练步骤的深度学习算法CNN-LSTM、MTL-LSTM进行对比。结果表明:QAR2Vec模型能够更有效地从QAR数据中提取特征,在飞行状态预测和着陆异常天气识别任务上的预测误差更低、识别准确度更高。     

基于改进YOLOv5s的综采工作面人员检测算法

为了智能监控井工煤矿综采工作面危险区域人员闯入和安全帽佩戴问题，避免监控视频受粉尘干扰、光照不均等因素影响图像检测精度的问题，提出一种基于改进YOLOv5s的目标检测算法(简称YOLOv5s-DPE),并建立相关模型。首先，在颈部网络部分，采用深度可分离卷积(DwConv)替换普通卷积，降低参数量和计算量；然后，引入改进的路径聚合网络(PANet)提升特征提取能力，替换边界框损失函数完全交并比(CIOU)为有效交并比(EIOU),提升检测准确率；最后，选取综采工作面视频中的人员图像进行检测，选取煤矿井下人员闯入和安全帽佩戴监控视频作为检测数据集，并进行训练和验证。结果表明：对比初始YOLOv5s算法模型，YOLOv5s-DPE算法模型的参数量下降14.2%,浮点数计算量下降7.6%,算法网络模型大小下降12.5%,均值平均精度(mAP)@0.5提升到93.7%,mAP@0.5∶0.95提升到65.8%,YOLOv5s-DPE模型对小目标检测效果更好，误检漏检等情况有所减少。     

基于GF-LSTM和GAN网络的小样本集人工水体溶解氧浓度预测

采用推流方式改善人工水体溶解氧分布不均衡以防止富营养化时,需要对其分布进行预测来提高推流效率,为此构建了基于生成式对抗网络(GAN,Generative Adversarial Networks)和长短期记忆神经网络(LSTM,Long-Short Term Memory Network)的溶解氧浓度预测模型。以广西大学镜湖35 m2的一片水体区域为研究对象,采用不同电压直流水泵推流,用无人船搭载在线检测仪在一段时间内定时定点采集水体溶解氧浓度数据作为原始数据样本,并采用GAN扩充数据样本。利用遗传算法和改进的一阶滤波算法进行溶解氧的噪声数据处理,结合LSTM网络构建溶解氧浓度预测模型GF-LSTM(Genetic And Filtering Algorithm-Long Short Term Memory Network)。结果表明:相比常用的BP网络,GF-LSTM网络预测的平均误差降低了62%,均方误差降低了75%;相比传统的LSTM网络,GF-LSTM网络预测的平均误差降低了22%,均方误差降低了50%。     

大坝变形GA-LSTM组合预测模型研究

为监测大坝运行过程中的异常状态，防范化解大坝溃坝等重大风险，基于大坝变形大样本、非线性监测数据，引入长短期记忆(Long Short Term Memory, LSTM)神经网络模型对大坝变形趋势进行预测，以测试样本的均方根误差最小为适应度函数，采用遗传算法(Genetic Algorithm, GA)优化LSTM模型参数，建立大坝变形GA-LSTM组合预测模型。以福建水口水电站大坝为例进行验证分析，并与LSTM模型和门控循环神经网络(Gated Recurrent Unit, GRU)模型预测结果进行对比分析。分析结果表明，GA-LSTM模型的预测效果和性能更佳，且相较于LSTM模型和GRU模型各测点预测误差均有减小，平均绝对误差减小量最高达6.92%。     

基于物理模型分析与深度神经网络融合的爆炸流场实时模拟方法

爆炸流场预测研究是爆炸安全性分析重要的组成部分,当前基于物理模型的CFD模拟已成为复杂空间环境下爆炸场景定量分析的首选工具,然而其计算效率较低,无法支持实时应急响应。借助基于机器学习(Machine Learning, ML)算法的代理模型可以有效缩短定量分析周期,但可供算法学习的数据量少是该项技术在化工事故后果分析中应用所面临的主要问题。因此,将物理模型分析与深度神经网络相融合,通过数据集构建、数据降维、数据回归和数据生成4个步骤,最终构建高效的卷积变分自编码器(Variational Autoencoder with Deep Convolutional Layers, VAEDC)与多层前馈神经网络(Multi-layer Forward Neural Network, MFNN)混合模型,用于实时预测区域爆炸压力场。基于特定区域,根据定义的算法输入与输出,利用CFD技术对各种爆炸过程进行模拟以获得大量的数据;基于CFD模拟数据,利用VAEDC将区域压力场的高维特征降维为隐空间变量,利用MFNN拟合爆炸相关参数、流场观测时刻与隐变量的映射关系,并以储罐区为例进行建模分析。结果表明...     

基于向量自回归模型的水质异常检测研究

水质异常检测对保障用水安全具有重大意义。为了准确有效地判断水质异常,提出基于向量自回归(VAR)模型的多参数融合水质异常检测算法。VAR模型是自回归(AR)模型的一种扩展。通过AR模型和VAR模型跟踪和预测水质背景数据,计算预测残差,与设定阈值比较判断水质是否异常。结果表明,与基于AR模型的水质异常检测算法相比,基于多参数融合的VAR模型在水质背景数据跟踪上具有更好的准确性,能够实现较高的异常检出率和较低的异常误报率。     

ST-GCN在建筑工人不安全动作识别中的应用

为准确及时地识别施工现场工人的不安全动作,运用计算机视觉的方法,结合图像识别技术和建筑安全知识,提出一种基于骨架的实时识别方法。将姿态估计算法与动作识别算法结合搭建组合模型,通过全面的数据进行模型训练,进而实现动作分类和不安全动作的识别,其中,AlphaPose用于姿态估计提取骨骼关键点坐标位置,时空图卷积网络(ST-GCN)用于动作识别,并通过试验进行验证。结果表明：该方法识别爬梯危险动作的准确率可以达到98.48%,同时,ST-GCN与支持向量机、随机森林、长短期记忆网络(LSTM)相比,具有更强的泛化能力。该方法通过对现场工人的不安全动作进行实时识别和预警,可改善传统安全管理模式,提高安全管理信息化水平。     

基于AM-LSTM的飞行区航空器滑行轨迹预测与冲突识别

为解决航空器点源定位难以有效预测而引发冲突风险愈来愈多的问题,构建基于注意力机制(AM)和长短期记忆网络(LSTM)的时间序列轨迹预测模型AM-LSTM,预测未来短时间内飞行区航空器的瞬时点源位置;在此基础上,根据航空器型号和滑行航向对其进行轮廓扩展,以航空器速度作为安全距离权重,通过射线法实现轮廓冲突的判定;并以乌鲁木齐地窝堡机场为例进行验证,利用训练完成的轨迹预测模型预测飞行区航空器滑行轨迹,以识别航空器轮廓间的滑行冲突。结果表明：AM-LSTM预测模型能够准确预测飞行区航空器运动轨迹。未来3 s内轨迹位置预测的平均位移误差为1.05 m,轨迹点位置预测精准性可达94.37%,故能在轨迹预测的基础上精确识别滑行冲突风险,有利于保障飞行区的安全运行。     

复杂背景环境下基于SSD_MobileNet深度学习模型的火焰图像识别研究

针对现有的火灾火焰图像识别方法在光照和红花等类似火焰干扰的复杂环境下存在错检和漏检的问题, 提出一种基于SSD_MobileNet的复杂环境火焰区域标记方法。首先,将深度卷积神经网络SSD300的基础卷积网络VGG16替换为MobileNet网络,应用深度可分离卷积,降低网络参数,进而构建一种火焰图像检测的SSD_MobileNet模型;然后,迁移第一次训练模型所有的卷积层参数,初始化新的待训练模型;最后,加入新的数据样本用于削弱光照、红花等干扰对象的影响。通过与SSD300、以及深度学习的目标检测算法Faster R-CNN和YOLOv3-tiny对比,实验结果表明,构建的火焰检测和火焰区域标记SSD_MobileNet模型的综合性能优于Faster R-CNN和YOLOv3-tiny模型,更适用于实时火焰检测领域。     

基于改进Faster R-CNN的铁路客车螺栓检测研究

为确保铁路客车运行安全,提出一种基于快速区域卷积神经网络(Faster R-CNN)目标检测的客车关键部件图像缺陷检测算法,针对算法在小尺度螺栓检测方面存在的问题提出2点改进,首先,结合深度残差网络和Inception网络两者优点替换原VGG16网络,并增加上采样层,解决图像经过卷积网络特征信息流失严重的问题;其次,通过K-means++聚类算法优化区域建议网络(RPN)中锚点的尺寸和比例,提高生成建议区域的精确性,解决缺陷目标定位不准确的问题;最后,用创建的螺栓缺陷数据集进行对比验证。结果表明:改进后的算法检测准确率可达87.4%,相较原算法提高8.9%,且对于多目标缺陷与混淆目标,漏检率与误检率分别降低9.9%和11%。     

基于小波去噪-卡尔曼滤波的供水管网爆管检测

在应用卡尔曼滤波进行爆管检测时，若受到监测误差、用水量随机波动等因素形成的背景噪音影响会导致误报率偏高，进而带来爆管检测系统鲁棒性较低的问题。鉴于此，对原始卡尔曼滤波进行了改进，首先采用小波函数对监测数据进行处理，其可以成功将周期循环信号中的有效信号及噪声信号分解至不同频域，然后使用硬阈值函数去噪后再对信号进行重构；最后利用卡尔曼滤波对重构后的信号进行爆管检测。研究结果表明：通过小波去噪，重构的信号中噪声信号占比显著降低，且信号与有效信号相似性更大；利用实际管网数据验证发现，所提算法可成功应用于实际管网爆管检测且与卡尔曼滤波相比，信号持续稳定，无剧烈波动且误报次数由6次降至0次，极大提高了爆管检测系统鲁棒性。     

基于统计回归的高分辨率工业源排放大气常规污染物排放清单建立与校核方法

采用多元线性逐步回归数学统计方法,在调查分析案例城市工业企业排放信息数据的基础上,建立了大气常规污染物(SO2、NOx、CO、VOCs(挥发性有机化合物)、PM10)排放量与相关影响因素(综合能源能耗、电消耗量、工业生产产值)的数学关系模型,并分析此模型对核算区县分辨率工业源排放大气常规污染物排放清单的适用性。结果表明,所建立的回归模型对核算区县分辨率工业源排放大气常规污染物排放清单具有较好的适用性与推广性。将该模型应用于唐山市,得到工业源SO2、NOx、CO、VOCs、PM10排放量拟合值的市级误差和区县级误差分别为17%、0.18%、-40%、-15%、47%和33%、16%、29%、27%、70%。建立的回归模型不但具有收集数据统计量种类简单的便利性,而且其区县级工业排放量拟合值与REAS(Region Emission Inventory in Asia)排放清单相比更接近调查值。     

区域VOCs聚集态势RF-LSTM智能感知方法

为了提高VOCs质量浓度预测精度,实现VOCs聚集态势感知,采用RF-LSTM方法提出了基于浓度预测的VOCs聚集态势感知法,简称聚集态势感知法,该方法将态势感知的概念引入VOCs研究,将区域VOCs聚集态势直观展示出来。首先在区域网格划分的基础上利用距离平方反比进行空间插值,收集区域VOCs数据信息;其次利用随机森林结合长短时记忆神经网络对网格VOCs质量浓度进行预测;最后根据预测结果计算VOCs聚集态势值,并将态势感知结果可视化。以西安市某区为例进行VOCs质量浓度预测及VOCs聚集态势感知,结果表明：与RF模型、LSTM模型相比,RF-LSTM模型减少了输入变量,实现了VOCs质量浓度预测模型输入参数的优化,降低了预测模型的复杂度,提高了预测精度,得到RF-LSTM模型的平均绝对误差、均方根误差、平均绝对百分比误差分别为6.24、9.75、10.36%;VOCs聚集态势感知能够对区域VOCs聚集的发展趋势和状态进行可视化,传达了更多的信息,具有一定的实用价值。因此,该聚集态势感知方法可以为区域VOCs污染防治和预警提供决策支持。