烟气条件下疏散指示能见度实验及图像分析

开展了烟气条件下疏散指示能见度的初步研究.首先通过实验统计分析了观察者给出的烟气条件下疏散指示能见度等级变化规律,重点分析了疏散指示的亮度对能见度的作用,发现亮度是影响能见度的主要因素.这区别于无烟条件下疏散指示能见度的主要影响因素: 亮度、大小和颜色.然后对实验过程中采集到的图像进行分析,获得了疏散指示亮度信息的图像特征--对比度的变化,发现烟气条件下疏散指示图像的对比度变化信息较好地符合了观察者对疏散指示能见度等级评价的变化规律,且在烟气浓度变化缓慢的条件下可以细致评价疏散指示性能,故采用对比度信息来衡量烟气条件下疏散指示的安全性有更大的安全余量.结果表明,数字图像分析是量化烟气条件下疏散指示能见度的一种有效方法.     

基于SPSS的PCA-MRA回采工作面瓦斯涌出量预测

为克服自变量之间的多重共线问题,增强多元回归模型预测的精确性,将主成分分析(PCA)与多元回归分析(MRA)相结合提出了PCA-MRA模型,并将该模型用于实际瓦斯涌出量预测。结果表明,采用SPSS软件直接对影响回采工作面瓦斯涌出量的因素进行主成分回归分析,避免了复杂的推导计算以及繁琐编程,预测精度较高。     

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CALIPSO卫星数据的斜程能见度反演

基于CALIPSO(Cloud-Aerosol Lidar and Infrared Pathfinder Satellite Observation)卫星气溶胶产品,采用平面平行辐射传输模型SBDART(Santa Barbara DISORT Atmospheric Radiative Transfer)研究天津地区的斜程能见度。首先,使用CALIPSO卫星2015—2019年气溶胶产品对气溶胶消光系数廓线等垂直方向气溶胶光学特性进行统计分析。然后,针对具有“衰减型”气溶胶消光系数廓线的天气,采用SBDART模型求解大气辐射传输方程,得到天空背景辐射亮度,最后依据斜程能见度定义反演得到准确的斜程能见度。进一步,对使用Koschmieder定律和经验公式计算获得的斜程能见度准确性进行评估。结果表明,与经验公式法相比,在低能见度天气条件下,使用Koschmieder定律反演得到的斜程能见度更为准确,其平均误差小于15.0%,均方根相对偏差小于17.6%。此外,还对气溶胶消光系数廓线进行了拟合,并在斜程能见度反演中使用拟合的消光系数。结果表明,在低能见度天气条件下,拟合参数与近地面消光系...     

基于主成分分析和神经网络的事故预测方法及应用

为解决人工神经网络(ANN)对复杂系统进行事故预测建模时,易导致网络复杂,降低网络性能和增大预测误差的问题,提出一种基于主成分分析法(PCA)的ANN事故预测方法。介绍PCA法和ANN的基本理论,阐述基于PCA法的ANN事故预测模型及其预测步骤,即在利用ANN预测之前,先用PCA法分析事故影响指标,将多个指标转化为少数几个能反映原始信息的互不相关的综合变量(主成分),然后以这些变量作为输入进行ANN建模,从而达到简化模型,提高网络性能和计算精度的目的。以煤矿事故预测为例,进行应用和对比研究。结果表明:基于PCA的ANN事故预测相对误差小于3%,而直接运用ANN方法预测的相对误差达到5%。这说明,对复杂安全系统进行事故预测时,基于PCA法的ANN预测方法是更可行的。     

雾霾时车辆尾气排放对驾驶员能见度的影响

针对北京道路车辆尾气排放对雾霾时驾驶员道路能见度的影响问题,建立了雾霾时车辆尾气排放与驾驶员道路能见度关系模型。该模型以车辆为单元建立车辆尾气排放元胞,考虑了车辆尾气排放后的污染物物理和化学变化,并以车道中的尾气排放位置截面及截面单元、交叉口处的尾气排放位置区间为模型单元。为验证该模型,于2016年10月-2017年2月和2017年10月-2018年2月,在北京地区部分路网检测了驾驶员道路能见度等数据,并统计了各时段驾驶员道路能见度的分布情况。对建立的关系模型进行仿真,结果表明,该关系模型的仿真结果与实际检测数据的误差占比平均值小于4. 98%,验证了该关系模型用于描述北京市道路车辆尾气排放对雾霾时驾驶员道路能见度影响的有效性。     

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。     

基于BP神经网络的机场次日鸟击风险预测方法

机场鸟击已成为中国民航机场运行安全的最大挑战。根据机场鸟击责任区的定义并结合飞行程序,分析了责任区的空间范围及该范围内飞机起飞爬升、着陆进近的位置和速度。从鸟类、飞机、机场、周边环境和自然气候这5个维度建立了机场鸟击风险水平日变化的评价指标体系,基于反向传播(Back Propagation, BP)神经网络方法构建了机场鸟击责任区次日鸟击风险预测模型和方法。案例机场实际应用表明,BP神经网络在机场次日鸟击风险预测中有良好的应用性,结果准确可靠,可为机场鸟击防范工作提供指导和参考。     

基于灰色马尔科夫模型的机场安检危险品数量预测

机场安检的危险品数量具有动态、随机、非线性等特点,传统的GM(1,1)模型无法对其作出准确的预测。利用灰色GM(1,1)模型对2014年1—5月所查获的危险品数量进行计算、检验,并对6—8月的危险品数量进行预测。首先建立危险品数量的GM(1,1)模型,然后再对其预测值进行修正,结果表明,灰色马尔科夫模型的平均相对误差比灰色预测模型的平均相对误差减小了25.18%,表明灰色马尔科夫模型比单一的灰色预测模型的精度高,该模型是有效可行的,可为航空公司6—8月将要查获的危险品数量预测提供理论基础,以便引起相关部门的高度重视,并采取相应措施以保障旅客安全。     

基于视频的雾天能见度实时监测方法研究

目前我国高速公路能见度监测主要依靠能见度观测仪,该方法覆盖区域有限且成本较高,而我国高速公路图像采集设备应用广泛,因此提出了一种基于监控视频图像测量雾天能见度的方法。该方法将图像进行分窗格处理,通过相关性分析筛选出最优兴趣窗格的亮度均方差特征矩阵,建立BP神经网络修正线性残差组合模型。结果表明:残差修正模型监测效果优于单一线性回归模型,残差修正模型的决定系数R2为0.977;在光线充足的情况下,残差修正模型的相对误差在10%以下,模型精度相对稳定;最后应用此方法监测高速公路雾天能见度,模型的正确率在80.48%以上。验证了用该方法测量雾天能见度具有可行性和有效性。     

一种加权2DPCA方法在人脸识别中的应用

在二维主成分分析方法的基础上,结合拉普拉斯算子提出了一种新的加权方法.这种方法不同于非监督学习的二维主成分分析方法,突出了各聚类间的差异,在强调人脸重要部位信息的同时保留了人脸轮廓信息,从而更有利于分类和识别.使用这种二维加权主成分分析方法在ORL数据库上与二维主成分分析方法进行对比测试,实验结果表明,该方法比普通的二维主成分分析方法具有更优的性能,并且在提高识别率的同时算法的复杂度并没有明显增加.     

机场安检人员工作压力源及影响因素研究

探讨国内机场安检人员的工作压力源,为开展航空安全心理援助提供有效的依据。通过运用叙述统计分析、主成分分析、t检定、因子分析、多变量分析等方法对机场安检人员工作压力进行分析。对机场安检人员调查问卷进行数据统计的基础上,将采集的有效数据导入SPSS14.0进行检验,Bartlett球形检验结果(2χ=269.713,P=0.000<0.01,KMO值=0.533>0.5),表明采集数据各个变量之间是独立的,适用于进行主成分分析。主成分分析结果表明人际关系因子、工作负荷因子和设备及法令法规因子为机场安检人员的主要压力源。工资收入和工作年限对压力源有显著的影响。工资越低的人感觉工作负荷越大。工作年限10年以上的人在工作负荷和设备与法令规定因子感受较强烈。调查问卷设计合理,涵盖了较为全面的职业压力信息,所获压力因子具有一定的客观性和代表性。     

基于主成分分析和BP神经网络的综合安全评价模型

提出了基于主成分分析法和BP神经网络的综合安全评价模型.利用主成分分析法的数据降维功能对评价指标进行特征提取,选用合适的主成分作为神经网络的输入,构建网络拓扑结构.在建立多层次道路危险货物运输企业安全评价指标体系的基础上,采用MATLAB对企业安全现状进行实证仿真分析.结果表明,基于主成分分析法和BP神经网络的综合安全评价模型的评价结果优于其他评价模型.研究表明,本文得到的综合模型能够更加客观、准确地反映评价对象的实际情况.     

基于安全度的机场围界安全评估方法

针对机场围界存在虚警率高、信息分散和难以从全局角度管理等问题,提出基于安全度的机场围界安全评估方法。基于分散环境集中监控思想,利用改进DS证据理论将前端探测设备获取的信息进行融合,再利用模糊集理论获得区段安全度,进而求得防区安全度和全局安全度。基于C#和Map Xtreme开发机场围界监控平台,结果表明,基于安全度的评估方法能够准确反映机场围界安全运行状况。     

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KPCA-APSO-ELM的矿井涌水水源识别

矿井水害问题长期困扰着煤矿的安全生产,查明矿井涌水水源是矿井水害防治问题的前提。为提高矿井涌水水源的识别精度,提出了一种基于KPCA-APSO-ELM的矿井涌水水源判别模型。以袁二矿为例,在分析主要含水层地下水水化学特征的基础上,选取7种水化学离子作为判别指标。随后利用KPCA提取主要指标作为模型识别的判别因子,并通过APSO对ELM模型进行参数寻优。以63组样本数据中70%作为训练样本、30%作为预测样本进行仿真试验建立KPCA-APSO-ELM模型,并将识别结果与PCA-Logistic、KPCA-ELM和PSO-ELM模型进行比较。结果表明：KPCA算法可以有效消除指标间的冗余信息,基于KPCA-APSO-ELM模型的预测精度相对较高;与其他模型相比,该模型的均方误差和平均绝对百分比误差显著降低。     

企业安全评价分析的主成分方法

依据某机车车辆厂的特点,建立了安全性评价指标体系,并应用主成分分析法对数据进行分析处理,求出指标综合表达式和排序结果,从而得到指标的客观权重,并指出了主成分法应用于安全评价中的特点。     

PCA-SVR在煤层瓦斯含量预测中的应用

针对煤层瓦斯含量与其影响因素之间存在着复杂的非线性关系,建立了基于主成分分析和支持向量回归机的煤层瓦斯含量预测模型。该模型有效地解决了小样本、非线性预测的问题,并发挥了主成分分析法消除输入变量间相关性的优点,减少了输入变量个数,提高了预测精度和收敛速度。通过实证分析,该模型的预测精度高,能够直接用于煤矿现场预测煤层瓦斯含量。     

基于KPCA-GA-BP的煤矿瓦斯爆炸风险模式识别

为了能够准确识别煤矿开采中瓦斯爆炸事故的风险类别,以提升对瓦斯爆炸事故的应急防范能力,提出了一种高效准确的风险识别模型.考虑到瓦斯爆炸涉及特征指标之间并非单纯的线性关系,采取核主成分提取方法(KPCA)对涉及的煤层瓦斯含量、瓦斯涌出量、风量供需比等19种特征指标进行属性约简,从而消除信息重叠,并使用遗传算法(GA)对BP神经网络的权值和阈值进行全局寻优,避免了过拟合状况的出现,在降低模型预测损失值的同时提高模型运算准确率.采用KPCA-GA-BP模型对83组实例数据进行分析,选取其中62组数据进行训练,其余21组数据进行测试.预测结果中20组风险等级分类正确且用时较短,识别准确率为95.24％,表明模型对瓦斯爆炸灾害风险等级具有高识别精度和高效率.