基于RS-SVM模型的煤与瓦斯突出多因素风险评价

为挖掘瓦斯突出风险与煤矿开采中各影响因素间的关系,应用支持向量机(SVM)理论从模式判别角度分析瓦斯突出风险与各地质因素组成的特征向量间的判别关系,基于粗糙集(RS)理论对待分析数据进行知识约简,提取核心判别指标,建立基于粗糙集-支持向量机(RS-SVM)的瓦斯突出风险判别模型。研究结果表明,RS知识约简方法可以很好地对原始数据中的冗余指标进行约简,通过对约简后指标数据进行SVM回归分析,可对煤与瓦斯突出模式进行很好的判别,所建立的瓦斯突出风险判别模型较一般SVM模型具有更高的预测精度,同时指标约简过程降低SVM运算中的复杂度,提高运算效率。     

基于ARIMA与SVM的飞行事故组合预测方法

飞行事故预测的目的在于预防事故。为提高事故预防的针对性和有效性,必须加强预测,以增强预防飞行事故的主动性。在ARIMA和SVM基础上,提出一种飞行事故组合预测方法。首先建立ARIMA模型,用以描述历史数据中的线性关系;然后,对ARIMA模型的残差构建SVM模型,用以模拟数据中的非线性规律,两者预测值之和就是最后的预测结果。美国空军1954—1993年飞行事故损坏飞机万时率的实证分析结果表明:利用该方法所建立的模型,能够对飞行事故作出较为准确的预测,模型精度总体优于单一的ARIMA或SVM模型。     

基于多通道信息融合的疲劳驾驶行为分析研究

为了克服单一通道信息在驾驶疲劳行为判定中的局限性,提出了综合运用多通道信息融合共同判定驾驶疲劳行为的方法。该方法在充分考虑各信息源相关性和互补性的基础上,优化采用驾驶人疲劳特征ECD、车道偏离程度SAAE、方向盘转动程度SWA等疲劳判别指标,运用MVAR进行多维特征向量提取,以有向无环支持向量机为融合算法,建立了基于多分类支持向量机的驾驶疲劳行为判定模型。结果表明,运用DAG-SVM进行多通道信息决策提高了疲劳驾驶行为检测的准确性和可靠性。     

更换机油的小常识

乐江,来自深圳的资深车迷及汽车评论员,他的文章多具实用性,文章内容主要涵盖:汽车保养、改装及试驾这几大领域。我们杂志将在接下来的一年时间内围绕这几个主题进行连载,希望大家跟着乐江的视角共同走进车的世界。     

可移动式土壤淋洗机研制

目前,土壤污染日益严重,影响了土壤的生态结构性和功能稳定性。污染的土壤会对周围的农作物及地下水造成一定的污染,直接影响人类的健康。因此急需对污染的土壤进行净化处理。介绍了一种可以处理污染土壤的机械设备,能够快速移动,并且集淋洗与固液分离于一体。针对大规模污染土壤处理前期的实验装置,可以同时对小面积污染土壤进行及时处理,针对这种功能做了具体设计,并对于离心固液分离用工业滤布的选择做了具体实验与分析。     

基于GIS和PSO-SVM模型的文山州石漠化风险评估

针对喀斯特石漠化风险评估影响因素较复杂且涉及众多地理空间对象的特点,本文在采用GIS技术对空间数据进行管理分析的基础上,提出了基于粒子群优化的支持向量机(PSO-SVM)的石漠化风险评估模型,分析了基于GIS的石漠化风险评估指标体系的建立过程,详细探讨了主成分分析与支持向量机模型相结合进行石漠化风险评估的方法与实现过程,并以云南省文山州为研究实例,将其与单独SVM模型和PSO-BP模型风险评估结果进行了对比分析,结果表明PSO-SVM模型的石漠化风险评估精度较高,效果更好。     

基于多生理信号的飞行警戒疲劳检测

为预防事故发生,保障飞行安全,提出一种基于多生理信号和支持向量机(SVM)的飞行警戒疲劳检测方法,识别飞行员飞行警戒中的疲劳状态。首先,研究疲劳评价与检测方法,并基于自主开发的飞行警戒测试系统与多导生物反馈仪和眼动仪搭建试验平台;然后,采集飞行警戒作业中的心电、眼动、呼吸等多生理信号和主观疲劳自评值;再次,通过配对样本的非参数检验,提取敏感生理指标,并以此作为特征向量,通过机器学习训练,构建基于多生理信号和SVM的疲劳检测模型;最后,依据受试者工作特征(ROC)曲线和模型准确率,对比分析各疲劳检测模型的效果。结果表明：在飞行警戒疲劳状态下,作业者的多项生理指标均有显著变化;心电、眼动和呼吸等多生理信号融合较单一信号的疲劳检测效果好,其ROC曲线下面积为0.802。基于高斯径向基核函数(RBF)构建的疲劳检测模型训练及预测准确率可达93%和87.50%。基于多生理信号和SVM方法可以实现对飞行警戒疲劳状态的检测。     

基于SVM的含缺陷20钢弯管爆破压力预测

为快速、精确预测含局部减薄缺陷的弯管爆破压力,首先验证显式非线性有限元模型的模拟精确性,然后以168组不同缺陷尺寸下20钢弯管爆破压力的有限元模拟数据作为学习样本,建立含局部减薄缺陷20钢弯管爆破压力预测的支持向量机(SVM)模型;其次利用交叉验证(CV)、遗传算法(GA)、粒子群算法(PSO)分别优化SVM模型;最后分析对比用于预测弯管爆破压力的3种优化SVM模型与ASME B31G-2009、DNV RP-F101、SHELL 92等3种通用规范的计算误差。结果表明：CV-SVM、GA-SVM、PSO-SVM等3种模型的预测误差均小于3种规范的计算误差,其最大相对误差分别为-2.33%、-3.4%和1.94%;说明SVM模型用于预测弯管爆破压力时操作简单、计算时间短、预测精度高、工程实用性好。     

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...     

国内外堆肥翻抛机发展概况与应用

介绍了国内外堆肥翻抛机的产生背景,总结了翻抛机的类型,分析了堆肥方式和翻抛机的特点与适用性,提出了翻抛机的发展趋势,对国内堆肥发展形势和翻抛机的应用情况进行了分析和总结。