大华（DAHUA）

随着百万像素高清视频监控的日益普及,许多系统需要实现从标清到百万像素高清的升级,而传统采用同轴线缆传输的模拟摄像机无法实现百万像素级视频解决方案,采用同轴线缆传输的百万像素级的SDI产品,     

EL20-2型乳化炸药自动装药机的改进及故障分析与对策

文章介绍了EL20-2型乳化炸药自动装药机结构及工作原理,对自动装药机的改进,并对因改进产生药条破损、废药多等突出问题,导致产能降低等几个方面进行了分析与解决,有效地降低了设备的故障率,并使产能稳定在每小时1.6t以上,提高了设备的使用效率,从而实现有效的改进。     

基于支持向量机的采空区稳定性分级

针对采空区稳定性分级的影响因素众多且关系复杂的特点,提出采用支持向量机理论对采空区稳定性进行分级。根据分级评价指标选取原则,选取岩体结构、地质构造、岩石的质量指标、地下可见水、地下水体、周边开采的影响、相邻空区的情况、工程布置、跨度、面积、高度、矿柱的尺寸及布置、埋藏深度和采空区的规格14个影响因子,建立了采空区稳定性评价指标体系,引入支持向量机理论,选择有向无环图方式构造多类分类器,得到采空区稳定性分级的支持向量机模型。将该模型用于山东黄金矿业西山矿区的25个采空区进行分级,并与未确知测度方法的分级情况     

亚安 专利明星产品之——电子哨兵

正本次展会中,亚安展出的视频入侵报警云台摄像机(电子哨兵)凭借其独特的外观、前沿的技术以及创新的功能,成为了整个展会的焦点。1、视频入侵报警云台摄像机结构概述视频入侵报警云台摄像机(电子哨兵)主要由高清全景检测摄像机(预警机)、高清红外伺服跟踪云台摄像机(定位机)组成。预警机由一台广角摄像机和多台长焦摄像机组成,内     

SEEMILE视美乐激光显示科技品牌及新品发布

正近日,专注影像科技产品研发与制造的新锐型企业无锡视美乐激光显示科技有限公司在京隆重发布视美乐品牌以及旗下激光投影显示产品线,涵盖激光电视、激光客厅影院、激光工程投影机与激光超短焦投影机等多领域产品,为激光显示业带来勃勃生机。视美乐定位创新影像科技领域,是新型显示产业富有朝气、勇于挑战的标志性新锐品牌。为消费者带来价值是视美乐品牌追求的价值观。围绕这个观念,视美乐产品定位于追求前卫生活,体验无忧工作,为用户带来完美视觉享受。投影机融合光、机、电、热等诸多领域技术,产品整合跨度很大。面     

应用支持向量机评价土壤环境质量

基于野外采样和室内分析相结合的方法,采用电感耦合等离子体质谱法(ICP-MS)对羊草沟煤矿研究区表层土壤样品中的Cd、Cr、Zn、Pb和Cu含量进行测定,应用非线性支持向量机模型中的分类支持向量机,选用sigmoid核函数,利用MATLAB编写程序,进行土壤环境质量评价,并利用模糊综合评判法对评价结果进行验证.在此基础上,运用对应分析方法对样品和变量进行了关联分析,进一步了解重金属污染特征.评价结果表明,研究区土壤环境质量多为Ⅰ类,与模糊综合评判法的相同率达到91.67%,将支持向量机用于土壤环境质量评价是可行的.相比于传统的评价方法,支持向量机采用结构风险最小化原则,将复杂的非线性问题转化为线性问题,成功的解决了多分类、高维运算等问题.     

基于高光谱技术的土壤镉污染分级评价研究

提出一种利用高光谱技术进行土壤镉污染分级评价的方法。以FieldSpec 3地物光谱仪采集厂矿区土壤光谱反射率175份,随机分成校正集（135份）和检验集（40份）。光谱经小波去噪和标准归一化（SNV）处理后,以主成分分析法（PCA）降维。将降维所得的前5个主成分数据为输入变量,分别采用Fisher线性判别、Byes逐步判别、模糊模式识别、BP-ANN判别以及SVM 5种方法建立了土壤镉污染分级评价模型,并利用40个未知样对模型进行检验。结果表明：Fisher线性判别准确率为77.5%,Byes逐步判别与模糊模式识别预测为80.0%,BP-ANN模型预测精度为82.5%,SVM模型预测精度最高,达85.0%。说明采用高光谱技术进行土壤镉污染分级评价是可行,其中SVM是建模的优选算法。     

基于多类支持向量机的化学物质生态危害分类研究

应用多类支持向量机(M-SVMs)方法研究了化学物质生态危害程度的分类,以提高分类的准确性和效率.对采集到的61种环境优先污染物的环境行为和生物毒性方面的7项指标进行相关性分析,建立了M-SVMs分类模型并对数据集进行10折交叉验证以评价模型的分类能力,运用所建模型对7种化学物质的生态危害进行预测.结果表明,去除与鱼毒有信息重叠的溞毒指标,选取鱼毒、藻毒、降解性、蓄积性、分配系数和吸附系数6项指标用于构建M-SVMs分类模型;M-SVMs模型识别率较高,交叉验证平均分类正确率达86.89％;对7种化学物质生态危害的预测结果与实际情况基本相符.     

基于MFOA-SVR露天矿边坡变形量预测研究

为实现边坡危险性及时预警预报,以露天矿边坡变形量为研究对象,提出采用七项影响指标作为边坡位移变形量的响应参数,建立支持向量机回归预测模型(SVR)。引入修正的果蝇优化算法(MFOA)对模型参数进行优化,构建基于MFOA-SVR露天矿边坡变形量协同预测模型,并以实际监测数据进行模型仿真预测。结果表明:该模型平均绝对误差为0.9167mm,平均相对误差为4.2737%,较其他模型预测精度高,综合性能好,将其运用于露天矿边坡变形量预测研究具有较好的适用性和可靠性。     

基于粗糙集和支持向量机的标准农田地力等级评价

标准农田是耕地的精华,是确保国家粮食安全的关键。科学评价标准农田地力等级对标准农田培肥和土壤改良有着重要意义。将粗糙集(Rough Set,RS)理论和支持向量机(Support Vector Machine,SVM)相结合,提出了基于RS和SVM的标准农田地力等级评价方法,同时,利用遗传算法的并行搜索结构和模拟退火的概率突跳特性,提出了GASA优化SVM参数算法。该方法首先在确定标准农田地力等级评价指标的基础上,利用地力调查样本数据及传统的指数和法评价结果构建RS决策表,应用RS穷尽算法对决策表进行约简,剔除冗余的评价指标,然后用约简后的评价指标作为SVM的输入,运用GASA优化SVM参数算法对SVM进行训练,建立标准农田地力等级的RS-SVM评价模型。应用该方法对温州市鹿城区标准农田地力等级进行评价,与未用RS约简的SVM模型和BP神经网络模型评价结果进行对比,SVM模型和BP神经网络模型的输入指标数均为15个,其评价正确率分别为100%和90%;RS-SVM模型的输入指标数为14个,其评价正确率分别为100%,结果表明,该方法通过RS约简评价指标后,SVM评价精度并没有降低,但降低了SVM输入向量维数和计算复杂度,提高了训练效率;SVM 用于标准农田地力等级评价,具有比BP神经网络更高的评价精度,可有效用于标准农田地力等级评价,为耕地地力评价提供了新方法。