大气环境分类的SVM联合决策方法

目的 实现城市大气环境的精准快速归类预测。方法 基于支持向量机（SVM）构建多分类问题的联合决策算法,将大量城市环境因素数据的主成分聚类结果作为输入,通过机器学习训练,组建大气环境的SVM联合决策模型。结果 该模型根据大气环境因素将数据集91个城市划分为9类,其中河内与海防环境相似度最高,巴东与格尔木差异最大。9个SVM二分类器组建的联合决策模型通过逐点预测在主成分数据空间形成了分区预测云图。结论 SVM联合决策模型可实现城市环境的快速分类辨识,分类预测结果精度高于95%。     

基于SVM⁃RF的泥石流窗口坝闭塞度判别研究∗

为了研究野外泥石流防治工程中窗口坝的开口闭塞类别,基于量纲分析理论,以室内水槽试验模拟实际工程,分析模型试验与实际工程的相关物理量及对应的相似准数;引入支持向量机和随机森林分类模型,在开源机器学习工具Scikit-Learn中,采用python编程实现算法;以室内水槽试验数据作为支持向量机和随机森林的训练样本,进行机器学习得到分类模型,提出一种用于判别泥石流窗口坝闭塞类型的新方法;将测试结果与经验公式中闭塞度判别值F的分类结果进行正确率对比,结果表明,F值的分类准确率为88%,而支持向量机为92%,随机森林为94%,随机森林分类效果最好,机器学习理论为泥石流窗口坝在实践中的设计提供了新思路。     

悬索桥主缆索寿命期内可靠度指标确定方法∗

以某工程为背景,应用Midas civil并基于主缆面积、弹性模量和极限强度的时变模型对主缆进行腐蚀模拟,其后,在车辆疲劳荷载作用下得到疲劳应力幅,并对Manson-Coffin公式进行修正得到主缆在寿命期内的S-N曲线,由此估算出主缆关键位置在寿命期内的疲劳寿命,利用Matlab编制主缆关键位置在寿命期内的失效概率和可靠度指标计算程序。研究表明:除锚固和索塔位置外,主缆其它位置应力均呈对称分布;在寿命期为100年时,索塔位置疲劳应力幅变化量最大,锚固位置疲劳寿命最低且可靠度指标退化最快;主缆可靠度指标与使用年限、当地环境、主缆长度以及基准长度存在一定关系,最终给出了悬索桥主缆索在腐蚀条件下的可靠度指标计算公式。     

高压电缆屏蔽层局放信号定位检测试验及其应用

高频局放带电检测是预先发现110 kV及以上高压电缆线路本体或屏蔽层运行缺陷的有效手段之一。针对高压电缆线路屏蔽层局放检测易受外界环境干扰且信号定位缺乏有效经验问题,采用长2 m、截面积为400 mm²的9根110 kV电缆搭建一交叉互联接地形式的电缆线路局放检测试验平台,并用信号发生器模拟局放源;利用该试验平台,分别对设置于电缆屏蔽层接地线不同位置的局放信号进行检测,并根据检测到的信号幅值和波形特征判断屏蔽层局放源位置及其传播路径。试验过程及其结果为1条实际在运的110 kV电缆线路高频局放检测异常信号的分析提供了参考。     

专利资讯

专利名称:废旧子午线轮胎破碎割圈机专利申请号:CN200920020955.8公开号:CN201389932申请日:2009.04.16公开日:2010.01.27申请人:莱芜市福泉橡胶有限公司本实用新型公开了一种废旧子午线轮胎破碎割圈机,由底座、减速电机、转动托盘、割刀旋转架和割刀固定座构成,其特征在于转动托盘的中心处设有调节螺杆,在调节螺杆上设有轮胎固定装置,在割刀旋转架的上部通过转动横杆固定割刀固定座,割刀安装在割刀固定座的下端,减速电机的转轴上固定主动齿轮,在转动托盘的底部固定上齿轮盘,主动齿轮与齿轮盘啮合传动。该废旧子午线轮胎破碎割圈机,操作简单、省时省力,能快速将废旧轮胎的两侧边切割分离,降低了劳动强度,提高了工作效率,并且操作比较安全。     

军民两用机载设备耐久振动试验的对比方法

提出了一种适用于军民两用机载设备耐久振动试验的对比方法,该方法通过量化指标对军民机标准下的振动试验环境进行考核,能够实现不同环境的试验严酷度评估。以直升机显示器为例对该方法进行了详细论述,结果表明无法通过对比方法完成试验。     

武汉市灰霾天气特征分析及基于支持向量机的能见度预报

利用武汉市2013年灰霾日气象数据和空气质量数据对灰霾天气特征及其影响因子进行了综合研究,获得了武汉市灰霾天气的主要影响因子,并使用支持向量机对灰霾日能见度进行了多因子综合预测。实验表明,支持向量机模型在短期预报中,±1 km、±2 km、±3 km误差范围内预报正确率分别达到733%、867%、967%,平均绝对误差在1 km内,实现了灰霾能见度高精度预报,优于多种预报模型。在第2、3天±3 km误差范围内的能见度预报准确率都达到90%,中长期预报能力较强,模型性能稳定     

基于集合经验模态分解和支持向量机的溶解氧预测

应用集合经验模态分解(EEMD)和支持向量机(SVM)相结合的方法,建立一种天然水体溶解氧浓度预测模型。首先,利用EEMD方法将溶解氧时序分解成不同频段的分量,以降低序列的非平稳性;然后,根据各序列分量的自身特征建立合适的SVM预测模型,此过程通过相关分析确定各分量输入量;最后,将各子分量预测值合成得到最终的预测结果。使用该模型对嘉陵江北温泉段的溶解氧浓度进行预测,结果表明,与传统单一的SVM和BP神经网络模型相比,该模型能有效提高预测精密度,具有良好的应用前景。     

支持向量机在城市震后火灾损失预测中的应用

针对地震火灾的复杂性和多变性的特点,在综合分析了各种震后火灾损失预测方法的基础上,提出了基于支持向量机的城市震后火灾损失预测模型。以地震火灾的历史资料为依据,建立学习样本和测试样本,并与BP神经网络预测方法相比较,验证了其可行性,也为其它自然灾害的损失预测提供了简单、有效的方法。     

煤与瓦斯突出预测的GA-SVM模型及应用

为了对煤与瓦斯突出进行有效预测,将遗传算法和支持向量机相结合,提出煤与瓦斯突出预测的GA-SVM模型。以我国典型的煤与瓦斯突出煤矿15个实例为样本,以交叉验证准确率作为遗传算法的适应度函数,搜索得到径向基核SVM最优惩罚因子C=28.8786、宽度函数σ=0.16508,利用最优参数建立煤与瓦斯突出预测GA-SVM模型进行预测,结果与实际完全一致。应用该模型对云南恩洪煤矿8个突出实例进行预测,并与单项指标法、综合指标法和BP神经网络进行比较。研究结果表明,煤与瓦斯突出预测GA-SVM模型具有较高的可靠性和精确性,能对煤与瓦斯突出进行有效预测。